基于能量采集的认知无线电时间和功率分配(二)
参考文章来自:基于能量采集的认知无线电时间和功率分配研究
https://x.cnki.net/read/article/pdfonline?filename=1019692099.nh&tablename=CMFDTOTAL&dbcode=CMFD&topic=&fileSourceType=1&taskId=&from=&groupid=&appId=CRSP_BASIC_PSMC&act=&ts=1584181528728
基于能量采集的认知无线电时间分配
模型:一对主用户PT,PR,M对认知用户ST,SR,一个时隙T:t1,t2,t3,t4t_1,t_2,t_3,t_4 t1,t2,t3,t4
模型如下图:
1.在t1时间内,认知用户采集能量
认知用户采集PT射频信号的能量,EkE_kEk:第k个认知用户采集到的能量
Ek=t1ξkPa∣hac∣2E_k=t_1\xi_kP_a|h_{ac}|^2Ek=t1ξkPa∣hac∣2
ξk\xi_kξk表示STkST_kSTk的能量采集效率,PaP_aPa表示PTPTPT的发射功率,hach_{ac}hac表示STkST_kSTk的信道系数
PR收到的信号:yb1=Pahabxa+nby_{b1}=\sqrt{P_a}h_{ab}x_a+n_byb1=Pahabxa+nb
habh_{ab}hab是链路PT->PR的信道系数,xax_axa是PT发送的信号,nbn_bnb是PR处的噪声。假设信道中的噪声是加性高斯白噪声,其噪声功率为N0N_0N0,认知用户的干扰忽略不计。
直连链路,PR收到的信噪比:γab=Pa∣hab∣2N0\gamma_{ab}=\frac{P_a|h_{ab}|^2}{N_0}γab=N0Pa∣hab∣2
信噪比=S/N=log(信号功率密度/噪声功率密度)
2.在t2t_2t2时间内,主用户选择最佳的中继
选择中继的要求:
a. Ek≥EthE_k \geq E_{th}Ek≥Eth ,EthE_{th}Eth是能量门限
b. ∣hckb∣2≥Gth|h_{c_kb}|^2 \geq G_{th}∣hckb∣2≥Gth,GthG_{th}Gth是STkST_kSTk->PR的信道增益门限
若有多个认知用户满足则,选择能量与信道增益乘积最大的作为中继节点。
3.t3t_3t3时间内,最佳中继认知用户STkST_kSTk协助主用户传输信息
通过解码转发方式,STkST_kSTk收到PT的信号:yck=Pahackxa+ncky_{c_k}=\sqrt{P_a}h_{a{c_k}}x_a+n_{c_k}yck=Pahackxa+nck其中,nckn_{c_k}nck是STkST_kSTk收到的高斯白噪声,噪声功率为N0N_0N0。
STkST_kSTk收到来自PT的信噪比为:
γack=Pa∣hack∣2N0\gamma_{a{c_k}}=\frac{P_a|h_{a{c_k}}|^2}{N_0}γack=N0Pa∣hack∣2主用户目的节点PR收到中继节点的信息:
yb2=(1−λ)pckhckbxck+nby_{b2}=\sqrt{(1-\lambda)p_{c_k}}h_{c_kb}x_{c_k}+n_byb2=(1−λ)pckhckbxck+nb
其中pckp_{c_k}pck是认知用户STkST_kSTk的发射功率,λ\lambdaλ是认知用户功率分配的占比系数,xckx_{c_k}xck是STkST_{k}STk的发射信号,hckbh_{c_k}bhckb是STkST_kSTk->PR的信道系数。
PR收到中继链路的信噪比为:
γckb=Pck∣hckb∣2N0\gamma_{{c_k}b}=\frac{P_{c_k}|h_{{c_k}b}|^2}{N_0}γckb=N0Pck∣hckb∣2在一个时隙T中,PR收到的信噪比为:
γb=γab+min(γack,γckb)\gamma_{b}= \gamma_{ab}+min(\gamma_{ac_k},\gamma_{c_kb})γb=γab+min(γack,γckb)
4.在t4t_4t4时间内,认知用户发送信息给SRkSR_kSRk
SRkSR_kSRk收到的信息:
yd=λpckhckdxck+ndy_{d}=\sqrt{\lambda p_{c_k}}h_{c_kd}x_{c_k}+n_dyd=λpckhckdxck+nd
SRkSR_kSRk收到的信噪比:
γckd=λPck∣hckd∣2N0\gamma_{{c_k}d}= \frac{\lambda P_{c_k}|h_{{c_k}d}|^2}{N_0}γckd=N0λPck∣hckd∣2
认知用户STkST_kSTk的能效函数:
ηk=Bt4log2(γckdk+1)λpckt4+(1−λ)pckt3\eta_{k}= \frac{Bt_4\log_2({\gamma_{{c_k}{d_k} }+1)}}{\lambda p_{c_k}t_4+(1-\lambda)p_{c_k}t_3}ηk=λpckt4+(1−λ)pckt3Bt4log2(γckdk+1)
上式右边上下都是凸函数,优化问题可以用效用函数来解决,效用函数:uk=t4Blog2(1+γckdk)−w1pck(λt4+(1−λ)t3)u_k=t_4B\log_2(1+\gamma_{c_kd_k})-w_1p_{c_k}(\lambda t_4+(1-\lambda)t_3)uk=t4Blog2(1+γckdk)−w1pck(λt4+(1−λ)t3)
w1w_1w1是代价因子,w1pck(λt4+(1−λ)t3)w_1p_{c_k}(\lambda t_4+(1-\lambda)t_3)w1pck(λt4+(1−λ)t3)是代价函数。
优化函数可写为:
max uku_kuk
s.t γb≥SNRth\gamma_b \geq SNR_{th}γb≥SNRth
Pck∣hckdk∣2<IthP_{c_k}|h_{c_kd_k}|^2<I_{th}Pck∣hckdk∣2<Ith
t1+t2+t3+t4≤Tt_1+t_2+t_3+t_4\leq Tt1+t2+t3+t4≤T
0<ti<T0<t_i<T0<ti<T,i=1,2,3,4
γb=γab+min(γack,γckb)\gamma_{b}= \gamma_{ab}+min(\gamma_{ac_k},\gamma_{c_kb})γb=γab+min(γack,γckb),SNRthSNR_{th}SNRth是主用户服务要求的门限,IthI_{th}Ith是认知用户对主用户造成干扰的门限值,那么优化问题可以写为:
max uku_kuk
s.t γab+γack≥SNRth\gamma_{ab}+\gamma_{ac_k} \geq SNR_{th}γab+γack≥SNRth
γab+γckb≥SNRth\gamma_{ab}+\gamma_{c_kb} \geq SNR_{th}γab+γckb≥SNRth
Pck∣hckdk∣2<IthP_{c_k}|h_{c_kd_k}|^2<I_{th}Pck∣hckdk∣2<Ith
t1+t2+t3+t4≤Tt_1+t_2+t_3+t_4\leq Tt1+t2+t3+t4≤T
0<ti<T0<t_i<T0<ti<T,i=1,2,3,4
时间分配算法
使用随机的启发式搜索算法——自适应差分进化算法,来搜索目标函数的最优值,差分进化算法有较强的全局收敛能力,自适应差分进化算法提高了搜索到全局最优值的概率。
假设在一个时隙T内,最佳中继认知用户STkST_kSTk存储的能量用完,即:Ek=λpckt4+(1+λ)pckt3E_k=\lambda p_{c_k}t_4+(1+\lambda)p_{c_k}t_3Ek=λpckt4+(1+λ)pckt3
自适应差分进化算法步骤:种群初始化、变异操作、交叉操作、选择操作
(1)种群初始化
min −uk-u_k−uk
s.t γab+γack≥SNRth\gamma_{ab}+\gamma_{ac_k} \geq SNR_{th}γab+γack≥SNRth
γab+γckb≥SNRth\gamma_{ab}+\gamma_{c_kb} \geq SNR_{th}γab+γckb≥SNRth
Pck∣hck∣2<IthP_{c_k}|h_{c_k}|^2<I_{th}Pck∣hck∣2<Ith
t1+t2+t3+t4≤Tt_1+t_2+t_3+t_4\leq Tt1+t2+t3+t4≤T
0<ti<T0<t_i<T0<ti<T,i=1,2,3,4
初始化种群:tj,i,0=rand[0,1](tj(U)−tj(L))+xj(L)t_{j,i,0}=rand[0,1](t_j^{(U)}-t_j^{(L)})+x_j^{(L)}tj,i,0=rand[0,1](tj(U)−tj(L))+xj(L)
tj(U)和tj(L)t_j^{(U)} 和t_j^{(L)}tj(U)和tj(L)是根据优化函数得处tjt_jtj的最大值和最小值
(2)变异
变异操作之后,自适应差分进化算法的变异向量:
xi,g+1=tr1,g+F(tr2,g−tr3,g)x_{i,g+1}=t_{r_1,g}+F(t_{r_2,g}-t_{r_3,g})xi,g+1=tr1,g+F(tr2,g−tr3,g)
其中,r1,r2,r3r_1,r_2,r_3r1,r2,r3是随机选择的序号数,且r1≠r2≠r3≠ir_1 \neq r_2 \neq r_3 \neq ir1=r2=r3=i,i是目标向量的序号,F是自适应变异算子:F=F02σ,其中σ=e1−(G/(G+1−g))F=F_02^\sigma,其中\sigma=e^{1-(G/(G+1-g))}F=F02σ,其中σ=e1−(G/(G+1−g)),G是最大进化代数,g表示当前进化代数,F0F_0F0表示初始变异算子。
(3)交叉
目的是增加干扰参数向量的多样性,实验向量:
ui,g+1=u_{i,g+1}=ui,g+1={ u1i,g+1,u2i,g+1,u3i,g+1,u4i,g+1u_{1i,g+1},u_{2i,g+1},u_{3i,g+1},u_{4i,g+1}u1i,g+1,u2i,g+1,u3i,g+1,u4i,g+1}
uji=xji,g+1,randb(j)<=CR∣∣j=rnbr(i)u_{ji}=x_{ji,g+1},randb(j)<=CR|| j=rnbr(i)uji=xji,g+1,randb(j)<=CR∣∣j=rnbr(i)
uji=tji,g+1,randb(j)>CR∣∣j≠rnbr(i)u_{ji}=t_{ji,g+1},randb(j)>CR|| j\neq rnbr(i)uji=tji,g+1,randb(j)>CR∣∣j=rnbr(i)
其中,randb(j)表示第j个随机数,范围在[0,1],rnbr(i)={1,2,3,4}随机选择序列,交叉算子CR取值在[0,1]。
(4)选择
求出的最优函数的最小值与实验向量对比,取二者中的最小值为当前个体,循环以上四个操作至最大进化代数G。
仿真结果:
设置参数Pa,Ith,N0,Gm,F0,CR,Np,ti,λP_a,I_{th},N_0,G_m,F_0,CR,N_p,t_i,\lambdaPa,Ith,N0,Gm,F0,CR,Np,ti,λ。
结论:
当时隙T越大,认知用户的效用函数越大,非平均子时隙分配的效用函数比子时隙平均分配的效用函数大。对于固定时间分配,信道质量越好,发射功率越好,认知用户的效用函数越高;当主用户的信噪比门限值越高,认知用户的效用函数越小。
关于差分进化算法https://blog.csdn.net/jodie123456/article/details/95486270,这篇博客讲得清楚些,如果博文中有错,欢迎指正。
基于能量采集的认知无线电时间和功率分配(二)相关推荐
- 【免疫算法,资源分配】基于免疫算法的认知无线电资源分配研究
1.软件版本 matlab2017b 2.本算法理论知识 在生命科学领域,人们对遗传和免疫等自然现象进行了广泛而深入的研究.20世纪60年代,Bagley和Rosenberg等先驱使用了相关的内容和知 ...
- 基于免疫算法的认知无线电资源分配优化算法的matlab仿真
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述 认知无线电(CR)的概念来自Joseph Mitolo博士1999年的开创性工作.它自适应地调整内部 ...
- m认知无线电信号检测算法matlab仿真,能量检测,循环平稳检测以及自相关检测
目录 1.算法概述 2.仿真效果预览 3.MATLAB部分代码预览 4.完整MATLAB程序 1.算法概述 频谱感测是认知无线电的一项关键技术.我们将频谱感知作为一个分类问题,提出一种基于深度学习分类 ...
- 【频谱共享】基于认知无线电的VCG拍卖机制频谱共享算法的MATLAB仿真
目录 1.软件版本 2.本算法理论知识点 3.算法具体理论 4.部分核心代码 5.仿真演示 6.本算法写论文思路 7.参考文献 8.相关算法课题及应用 1.软件版本 matlab2021a 2.本算法 ...
- 认知无线电网络架构与协议体系
认知无线电网络架构与协议体系 本文转载自中国联通通信技术 摘要:认知无线电网络具有动态.灵活.智能地使用频谱资源,提高频谱利用率的特点,其网络结构和协议体系的设计是实现上述网络功能的关键.现有基于认知 ...
- m基于中继协助的认知无线电频谱切换机制的matlab仿真分析
目录 1.算法描述 2.仿真效果预览 3.MATLAB部分代码预览 4.完整MATLAB程序 1.算法描述 认知无线电网络在进行频谱切换的时候,最为重要的问题是如何以最少的频谱切换次数实现频谱切换,同 ...
- 基于能量检测的调制方式识别算法MATLAB仿真,识别不同SNR下的MFSK和MPSK
UP目录 一.理论基础 二.核心程序 三.测试结果 一.理论基础 随着无线通信的快速发展,用户对通信质量的要求越来越高,同时无线设备的大幅度增长,使得频谱资源显得更加重要.认知无线电(Cognitiv ...
- m认知无线电网络中频谱感知的按需路由算法matlab仿真
目录 1.算法概述 2.仿真效果预览 3.MATLAB部分代码预览 4.完整MATLAB程序 1.算法概述 使用无线电用户的频率范围在 9kHz 到 275GHz[3],由于无线通信环境中的干扰.信道 ...
- [NOI2010]能量采集
469. [NOI2010]能量采集 ★★☆ 输入文件:energy2010.in 输出文件:energy2010.out 简单对比 时间限制:1 s 内存限制:512 MB [问题描 ...
- 图灵奖得主LeCun力推无监督学习:要重视基于能量的学习方法
作者 | Tiernan Ray 译者 | 夕颜 出品 | AI科技大本营(ID:rgznai100) 导语:图灵奖得主深度学习大牛 Yann LeCun 表示,人工智能的下一个发展方向可能是放弃深度 ...
最新文章
- 2019年春季学期第三周作业
- ProE常用曲线方程:Python Matplotlib 版本代码(蝴蝶曲线)
- Oracle访问数据的存取方法
- 【图像处理】——Python实现图像特征提取BP神经网络实现图像二分类
- Mat的初始化以及Mat与数组的相互转化
- 5分钟,带你了解不同类型的云计算!
- Java数组去重的多种方法,[Java教程]JavaScript常见的五种数组去重的方式
- 标题在优化排名的写法
- word无法验证服务器,windows10系统下office2010无法验证的解决方法
- 完美解决 Ubuntu 18.04 安装网易云音乐 不能正常点击启动问题
- sql Server获取表中今天、昨天、本周、上周、本月、上月等数据
- multisim14安装与卸载
- Unity 如何获取安卓设备的SN号
- Python控制结构(二)
- 激活层是每一层都有吗_广式小吃甜“薄撑”,又香又脆,每一层都有料,大人小孩都爱吃...
- Win 11环境下 Texlive中文字体缺失问题(Package fontspec Error: The font )
- esp32 arduino ble 有时扫描结果不完全的解决方案
- 服务器双机系统,华为服务器双机热备
- SHELL学习之一《正则基础》(转)
- python dtype=float 是32还是64_【Python】numpy数组用dtype=float16初始化的坑
热门文章
- 如何解密网易ncm/qq音乐的qmcflac/酷狗kgm等加密格式转换成MP3
- C# --- WinForm基本知识与绘图(上)
- 《统计学习方法》第7章 课后题答案
- rgba与十六进制的相互转换,以及rgba的校验
- 全网独家【超越VOSviewer】突破VOSviewer只能做数据库里数据的限制
- ad17 linux 版本,Altium Designer这些不同版本的软件之间的区别有多大呢?
- 昆仑通态复制的程序可以用吗_昆仑通态专题(九):MCGS组态软件的实时数据库...
- CorelDRAWX4的VBA插件开发(二)怎么查看开发者PDF文档和VBA内的对象浏览器
- VC++运行库安装难题
- 企业文化之华为和汤森路透