0 引 言

认知无线电[1-3]具有学习能力强，并且可以与环境进行交互的技术被广泛使用。一般来说，在认知无线电系统中，包含两种频谱的接入方式[4,5]，一种是机会频谱接入方式，而另一种则是频谱共享方式。在前一种方式中仅当检测到PU传输频谱段空闲时才允许SU在该频谱段上发送数据，而后一种方式是允许SU与PU在同一时间段发送数据，但需要调节SU对PU的干扰电平，使其低于影响PU通信的干扰电平阈值[6]。本文研究的是在频谱接入方式为频谱资源共享方式的情况下，如何通过调节系统的电源功率，使得SU在对PU产生的干扰尽可能小的情况下有效地利用频谱资源。

刘鑫等[7]提出了一种多信道认知无线电频谱感知次用户和功率分配算法，该算法基于主用户的存在状态，以最大化次用户所有子信道的吞吐量总和为目标，通过交替方向优化获得子信道次用户和传输功率的联合分配，可以提高次用户的吞吐量。罗荣华等[8]提出一种基于最佳中继选择的认知网络功率分配算法，采用正交频分复用调制方式。陆路希等[9]提出一种适应低信干噪比的认知无线电双向中继方案及其最优功率和时隙分配，针对频谱资源短缺的问题，该方法考虑了公平性以最大化双向通信均可达到的端到端速率为目标，提出最优功率分配的双向中继算法。Li等[10]提出了一种基于顺序搜索和波束成形的认知无线电网络功率分配算法，通过基于均匀量化和顺序搜索解决相应的非凸优化问题，在单输入多输出认知链路和多输入单输出的认知链路的情况下进行多变量搜索，有效地提高了网络性能。Mahdi等[11]提出了一种基于功率放大器非线性分析的认知无线电网络的功率分配算法，考虑了接收信号信噪比和信道干扰情况，在有限的动态范围内调节功率放大器的参数，并推导出数据传输的概率解析表达式，改善了系统的功耗性能。Song等[12]提出基于HARQ主系统的认知无线电网络速率自适应功率分配算法，主系统使用一种混合自动重复请求，分析了初级和次级系统中的平均吞吐量，并制定了优化方程，最大限度地提升网络平均吞吐量。

1 认知中继系统模型

我们假设认知无线系统由一个基站，一个主用户(PU)和一对次级用户(SU)，以及n个中继节点所组成，SU与SU通过认知中继节点在两个时隙之间交换信息[13,14]，并且它们之间没有直接联系。假定所有的节点都同步，并采用单天线以半双工方式进行工作。在发射机处SU与PU共享频谱并且瞬时信道状态信息可用。假设数据传输受到加性噪声并且路径损耗指数为λ(λ>0)，受到平坦瑞利衰落的影响。

在本文的系统模型中，我们主要讨论在中继Re的帮助下采用AF中继协议时两个次级用户SU1和SU2之间的通信[15-17]。在第一个时隙期间，SU1和SU2分别发送单元功率信号S1和S2给中继Re，Re接收到的功率信号能够表达为

ψR+γR

(1)

其中，g1和g2分别表示从SU到中继的信道增益，p1和p2分别表示SU1和SU2的发射功率。ψR表示在中继Re的加性高斯白噪声，γR表示来自主用户PU的干扰。

W1和W2分别表示为

丝机收到新一批次的来料信号后，烘丝机即切换至新的启动状态。若生产结束，则启动烘丝机冷却系统，烘丝机切换至冷却状态，待冷却结束后即可停机进入停机状态(图1)。

 

(2)

表示在中继Re的最大的加性高斯白噪声，表示中继Re来自主用户PU的最大干扰，pRe表示中继Re的发射功率。

其中，v1和v2分别表示SU1和SU2的瞬时速率，Pi,u是定义的瞬时速率v1是低于数据速率需求vT,1的概率表示为

g1(ψR+γR)F+ψ1+γ1

(3)

g2(ψR+γR)F+ψ2+γ2

(4)

ψ1、ψ2表示SU1和SU2的加性高斯白噪声，γ1、γ2表示SU1和SU2分别受到的来自主用户PU的干扰。

可以得到在不超过用户要求的最大干扰电平的情况下得到次用户SU1和SU2与中继的最大发射功率。

 

(5)

 

(6)

其中，WRe表示为

为官一任,造福一方。反之,为官一任,遗祸一方。不同的作为，不同的结局。造福一方者,英名远扬。遗祸一方者，臭名昭著。清廉者，人生完美。贪腐者，身败名裂。当政者应当引以为戒！

 

(7)

在第二时隙，中继Re广播了放大之后的信号，放大增益为

 

(8)

 

(9)

2 基于速率优化和干扰电平约束的功率分配算法

SU通信成功传递位的最大化总速率为vs，在PU允许的最大干扰电平为pT，当SU通信的总功率过大，不仅会对PU产生很大的干扰，而且还是一种资源的浪费。因此我们假设pRe为可以用于次用户SU和中继Re的总发射功率，则成功传递位的最大化总速率vs表示为

vs=(1-P1,u)v1+(1-P2,u)v2

(10)

假设信号从中继端发送至SU且反向信道增益是信道增益的倒数，在SU1和SU2通过中继Re接收到的信号分别表示为

Pi,u=Pr{v1≤vT,1}

(11)

因此，目标函数也一个凸优化问题，因为它是一个P1,u和P2,u的线性组合，并且所有的约束条件是线性的。接着，它可以通过使用KKT条件来解决。这样一来，我们就可以通过求解KKT条件来获取不同的有效的解决方案，求解KKT条件的方法为通过将目标函数表示成拉格朗日形式，求出最优值的必要条件。在认知无线网络系统中，根据满足实际用户环境的条件下对应不同的可能情况采取不同的最佳解决方案。因此，我们考虑认知无线网络系统可能出现的所有的情况，并得到各种情况下的最优解，其具体步骤如下所示：

 

(12)

 

(13)

其中，dr,1和dr,2分别表示SU1和SU2与中继的距离。ζ1和ζ2分别表示为

ζ1=2exp(|v1-vT,1|)

(14)

ζ1=2exp(|v2-vT,2|)

(15)

然而，vs是难以准确计算出来的，因为该瞬时速率vi会随着所有的时间而发生改变。因此，在本文中瞬时速率被数据速率的需求vT所替代，以计算出成功传递位的总速率的近似值，得到的值是小于有效值。然后，成功传递位的最大化速率的最优化问题可转换成

忽然有一天，超市逢月底结账，杨力生见当月收入特别高，心里高兴极了。到了晚上，他特意到饭店订了几个好菜，把菜取回家和媳妇共同吃。他一边吃菜一边喝啤酒，连喝了三瓶，还是半点醉意都没有。饭后，孩子早早便睡了，杨秋香从衣柜里取出一件新衣服，转身对着一边墙壁上的大镜子试穿。这时，杨力生兴奋地凑到她的身边说：

maxvs=max(1-P1,u)vT,1+(1-P2,u)vT,2

(16)

因此，SU1和SU2的中断概率分别为

情况1：干扰不超过限制的功率电平时。在SU1和SU2与中继对主用户的干扰不超过主用户所限制的电平时且可用的总功率是有限的。即所有的节点以获得最好的性能充分利用的总功率，由于该解决方案存在一定的复杂性，我们采用数学公式进行了一些合理的简化。假设由于噪声和干扰在两个次用户是近似相等的，即W1=W2。那么，优化方程如式(17)所示

3）阅读理解能力弱。每年的大学英语四六级考试中，那些做不完的阅读题，不尽人意的正确率，就是有力的证明。这些不尽人意的正确率中，还有不少是连猜带蒙，甚至盲选蒙对的。访谈之下，考生的理由为生词太多、文章太长、看不懂、烦躁、紧张、焦虑等方面。总而言之，即英语篇章理解有障碍。

(17)

(18)

pRe=pmax,Re=pT-pmax,1-pmax,2

(19)

假设用户具备中继放大因子的知识并且有它们自己的发射符号，可以从接收到的信号中去除自干扰。因此，在SU1和SU2的信号-干扰加噪声比(Signal-interference plus noise ratio，SINR)分别可以表示为

情况2：由于干扰开始超过限制的功率电平，中继端的发射功率被限制。由于中继端最靠近主用户PU，因此功率分配的优化问题可以表示为

情况3：由于干扰开始超过限制的功率电平，次级用户的发射功率被限制。可以发现，目标函数将会是一个中继端功率的单调递增函数，为了获得最佳的成功传递的比特率，中继端应该被分配最大可能的功率值。但会导致中继端的功率超过PU允许的干扰上限。因此，在这种情况下需要根据次用户SU1和SU2工作的最小发射功率pmin,1、pmin,2，得到中继端的最大发射功率为

 

(20)

 

(21)

 

(22)

3月27日，由中国水利企业协会灌排设备企业分会、内蒙古经济发展与研究促进会主办，灌溉网、中国农业机械化科学研究院呼和浩特分院等单位联合承办，以“技术创新，科学灌溉”为主题的2012内蒙古农业节水技术创新高峰论坛在内蒙古呼和浩特举办。与会代表为内蒙古节水农业发展建言献策，针对内蒙古农业用水灌溉技术和设备进行了交流和推广，在内蒙古水资源短缺环境下为该区农村经济发展寻找根本出路，提供技术支撑，为国内优秀灌溉企业与当地政府部门提供了互相沟通、互相学习的平台，共同推动内蒙古节水灌溉事业的发展。

pRe=pmax,Re=pT-pmin,1-pmin,2

(23)

情况4：由于干扰开始超过限制的功率电平，次级用户和中继端的发射功率都被限制。在这种情况下，成功传递位的总速率收敛到一定的水平，这意味着增加总功率是没有意义的，因此，此时的最优功率分配方案为

辣椒干燥后品质检验按照国家行业标准[11]及相关文献[13]对其色泽、外形、气味等进行评分，采用综合加权评分法计分。由6人组成评分小组进行品质评价，取其平均分。辣椒品质评价方法如表1所示。

 

(24)

(25)

 

(26)

3 实验仿真结果分析

在本节中，我们将通过在主用户带电平干扰约束的情况下来评估所采用的双中继系统电源功率分配算法的性能结果，并与文献[10]中Li等提出的算法和文献[11]中Majidi等提出的算法进行对比分析。在实验过程中所有算法的仿真配置参数一致。

我们设置总功率在(0 dB，50 dB)之间变化，且中继端位于两个次级用户之间。路径损耗系数为α=4，其它的仿真参数设置如下：

W1=0.4，W2=0.6，WRe=0.7，g1=0.34，g2=0.40，gRe=0.50，pT=12，vT,1=2.0，vT,2=2.5。

组织和制度的构建一方面是为了推动智慧水务手段的顺利建设，但更重要的是为了保障建成后的各种手段的持续深入地使用。水务公司需要基于自身实际情况构建一套有效的标准化管理规范及体系来保障智慧水务的建设及应用。

图1显示了采用了干扰电平限制下的本文算法与对比算法在不同总功率时的中断概率，从图中可以看出随着总功率的增大故障概率在逐渐降低，当总功率较低时，导致了次用户接入信道效率不高，对通信产生了影响，通信的中断概率较大。而当总功率增加到30 dB之后，即使总功率再增加，3种算法的中断概率的降低速度也已达到平缓并接近于零。其中，本文算法在总功率在5 dB至30 dB这个区间变化时，中断概率的降低速度最快，因此当总功率逐渐增加时，本文算法可以更快地减小中断概率。

  

图1 不同总功率下的中断概率

图2显示了采用了干扰电平限制下的本文算法与对比算法在不同总功率时成功传递位的总速率。可以看出，随着总功率的增大，总速率在逐渐提升。其中，随着总功率的增大本文算法的总速率增加幅度最大，当总功率达到30 dB 后，本文算法的总速率的增加速度开始逐渐平缓，但已超过2.5 kbps/s，并最终达到3.5 kbps/s，而另外两种算法最终都不超过2.5 kbps/s，从对比情况可以看出，通过增加总功率本文算法的数据传递位的总速率增加更快，数据传递速度相比另外两种算法更快。

  

图2 不同总功率下的总速率

图3显示了在不同总功率下，本文算法与对比算法在信道利用效率上的对比情况。从图中可以看出，在总功率小于15 dB时，本文算法的信道利用效率较另外两种算法要小，而总功率当增加到超过15 dB时，本文算法的信道利用效率的增加幅度相比另外两种算法要大，说明本文算法更容易受到总功率变化的影响。但本文算法的信道利用效率可以达到95%以上，而另外两种算法均低于85%，说明在提高信道利用效率上本文算法具有更大的优势。

在本视频中，来自中国出生缺陷监测中心、全国妇幼卫生监测办公室的朱军教授强调，如果不加大防控力度，出生缺陷总量势必增加，并给出了数据来支持这一说法。

  

图3 不同总功率下的信道利用效率

4 结束语

本文提出一种基于最大速率和干扰电平约束的认知网络最优功率分配算法，通过建立单天线半双工方式的认知中继系统来分析主用户允许的最大干扰电平，通过分析次用户的中断通信概率和发射功率来提出成功传递位的最大化速率的目标函数，并结合建立的干扰电平与中继功率的线性约束组合方程式，采用KKT最优化条件来为中继节点分配最佳的功率。通过在实验中采用算法对比分析的方法，表明本文的方法在减少中断概率、提高总数据速率和信道利用效率上具有更好的效果。

参考文献：

[1]Maity S,Maji C.On optimal power allocation for minimizing interferene in relay assisted cognitive radio networks[C]//International Conference on Contemporary Computing and Informatics.IEEE,2015:1059-1064.

[2]Xie R,Yu FR,Ji H.Energy-efficient spectrum sharing and power allocation in cognitive radio femtocell networks[C]//INFOCOM,Proceedings IEEE,2012:1665-1673.

[3]Karaca M,Khalil K,Ekici E,et al.Optimal scheduling and power allocation in cooperate-to-join cognitive radio networks[J].IEEE/ACM Transactions on Networking,2013,21(6):1708-1721.

[4]Son K,Jung BC,Chong S,et al.Power allocation policies with full and partial inter-system channel state information for cognitive radio networks[J].Wireless Networks,2013,19(1):99-113.

[5]Tang L,Chen Q,Wang G,et al.Opportunistic power allocation strategies and fair subcarrier allocation in OFDM-based cognitive radio networks[J].Telecommunication Systems,2013,52(4):2071-2082.

[6]Yao H,Huang T,Zhao C,et al.Optimal power allocation in cognitive radio based machine-to-machine network[J].EURASIP Journal on Wireless Communications and Networking,2014,2014(1):1-9.

[7]LIU Xin,ZHONG Weizhi,KONG Fanqiang,et al.Multi channel cognitive radio spectrum sensing user and power allocation[J].Journal of South China University of Technology(Natural Science Edition,2014,42(1):52-57(in Chinese).[刘鑫,仲伟志,孔繁锵,等.多信道认知无线电频谱感知次用户和功率分配[J].华南理工大学学报(自然科学版),2014,42(1):52-57.]

[8]LUO Ronghua,YANG Zhen.Power allocation in cognitive networks based on optimal relay selection[J].Chinese Journal of Scientific Instrument,2012,33(9):1931-1937(in Chinese).[罗荣华,杨震.基于最佳中继选择的认知网络功率分配[J].仪器仪表学报,2012,33(9):1931-1937.]

[9]LU Luxi,JIANG Wei,XIANG Haige,et al.Two way relaying scheme for cognitive radio with low signal to noise ratio and its optimal power and time slot assignment[J].Acta Electro-nica Sinica,2012,40(1):35-39(in Chinese).[陆路希,蒋伟,项海格,等.适应低信干噪比的认知无线电双向中继方案及其最优功率和时隙分配[J].电子学报,2012,40(1):35-39.]

[10]Li L,Khan F,Pesavento M,et al.Sequential search based power allocation and beamforming design in overlay cognitive radio networks[J].Signal Processing,2014,97(4):221-231.

[11]Majidi M,Mohammadi A,Abdipour A.Analysis of the power amplifier nonlinearity on the power allocation in cognitive radio networks[J].Journal of Sensors,2014,62(2):467-477.

[12]Song M,Kim Y,Park E,et al.Rate adaptation and power allocation for cognitive radio networks with HARQ-based primary system[J].Journal of Networks,2014,62(4):1178-1187.

[13]Kim KJ,Duong TQ,Poor HV.Performance analysis of cyclic prefixed single-carrier cognitive amplify-and-forward relay systems[J].IEEE Transactions on Wireless Communications,2013,12(1):195-205.

[14]Xu D,Li Q.Minimum BER power allocation for OFDM-based cognitive radio networks[J].Ksii Transactions on Internet & Information Systems,2015,9(7):2338-2353.

[15]Zhou M,Zhao X.Energy-efficient power allocation algorithm in cognitive radio networks[J].Iet Communications,2016,10(17):2445-2451.

[16]Wang J,Zhang Z,Wu Q,et al.Outage analysis of cognitive relay networks with interference constraints in Nakagami-m channels[J].IEEE Wireless Communications Letters,2013,2(4):387-390.

[17]Zou J,Xiong H,Wang D,et al.Optimal power allocation for hybrid overlay/underlay spectrum sharing in multiband cognitive radio networks[J].IEEE Transactions on Vehicular Technology,2013,62(4):1827-1837.