非完美csi下认知双向中继系统的鲁棒功率分配
双向中继信道的模拟网络编码最优功率分配
双向中继信道的模拟网络编码最优功率分配钟新毅;徐友云;许魁;孙新建;夏晓晨【期刊名称】《信号处理》【年(卷),期】2014(000)008【摘要】在双向信息非对称条件下，研究了基于模拟网络编码的双向中继信道中的最优功率分配问题。
分别给出了中断概率最小化、和速率最大化意义下的最优功率分配闭式数学表达式，并证明了两种约束下最优功率分配问题的统一性。
分析表明：现有的基于模拟网络编码的双向中继信道中的最优功率分配方法是本文提出方法在某些条件下的特例。
计算机仿真分析证明了提出的最优功率分配方法在中断概率和和速率性能方面均优于平均功率分配方法。
%In this paper,the optimal power allocation problem of two-way relay channel (TWRC)system with analog network coding (ANC)is discussed with asymmetric transmission requirements.The paper provides the closed-form ex-pressions for optimum power allocation in terms of minimum outage probability and maximum sum-rate respectively.It also shows that the two types of optimum power allocation schemes are exactly the same.The analysis indicates that some exist-ing optimal power allocation schemes of TWRC with ANC are special cases of the proposed scheme.Moreover,simulation results show that the achievable outage probability and sum-rate performance of the proposed unified optimum power alloca-tion scheme outperforms that of the uniform power allocation scheme.【总页数】7页(P867-873)【作者】钟新毅;徐友云;许魁;孙新建;夏晓晨【作者单位】解放军理工大学通信工程学院，南京210007;解放军理工大学通信工程学院，南京210007;解放军理工大学通信工程学院，南京210007;解放军理工大学通信工程学院，南京210007;解放军理工大学通信工程学院，南京210007【正文语种】中文【中图分类】TN929.5【相关文献】1.基于网络编码的双向中继系统节点选择及功率分配策略 [J], 楼思嘉;杨龙祥2.非对称双向中继信道中断概率分析与功率分配策略 [J], 国强;孙嘉遥;项建弘3.不对称双向中继信道中的再生双向中继选择及功率分配 [J],4.无线mesh网络中基于效用最优的联合信道分配和功率分配算法 [J], 黄鑫;冯穗力;柯峰;庄宏成5.不对称双向中继信道最优功率分配算法 [J], 叶志远;赵子岩;赵峰;倪鹏程;蒲强;黄犟因版权原因，仅展示原文概要，查看原文内容请购买。
认知中继网络功率分配的优化算法
认知中继网络功率分配的优化算法郭黎利;王百灵;藤井;威生【期刊名称】《自动化技术与应用》【年(卷),期】2012(031)003【摘要】In this paper, an adaptive power allocation algorithm is investigated to maximize cognitive radio relay network capacity in a cooperative relay scheme. Combination of transmission power constraint and interference constraint is considered to optimize cognitive radio relay network capacity in AF (amplify-and-forward) and DF (decode-and-forward) relay schemes. By non-convex and convex optimization method, optimal power solution can be derived. Simulation results show that optimal power allocation algorithm proposed maximize cognitive radio relay network capacity.%本文研究了认知中继网络的功率分配策略.在基于AF(amplify-and-forward)和DF(decode-and-forward)中继模式下,考虑认知用户传输功率受限以及主用户干扰容限等因素,建立了认知中继网络吞吐量的非凸函数和凸函数优化模型;并利用拉格朗日乘子得到最优解.仿真结果表明,所提算法在认知用户传输功率受限以及主用户干扰容限下优化了认知中继网络的吞吐量.【总页数】5页(P40-43,54)【作者】郭黎利;王百灵;藤井;威生【作者单位】哈尔滨工程大学,黑龙江哈尔滨150001;哈尔滨工程大学,黑龙江哈尔滨150001;;电气通信大学,东京082-8585【正文语种】中文【中图分类】TN925【相关文献】1.认知双向中继网络中的联合功率分配及自适应中继算法 [J], 罗荣华;雷俊;陈正宇;杨华2.认知双向中继网络的功率分配优化算法研究 [J], 洪浩;张焱;肖立民;王京3.基于长延时信道的水下传感器网络中继选择及功率分配优化算法 [J], 刘自鑫;金志刚;苏毅珊;李云4.认知中继网络中的功率分配算法 [J], 唐小岚; 杨科; 吴雪雯; 朱卫平; 吴晓欢5.认知无线网络中基于能量采集的单向中继选择与功率分配方案 [J], 李丽;曾凡仔;徐纪胜因版权原因，仅展示原文概要，查看原文内容请购买。
精细调控人工智能系统中灵活性和鲁棒性之间关系研究
精细调控人工智能系统中灵活性和鲁棒性之间关系研究人工智能（Artificial Intelligence，AI）已经成为现代社会皆有的关键技术之一，它的出现和发展对于我们的生活和工作产生了深远的影响。
然而，随着AI的应用场景越来越广泛，人们对于AI系统在面对特定任务时能否灵活地适应和具备鲁棒性的需求也越来越迫切。
灵活性（flexibility）是指AI系统在面对多样、复杂任务时能够动态调整其输入、输出和处理过程的能力。
鲁棒性（robustness）则指系统能够在面对噪声、异常情况或攻击时仍能保持高效和准确的能力。
在人工智能系统中，灵活性和鲁棒性往往是紧密相关的，并且在大多数情况下都是互相制约的关系。
灵活性和鲁棒性之间的关系取决于AI系统的设计和算法，以及数据的质量和多样性。
优秀的AI系统应该在不同的任务和环境下都能展现出灵活性和鲁棒性，并且能够根据任务的需求自动优化和调整。
在实际应用中，我们通常可以通过以下几个方面来提升AI系统的灵活性和鲁棒性：1. 多样性数据训练：AI系统需要依赖大量的数据进行训练，而且这些数据应该具有多样性。
通过使用不同类型、来源、角度的数据，可以使AI系统具备更强的适应性和泛化能力。
同时，为了提高鲁棒性，还需要在训练过程中引入一定的噪声和干扰，以模拟实际应用中的不确定性和变化。
2. 强化学习和自适应算法：强化学习是一种基于奖励机制的学习方法，能够使AI系统通过多次试错和反馈来不断优化策略。
通过引入强化学习和自适应算法，可以使AI系统在实时环境中实现动态调整和优化，从而提高系统的灵活性和鲁棒性。
3. 模型的解释和可解释性：AI系统应该具备一定的解释能力，能够清晰地解释其决策和推理过程。
这样不仅可以提高系统的可信度和可靠性，也可以为系统的改进和调整提供依据。
同时，解释性也有助于用户理解和接受AI系统的决策，从而提高系统的可接受性和可用性。
4. 算法的优化和创新：为了提高AI系统的灵活性和鲁棒性，研究人员需要不断推动算法的优化和创新，并且将新的技术和方法应用到实际系统中。
基于LMI的Lipschitz非线性不确定系统的鲁棒控制
等 ： ［ Ｔ ］ ｌ ］ 式 Ｆ 足 式Ｓ ｓ ， ｌ ：［ ＜ 中 满 ＋— ￡ ： ０ ｌ ＤＲ Ｅ 。
ＦｒｔＦ（） （ ） ｔ ≤Ｒｌ ３ 】 。
在常数 ＞ ， ＞ 使 ｌ Ａ ｌ ｘ，ｌ ｌ ａ 函数 ０ Ｏ ｌ ≤／ Ｉ △ ｌ △ ｌ ≤Ｐ ；
ｆｘ，） 非 线 性 光 滑 向量 函数 且 满 足 Ｌｐｃｉ 条 件 ： （ ｔ是 ｉｓｈｔ ｚ Ｉ（ ｔ 一 Ｉ ） ｆ ｔ Ｉ Ｉ 一 ， 任意 ｔ ）＿ ≤ Ｉ ｚｌ对 － ｌ ∈Ｒ成立 ， 其 中 为 Ｌｐｅｉ 常数 。 ｉｓｈｔ ｚ 根据 全维 观测 器设计方 法 观测器 设计 如下
王￡＝ ｆ＋ ｕｔ＋ （ ｔ＋ （（ 一 ｆ） （） Ａ （） Ｂ （） ， ） Ｇｊ ｃ （） ， ，）
（） （） ＝ ￡ （） ２
式 中：为估计状态 ；为系统输出估计值 ； Ｇ为观测增 益 矩 阵。 设 状态 反馈控 制器 为
Ｕ ｔ ＝ＩＣｔ （） Ｃ （） Ｓ （） ３
假 设 １ 对 于系统 状态参数 的不确定 时变矩 阵
Ｚ 满足 ｋ ４，
［４， ］ ＤＦ（） １ ］ ｚ ＝ ｔ ， ２
式中： Ｅ ， 已知适 当维数实常值矩阵。 （） Ｄ， 是 Ｅ Ｆ 为由 Ｌｂｓｕ 可测 函数构 成 的未知 矩阵 ， 足 Ｆｒ ） ≤ ｅｅｇｅ 满 （ Ｆ（） Ｊ 这里 Ｊ 是适当维数的单位矩阵。
第２ ９卷
第 ６期
中 国 民 航 大 学 学 报
Ｊ ＯＵＲＮＡＬ ＶＩ ＡＶＩ ＯＦ ＣＩ Ｌ ＡＴＩ ＯＮ ＵＮＩ ＶＥＲＳ ＴＹ Ｉ ＯＦ ＣＨＩ ＮＡ
Ｖｏ ． ９ １ Ｎｏ６ ２ ．
２１ ０ １年 １ ２月
Ｄｅ ｅ ｅ ２ ｅ ｍｂ ｒ ０１ １
认知网络中非完美CSI下的鲁棒功率分配研究的开题报告
认知网络中非完美CSI下的鲁棒功率分配研究的开题报告一、研究背景随着5G通信技术的发展，多用户多天线多输入多输出（MIMO）技术在通信中的应用越来越广泛。
在MIMO系统中，功率分配问题是一项重要的研究内容。
常见的功率分配方法包括最大比例传输（MRT）和最大适应性传输（MAT），在完美信道状态信息（CSI）下成为研究热点。
然而，在实际的通信系统中，CSI是有限的，并且受到各种误差的影响，如通道估计误差和量化误差。
因此，如何在非完美CSI的情况下进行功率分配是当前研究的热点之一。
二、研究目的本研究旨在探讨在非完美CSI的情况下，如何实现MIMO系统中的鲁棒功率分配。
具体研究目标如下：1. 基于非完美CSI的定义和概念，分析非完美CSI对功率分配的影响；2. 探讨鲁棒功率分配的设计思路和方法，并研究其性能优化问题；3. 根据理论分析，利用数学模型和仿真实验，验证鲁棒功率分配的有效性和可行性；4. 结合实际通信系统的要求，提出实际应用场景下的鲁棒功率分配算法。
三、研究内容本研究的主要研究内容包括：1. 非完美CSI对功率分配的影响分析。
根据通信系统的实际情况，定义非完美CSI，并从理论角度分析非完美CSI对功率分配的影响。
2. 鲁棒功率分配的设计思路和方法。
基于非完美CSI的影响，探讨鲁棒功率分配的设计思路和方法，研究其定位算法的实现。
3. 鲁棒功率分配性能优化问题。
结合通信系统的特点，从多个角度研究鲁棒功率分配的性能优化问题，如参数选取、迭代次数、收敛速度等。
4. 数学模型和仿真实验。
基于理论分析和设计思路，建立数学模型，开展仿真实验，验证鲁棒功率分配的有效性和可行性。
5. 实际应用场景下的鲁棒功率分配算法。
结合实际通信系统的要求，提出适用于不同场景的鲁棒功率分配算法，并进行性能测试和评估。
四、研究方法本研究采用的研究方法主要包括理论研究、数学建模和仿真实验。
具体方法如下：1. 理论研究。
分析非完美CSI对功率分配的影响，探讨鲁棒功率分配的设计思路和方法，并从理论角度研究其性能优化问题。
基于不完美CSI的低轨卫星通信系统鲁棒资源分配算法
基于不完美CSI的低轨卫星通信系统鲁棒资源分配算法
吴翠先;董燚恒;徐勇军;张海波;薛青
【期刊名称】《电子与信息学报》
【年(卷),期】2024(46)2
【摘要】为了解决低轨卫星通信系统因资源受限导致的能量与速率不平衡的问题,同时考虑信道不确定性对实际卫星通信系统性能衰退的影响,该文提出一种基于最大化最小能效的鲁棒资源分配算法。
首先,考虑每个用户中断速率约束、功率分配系数约束和最大发射功率约束,基于高斯信道不确定性,构建了联合优化卫星波束成形向量与功率分配因子的鲁棒资源分配模型。
所描述的问题是一个含参数摄动的非凸、非确定性多项式难问题,很难直接求解。
为此,基于丁克尔巴赫、伯恩斯坦不等式、半正定松弛和交替优化等方法将其转化为等价的凸优化问题,并提出一种基于迭代的混合鲁棒波束成形与功率分配算法。
仿真结果表明,该文算法具有较好的能效和较强的鲁棒性。
【总页数】9页(P671-679)
【作者】吴翠先;董燚恒;徐勇军;张海波;薛青
【作者单位】重庆邮电大学通信与信息工程学院;浙江省信息处理与通信网络重点实验室
【正文语种】中文
【中图分类】TN927.2
【相关文献】
1.高低轨频率共存卫星通信系统鲁棒波束成形算法研究
2.基于不完美CSI的D2D 通信网络鲁棒能效资源分配算法
3.面向Massive MIMO低轨卫星通信系统的鲁棒高效波束成形设计
4.基于星间协作的低轨卫星物联网鲁棒预编码设计
5.基于用户窃听的MU-MISO反向散射通信系统鲁棒资源分配算法
因版权原因，仅展示原文概要，查看原文内容请购买。
能量收集双向中继网络的高能效联合中继选择和功率分配算法
能量收集双向中继网络的高能效联合中继选择和功率分配算法丁长文;杨霖;李高祥【摘要】为了实现双向中继系统在满足传输速率要求时的最小功率消耗,基于功率分割中继协议,在完美和非完美的信道估计两种不同的情况下,提出了能量收集双向中继网络的高能效联合中继选择和功率分配算法,得到了两个信源的最优功率分配和中继节点最优的能量收集比例.仿真结果表明,信道估计误差会增加系统的功率消耗;与传统双向中继比较发现,能量收集双向中继能够实现更少的系统功率消耗.%To achieve the objective of minimizing the system transmit power consumption at required end-to-end rates,we propose the optimal energy-efficient relay selection and power allocation method for energy harvesting two-way relay network based on the power splitting-based relaying protocol when the system has perfect CSI and imperfect CSI,the optimal power allocation of two sources and optimal energy harvesting proportion at relays are formulated.Simulation results show that channel estimation error would increase the total transmit power consumption,and energy harvesting two-way relay network could achieve less power consumption compared to conventional two-way relay network.【期刊名称】《电子学报》【年(卷),期】2017(045)005【总页数】6页(P1124-1129)【关键词】双向中继网络;中继选择;功率分配;能量收集;信道估计误差【作者】丁长文;杨霖;李高祥【作者单位】电子科技大学通信抗干扰国家级重点实验室,四川成都 611731;中国电子科技集团公司第五十四所通信网信息传输与分发技术重点实验室,河北石家庄050081;电子科技大学通信抗干扰国家级重点实验室,四川成都 611731;中国电子科技集团公司第五十四所通信网信息传输与分发技术重点实验室,河北石家庄050081;电子科技大学通信抗干扰国家级重点实验室,四川成都 611731【正文语种】中文【中图分类】TN925协作通信通过建立一个虚拟的多天线输入输出(multiple input multiple output,MIMO)系统实现空间分集,成为近年来无线通信的研究热点[1,2].在协作通信系统中,中继节点用于帮助信源和信宿之间完成信息交流.然而,由于单向中继(one-way relay)系统一般采用半双工模式,所以通信双方需要四个时隙才能完成信息交流,降低了系统的频谱效率.为了弥补这部分频谱效率的损失,研究者先后提出了三个时隙的时分广播[3](time division broadcast,TDBC)模型和两个时隙的多址广播[4](multiple access broadcast,MABC)模型.在双向中继网络[5](two-way relay network,TWRN)中,第一个时隙,两个信源同时向中继发送信号,第二个时隙中继将处理过的信号同时转发给接收端.中继选择(relay selection,RS)和功率分配(power allocation,PA)是提高TWRN系统性能的两种主要方式.文献[6,7]基于瞬时信道信息提出了TWRN的机会中继选择算法,文献[8]基于两条链路的端到端信噪比提出了次优的最大最小中继选择算法.2010年,Veria Havary-Nassab等[9]根据三种不同的准则为TWRN设计了最优的波束成形参数,得到了信源和中继的最优功率分配方案.在此基础上,文献[10]根据其中的信噪比(signal-noise-ratios,SNRs)均衡准则提出了一种最优的联合中继选择和功率分配算法.文献[11]根据其中的最小总功率消耗准则设计了高能效功率选择和功率分配算法.然而,上述文献都只考虑了系统具有完美的信道信息的情况. 在TWRN中,完美信道估计可以彻底消除自干扰,但是实际应用中,信道估计误差总是存在的.文献[12,13]分析了TWRN中信道估计误差对于系统性能的影响,推导出了系统的中断概率和误码率公式.文献[14]研究了非完美信道估计下,解码转发(decode-and-forward,DF)TWRN的联合中继选择和功率分配算法.文献[15]提出了信道估计误差存在下,基于中断概率的放大转发(amplify-and-forward,AF)TWRN的中继选择算法.中继一般通过更换电池或充电补充能量等方式延长使用时间,但是在一些复杂环境中费用昂贵且极不方便.为了解决这一问题,研究人员提出了能量收集(energy harvesting,EH)技术,该技术利用了射频信号同时传输信息和能量的特性[16],中继可以通过收集周围空间的射频信号的能量进行信号处理,极大的延长中继的使用期.Kaya Tutuncuoglu等[17,18]研究了不同中继协议对于EH-TWRN总传输速率的影响,并给出了最优的中继协议选择方案.文献[19]为EH-TWRN设计两种中继协议,分别是基于时间切换中继协议(time switching-based relaying,TSR)和功率分割中继协议(power splitting-based relaying,PSR),其中PSR是指中继将一部分接收信号用于EH,另一部分用于信息检测(Information Detective,ID).文献[20]根据中断概率分析,提出了PSR EH-TWRN在完美信道估计下的联合中继选择和功率分配算法.本文研究了EH-TWRN满足系统传输速率要求时消耗的最少功率.在完美信道估计和非完美信道估计两种情况下,提出了EH-TWRN的高能效联合中继选择和功率分配算法.比较发现,EH-TWRN比传统TWRN能够减少2dBW的功率消耗.仿真结果表明,随着信道估计误差的增大,系统的功率消耗会越来越大；对称传输速率要求消耗功率比非对称传输速率要求要少.EH-TWRN由两个信源(S1,S2)和N个中继(Ri,i=1,2…N)构成,如图1所示.所有的通信节点只安装一根天线,信源之间由于信道质量太差只能通过中继进行信息交流,通信在两个时隙内完成.第一个时隙,两个信源S1和S2同时向中继发送信号,中继Ri接收到一个叠加信号；第二个时隙,Ri将放大的叠加信号转发给接收端.信源Sk(k=1,2)与中继Ri之间均是准静态衰落信道,分布分别满足).信源S1,S2与中继Ri处的高斯白噪声可以表示为和 n～CN(0,σ2).第一个时隙,信源Sk向中继发送信号为sk,中继接收到的信号可以表示为EH-TWRN的中继节点Ri不需要系统分配发送功率,它们通过收集射频信号的能量进行信号处理.基于[19]中的功率分割中继协议,在第一个时隙结束,中继将接收的叠加信号以ρi:1-ρi的比例分割成两个部分,其中一部分被能量收集接收器转换成能量,另一部分被信号处理接收器接收,如图2所示.能量收集接收器接收的信号为x1,i所以中继Ri用于转发信号的功率为余下信号用于中继转发给接收端,可以表示为x2,i第二个时隙,信源S1和S2接收到的信号为:若系统中的中继节点具有完全的信道信息,则信源可以完美的消除自干扰,即公式(5)中得第一项可以删去,则接收信号可以表示为y1=y2=不失一般地,我们可以假定=σ2.两个端到端信噪比表示为:实际应用中,信道估计误差总是存在的,根据文献[12～15],实际和估计信道信息可以建模为:信道误差存在时,信源S1和S2接收信号为:y1=为了简化计算,我们假定信道的估计误差分布是一致的,即.两条链路的端到端信噪比可以表示为公式(11),其中+p2η σ2.实际应用中,,σ2都非常小,显然ξ对系统的性能影响很小,可以舍弃,即信噪比公式可以简写为公式(12).其中.由香农定理可知,系统能够实现的端到端传输速率为minimize:p1+p2利用KKT条件,由公式(8)可得两个信源的发送功率为总的传输功率可以表示为P=p1+p2,将公式(15)代入,对其微分求极值,得到如下方程可以得到最优的能量收集比例利用KKT条件,由是式(12)可将两个信源的发送功率表示为:仿真过程中,本文考虑一个具有两个信源,中继数目N=6的EH-TWRN.噪声功率设为σ2=1,信道系数hi,gi是独立同分布的,系统的总传输速率2bps/Hz≤r≤6bps/Hz,两条链路的通信速率分别为r1,r2,且r= r1+r2.当系统的通信速率对称时,r1=r2；反之,当系统的通信速率非对称时,r1=2r2.图3 和图4分别研究了完美的信道估计和非完美的信道估计情况下,EH-TWRN的最优中继选择和功率分配算法与其他三种算法的比较,图中的信道估计误差为=0.005.情况1为本文提出的算法:最优功率分配,最优中继选择和最优能量收集比例；情况2:最优功率分配,随机中继选择和最优能量收集比例；情况3:最优功率分配,最优中继选择和固定能量收集比例；情况4:最优功率分配,随机中继选择和固定能量收集比例.其中固定能量收集比例为ρ0=0.5.从图3可以看出,系统具有完美的信道信息时,实现相同的总传输速率,情况1消耗的功率最少,分别比情况2,3,4少了0.6dBW,1.6dBW,2.1dBW左右；系统消耗的功率在两条链路的通信速率要求对称(r1=r2)时,比不对称的传输速率要求(r2=2r1)要少3dBW左右.从图4可以看出,系统存在信道估计误差时,满足相同的总传输速率,情况1消耗的功率最少,分别比情况2,3,4少了0.6dBW,2.1dBW,2.6dBW左右；系统消耗的功率在两条链路的通信速率要求对称时,比不对称的传输速率要求要少6dBW左右.图5分析了EH-TWRN和引文[11]中传统TWRN在不同的信道估计误差情况下的功率消耗比较.从图中可以看出,随着信道估计误差的增大,系统实现传输速率要求消耗的功率越来越多；且能量收集双向中继消耗功率要比传统双向中继少2dBW左右.基于绿色通信的理念,为实现最少功率消耗的目的,本文研究了EH-TWRN满足系统传输速率时的联合中继选择和功率分配算法,得到了具有完美和非完美信道信息时各个通信节点的最优中继分配表达式.仿真结果表明,本文提出的算法可以实现最少的系统功率消耗.与传统的TWRN比较,EH-TWRN不但有比传统的双向中继网络更长的使用周期,还能降低系统的功率消耗.研究表明,对称的通信速率要求消耗的系统功率比不对称通信速率要求要少；信道估计误差的存在使得EH-TWRN不能完全的消除自干扰,对系统的功耗有极大的影响,信道估计误差越大,系统满足传输速率要求所消耗的功率越多.丁长文男,1992年生于四川宣汉.电子科技大学通信抗干扰技术国家级重点实验室研究生.研究方向为双向中继网络的性能优化.杨霖男,1977年生于四川宜宾.电子科技大学通信抗干扰技术国家级重点实验室副教授.研究方向为无线与移动通信、现代通信中的信号处理.李高祥男,1993年生于山西临汾.电子科技大学通信抗干扰技术国家级重点实验室研究生.研究方向为中继通信.。
具有双重不确定性非线性系统输出反馈鲁棒控制
近年来 ， 些学 者 应 用 Ｔｓ模 糊 模 型 法 研究 参 一 — 数 不确 定性 、 系统 变 量受 约 束 等 非线 性 系 统 控 制 问 题 ¨ 。 述文献研 究 非 线 性 控 制 问题 时 都 考 虑 了 ４。上
有双重不确定性非线性 系统的鲁棒模糊控制器设计法。以倒立摆 系统为被控对 象， 仿真结果验证
了所设 计方 法 的有效性 。
关 键词 ：线性矩 阵不 等式 ； 鲁棒 控 制 ； ａａｉ ｕｅｏ 型 ； Ｔ ｋｇ— ｇｎ 模 Ｓ 并行 分 布补偿 方 法
中图分 类号 ： Ｐ ７ Ｔ ２３ 文 献标 志码 ： Ａ
１１ ６
具 有 双 重 不 确定 性 非 线 性 系统 输 出反馈 鲁 棒 控 制
李江 ， 富才 钱
（ 西安理工大学 自动化与信息工程学院 ，陕西 西安 ７ ０４ ） １０ ８
摘要： 对同时具有参数不确定性和随机干扰的非线性 系统 ， 通过扩展状态向量 ， 构造间接型输 出反
馈控 制 器 ， 用 Ｔｓ模糊 理论 、 性矩 阵不 等 式 （ ＭＩ技 术 和 并行 分 布 补偿 （ Ｄ 结构 ， 出 了具 运 — 线 Ｌ ） Ｐ Ｃ） 提
（ ａｕ ｙｏ ｕ ｍａｏ ｎ ｆｒ ｔ ｎＥ ｇ ｅｒ ｇ Ｘ’ ｎ ｅｓｙｏ ｅｈ ｏ ｇ ，Ｘ’ １０ ８ ｈｎ ） Ｆｃｈ ｆ ｔ ｔ ｎａｄＩ ｏ ｉ ｎ ｉ ｅ ｎ ， ｉｎＵ ｉ ｒｉ ｆ ｃｎｌ Ａ ｏ ｉ ｎ ｍａ ｏ ｎ ｉ ａ ｖ ｔ Ｔ ｏ ｙ ｉｎ７１ ４ ，Ｃ ｉ ａ ３ ａ
西 安 理 工 大 学 学 报 Ｊｕ ａ ｏ Ｘ ’ｌＵ ｉｅ ｉ ｆ ｅｈ ｏ ｇ（ ０ ２ ｏ ２ ｏ２ ｏｒ ｌ ｆ ｉａ ｎｖｒｔ ｏ ｃｎｌ ｙ ２ １ ）Ｖ １ ８Ｎ ． ｎ ｌ ｓｙ Ｔ ｏ ． 文 章 编 号 ： ０ ６４ １ （０２ ０ －１ １ ７ １０ － ０ ２ １ ） ２０ ６ － ７ ０
下垫式认知无线电网络的鲁棒功率分配算法
下垫式认知无线电网络的鲁棒功率分配算法王宏志;朱孟;周明月【摘要】针对认知无线电网络功率分配的参数扰动性问题,提出一种基于保护因子的认知无线电鲁棒功率分配算法.该算法根据实际系统信道参数的扰动性,对授权用户干扰功率阈值引入保护机制进行鲁棒规划,运用Lagrange对偶算法和凸优化相关理论得到最优功率分配,解决了下垫式(Underlay)模式下认知无线电网络信道参数扰动性问题.仿真结果表明,该算法具有较好的鲁棒性,降低了算法复杂度,并提高了认知无线电网络的系统容量.%In order to solve the problem of parameter perturbation of power allocation in cognitive radio networks,we proposed a robust power allocation algorithm based on protection factor for cognitive radio.According to the disturbance of the channel parameters in the actual system,the algorithm introduced the protection mechanism of the authorized user''s interference power threshold into robust programming,and then used the Lagrange dual algorithm and convex optimization theory to obtain the optimal power allocation.The algorithm could solve the problem of channel parameter perturbation in the underlay cognitive radio networks.The simulation results show that the proposed algorithm has good robustness,reduces the complexity of the algorithm and improves the system capacity of cognitive radio networks.【期刊名称】《吉林大学学报（理学版）》【年(卷),期】2017(055)003【总页数】6页(P641-646)【关键词】认知无线电;鲁棒优化;资源分配;容量最大化【作者】王宏志;朱孟;周明月【作者单位】长春工业大学计算机科学与工程学院,长春 130012;长春工业大学计算机科学与工程学院,长春 130012;长春工业大学计算机科学与工程学院,长春130012【正文语种】中文【中图分类】TP393;TN929.5随着高速数据通信技术的快速发展, 特别是物联网、移动互联网等新一代信息技术及服务的迅速兴起, 使不可再生的频谱资源变得越来越紧张. CR(cognitive radio)技术[1]能根据周围环境, 自适应地调整其工作参数, 从而更全面、灵活地提高频谱资源利用效率[2]. CR技术能有效利用空闲频谱和低利用率频谱, 从而可较大程度地提高无线频谱利用率. 在网络中, 接入的用户被分为授权用户和认知用户两类. 前者是指拥有用于通信的固定许可频谱的一类用户, 其对授权频谱的访问优先于后者.后者是指机会式接入授权频谱, 与前者共享频谱资源的一类用户, 但它们需要寻求频谱空穴或在不影响授权用户通讯服务质量的条件下与前者共享频谱资源, 以一种伺机的方式利用授权频谱完成数据信息的传输[3].功率控制是认知系统能实现共享频谱资源的核心技术, 在认知通信中具有减少干扰、弥补时变效应等重要作用. 通过合理调整认知用户发射机的工作功率, 可在不影响授权用户正常工作的条件下, 达到自身的服务质量需求. 当认知用户通过提高发射功率克服信道衰落影响时, 提高了传输功率或吞吐量的同时也给授权用户接收机带来较大干扰. 目前, 对该问题的研究大多数都是在假设信道参数和限制是完美的情况下进行的[4-5], 但该系统是一个高度动态的通信系统, 在实际应用中信道参数估计存在较大扰动. 由于信道参数存在扰动, 参数不确定性也是认知无线电功率分配过程必须考虑的因素, 因此妥善分配认知用户的发射功率达到认知用户的目标需求是亟待解决的问题[6]. 针对下垫式(Underlay)认知无线通信网络, Prasaeefard等[7]在认知用户与授权用户基站的信道增益及授权用户对认知用户基站的干扰存在不确定性假设的情况下, 利用真实值与理论值的有界距离对不确定性参数建模, 运用Worst-case鲁棒优化方法保证认知用户在所有不确定区域内对授权用户基站的干扰低于预先设定的门限阈值, 再运用Lagrange对偶分解算法得出最优功率分配; Setoodeh等[8]在认知系统中用鲁棒的优化分配方法研究信噪比估计不确定下的速率最大化问题, 假设每个子载波具有最大的干扰门限阈值, 然后应用变分不等式对不同不确定界下的纳什均衡特性进行数学分析, 提出了一种新的迭代注水功率分配机制.应对认知系统的信道状态不确定性, 鲁棒优化算法有其他算法无法比拟的优势. 本文以下垫式频谱共享方式下的多用户功率分配为研究对象, 根据认知系统需求建立目标函数, 对授权用户的干扰功率阈值引入一个保护因子, 进行鲁棒优化算法规划, 进而研究鲁棒功率分配算法在实际系统中的情况. 相对于传统的Worst-case鲁棒算法, 本文的算法提高了系统的吞吐量, 降低了算法的复杂度, 从而提升了频谱资源利用效率.考虑如图1所示的点对点(Ad-Hoc)分布式认知无线电系统架构[9], 它包括N个认知用户组成的认知网络和M个授权用户组成的授权网络, 并在每个分布式认知链路中包括一个传输节点和一个接收节点. 网络采用Underlay频谱共享方式, 合理调整参数实现系统容量的最大化, 提高有限授权频谱资源利用效率. 为进一步扩大分布式资源分配方法的应用范围, 本文在其中引入保护因子进行鲁棒算法优化, 提出一种保护因子的认知无线电鲁棒功率分配算法. 针对上述分布式认知无线电系统模型, 进而将问题规划为分布式功率控制问题.在满足授权用户的干扰功率阈值条件下, 认知用户可以与其共享同一频谱资源, 即满足其中： hi表示链路i上认知用户的传输机与授权用户接收机之间的信道增益； pi 表示链路i上认知用户的传输机工作功率； Ith表示授权用户所能承受的干扰功率阈值.为了保证认知系统能正常工作, 每个接入认知用户的工作功率应小于或等于门限阈值, 即满足其中表示链路i上认知用户发射机工作功率的上限值.认知用户i接收机的信噪比(signal to interference ratio plus noise, SINR)表示为其中： hij表示认知用户j的传输机到认知用户i接收机之间的信道增益； pj表示链路j上认知用户传输机的工作功率；表示认知用户i接收机的背景噪声.在满足限制条件(1)和(2)的情况下, 认知用户容量最大化的数学模型为问题(4)即为认知用户容量最大化目标函数的数学模型, 研究的问题转化为在满足C1和C2限制条件下实现目标函数的最大值问题. 针对问题(4), 可以利用Lagrange对偶算法以及凸优化相关理论获得最优发射功率[10].实际认知系统常受量化误差和信道增益评估差错的影响. 本文研究鲁棒资源分配, 避免发生通信中断, 实现系统的无缝通信. 一些鲁棒算法[11-12]也考虑了信道参数的扰动, 如Worst-case鲁棒算法考虑在最差情况下的鲁棒规划, 但认知用户不一定一直工作在最差的情况下. 可见, 该方法在实际系统中较保守, 未实现频谱资源的充分利用, 且在数学计算上复杂度也较高.本文提出一种计算复杂化程度较低的功率分配算法, 对存在扰动的认知无线电网络进行鲁棒规划. 信道增益hi存在扰动, 必会引起认知用户对授权用户的干扰功率发生变化, 甚至会超过干扰功率阈值. 为了保护授权用户的合法权益, 对授权用户的干扰功率阈值Ith增加一个保护因子ε. 该问题的功率分配模型转化为其中ε表示信道干扰功率阈值的保护因子(%). 信道参数扰动性越大, ε值越大. 该保护因子的引入, 不仅抢先保护了授权用户不受侵害, 达到了功率分配的鲁棒性, 且与传统的Worst-case鲁棒机制相比, 降低了算法的复杂度.问题(5)是一个凸优化问题, 运用Lagrange对偶算法可解决上述问题, 则目标Lagrange函数定义为其中ui,vi分别表示Lagrange函数的两个乘子. 更新函数如下：其中：α,β表示更新函数的两个步长; t表示更新函数的迭代次数. 目标函数的更新梯度S_ui和S_vi分别为根据上述论述与推导, 考虑KKT(karush kuhn tucker)条件[13], 通过可以获得用户i的最优发射功率. 认知用户i的最优解为利用式(12)可得到最优的功率控制解决方案, 在实际应用中, 系统需要广播参数μi(t+1), νi(t+1)和pi(t+1). 考虑基础设施的原因, 这样的系统可能不能实现, 或难以建立控制通道进行认知用户参数信息的交换, 因此, 本文利用授权用户固有的反馈信道建立分布式机制的认知无线电网络. 算法过程如下：1) 初始化变量2) 计算变量, 用式(1)计算认知用户产生的干扰值之和, 分别用式(9)和式(10)计算更新梯度S_μi,S_vi, 并分别代入式(7)和式(8)计算更新函数ui(t+1),νi(t+1), 用式(12)计算认知用户的最优发射功率3) 更新变量4) 如果迭代次数达到预先设定的次数或收敛到某个最优值, 则中断算法迭代; 否则, 转2).3.1 仿真参数设定采用仿真软件MATLAB进行仿真实验. 为了验证所提鲁棒优化算法的优越性以及数学计算的方便性, 仿真实验的Underlay认知无线电网络包括1个授权用户和3个认知用户. 授权用户允许的最大干扰功率阈值为0.18 mW, 本文鲁棒算法考虑扰动的4种情况下干扰功率阈值的保护因子ε分别设置为2%,8%,10%,12%, 3个认知用户功率的上限值分别设置为1.40,1.45,1.50 mW, 认知用户接收机的背景噪声变量σi分别设置为0.843,0.848,0.853 mW.3.2 仿真结果与分析仿真分析非鲁棒算法和本文鲁棒算法对授权用户产生干扰的性能比较如图2所示, 其中：纵坐标表示认知用户对授权用户产生的干扰之和；横坐标表示仿真迭代的次数. 本文算法保护因子分别选为2%和12%. 实验结果表明, 考虑扰动的本文算法能够保证授权用户的干扰门限约束, 而不考虑扰动的非鲁棒算法超过了授权用户所能允许的门限阈值. 本文鲁棒算法考虑到信道扰动的不确定性, 引入了干扰功率阈值的保护因子, 当信道参数存在扰动时, 调整保护因子可降低认知用户的工作功率. 当保护因子增大时, 认知用户对授权用户产生的干扰也会减少, 使得授权用户的权益不受侵害, 因此该算法具有一定的鲁棒性与优越性.图3为本文算法与非鲁棒算法信噪比、系统容量和最优发射功率的性能比较. 图3(A)和图3(C)中鲁棒算法的保护因子均为10%, 图3(B)中鲁棒算法保护因子考虑了8%,10%和12%三种情况. 由图3(A)和图3(B)可见, 由于鲁棒算法考虑了扰动情况, 该算法的信噪比和系统容量均略小于非鲁棒算法的相应指标. 图3(C)为两种算法所获得的最优发射功率. 虽然本文鲁棒算法的最优发射功率低于非鲁棒算法, 但该算法下3组认知用户的最优发射功率都分别满足各用户门限需求. 在相同环境下, 保护因子的加入使得认知用户发射功率减小以保证授权用户的干扰阈值约束. 从全局可见, 该方法牺牲了认知系统的最优性能(高吞吐量), 以保证认知用户在参数扰动情况下的用户服务质量.图4为保护因子与干扰功率之间的关系. 由图4可见, 认知用户对授权用户产生的干扰功率随保护因子的增大而减小. 系统扰动与保护因子成正比, 系统扰动越大, 为了保护授权用户的干扰功率阈值约束保护因子越大, 认知用户的工作功率值就会减小, 产生的干扰功率也会随之减小. 表明系统扰动性对认知用户的工作具有关键作用.为了验证本文算法的有效性, 将其与传统的Worst-case鲁棒功率分配算法[11-12]进行仿真对比, 如图5所示, 其中：纵坐标表示系统的总容量；横坐标表示系统的扰动. 仿真中主要关注采用不同方案下认知用户总容量的性能比较. 由图5可见, 在相同环境下, 本文算法的容量始终高于Worst-case鲁棒功率分配算法. Worst-case鲁棒算法是保证扰动在最差情况下系统都可以正常工作, 过于保守导致系统的性能弱于本文鲁棒算法.综上所述, 本文考虑了系统参数的扰动性, 对干扰功率阈值引入了保护因子进行鲁棒规划. 仿真实验表明, 该算法不仅能很好地保证认知用户的SINR需求, 而且可以实现系统的无缝通信. 在相同环境下, 与Worst-case鲁棒算法相比, 本文鲁棒算法可以实现更多的数据吞吐量, 并且算法复杂度较低.【相关文献】[1] Haykin S. Cognitive Radio: Brain-Empowered Wireless Communications [J]. IEEE Journal on Selected Areas in Communications, 2005, 23(2): 201-220.[2] CAO Lili, ZHENG Haitao. Distributed Rule-Regulated Spectrum Sharing [J]. IEEE Journal on Selected Areas in Communications, 2008, 26(1): 130-145.[3] WANG Tianyu, SONG Lingyang, HAN Zhu, et al. Distributed Cooperative Sensing in Cognitive Radio Networks: An Overlapping Coalition Formation Approach [J]. IEEE Transactions on Communications, 2014, 62(9): 3144-3160.[4] Ekin S, Agarwal T, Qaraqe K A. Capacity of Cognitive Radio Multiple-Access Channels in Dynamic Fading Environments [C]//2011 10th Interference Symposium on Signals, Circuits and Systems (ISSCS). Piscataway, NJ: IEEE, 2011: 1-4.[5] Hanif M F, Tran L N, Jumtti M, et al. On Linear Precoding Strategies for Secrecy RateMaximization in Multiuser Multiantenna Wireless Networks [J]. IEEE Transactions on Signal Processing, 2014, 62(14): 3536-3551.[6] 毛小矛, 余官定, 仇佩亮. 认知无线电中的用户合作通信 [J]. 浙江大学学报(工学版), 2009, 43(1): 111-115. (MAO Xiaomao, YU Guanding, CHOU Peiliang. User Cooperative Communication in Cognitive Radio [J]. Journal of Zhejiang University (Engineering Edition), 2009, 43(1): 111-115.)[7] Prasaeefard S, Sharafat A R. Robust Worst-Case Interference Control in Underlay Cognitive Radio Networks [J]. IEEE Transactions on Vehicular Technology, 2012, 61(8): 3731-3745.[8] Setoodeh P, Haykin S. Robust Transmit Power Control for Cognitive Radio [J]. Proceedings of the IEEE, 2009, 97(5): 915-939.[9] 荣玫, 朱世华, 李锋. 认知无线电网络基于F范数的频谱共享 [J]. 电子学报, 2011, 39(1): 95-100. (RONG Mei, ZHU Shihua, LI Feng. Spectrum Sharing in Cognitive Radio Networks Based on F Norm [J]. Journal of Electronics, 2011, 39(1): 95-100.)[10] XU Yongjun, ZHAO Xiaohui. Optimal Power Allocation for Multiuser Underlay Cognitive Radio Networks under QoS and Interference Temperature Constraints [J]. China Communications, 2013, 10(10): 91-100.[11] SUN Shunqiao, NI Weiming, ZHU Yu. Robust Power Control in Cognitive Radio Networks: A Distributed Way [C]//2011 IEEE Interference on Communications (ICC). Piscataway, NJ: IEEE, 2011: 1-6.[12] WANG Liang, SHENG Min, ZHANG Yan, et al. Robust Energy Efficiency Maximization in Cognitive Radio Networks: The Worst-Case Optimization Approach [J]. IEEE Transactions on Communications, 2015, 63(1): 51-65.[13] ZHOU Mingyue, ZHAO Xiaohui. A New Power Allocation Algorithm in Cognitive Radio Networks [J]. China Communications, 2014, 11(4): 64-72.。
考虑不确定性的分布式家庭并网光伏系统鲁棒优化能量调度
考虑不确定性的分布式家庭并网光伏系统鲁棒优化能量调度戴璐平;吴薇;黄蓓雯【摘要】The family grid-connected photovoltaic system is an important part of the solar energy industry planning and its energy optimization scheduling model is an important research topic. In the light of the uncertainty of photovoltaic output in the system, it is expressed in the form of interval. Taking the minimum cost of system operation as the objective function, while taking into account the necessary constraints of system such as power balance constraints and others, a basic energy optimization model of family grid-connected photovoltaic systems is established. A robust optimization framework is applied to transform the constraint condition containing uncertain variables in the basic energy optimization scheduling model into deterministic constraints, so as to establish a robust optimal energy scheduling model for family grid-connected photovoltaic systems. The improved firefly algorithm is used to solve the model. The simulation example shows that the system operation scheme obtained by proposed model has good robustness in the actual operation and is able to reduce the economic risk of the system.%分布式家庭并网光伏系统是太阳能产业规划的重要组成部分, 其能量优化调度模型是一项重要研究课题.针对系统中光伏出力的不确定性, 对其采取区间形式表示.以系统运行成本最小为目标, 计及系统功率平衡约束等多项必要约束条件, 建立分布式家庭并网光伏系统的能量优化基本模型.通过鲁棒优化框架将能量优化调度基本模型中含不确定变量的约束条件转化为确定性约束, 从而建立分布式家庭并网光伏系统鲁棒优化能量调度模型.采用改进萤火虫算法对所建立的模型进行求解.仿真算例表明, 所建立模型得到的系统运行方案能够在实际运行中具备良好的鲁棒性, 降低系统经济风险.【期刊名称】《电力系统保护与控制》【年(卷),期】2019(047)003【总页数】8页(P48-55)【关键词】分布式家庭并网光伏系统;不确定性;鲁棒优化;能量调度;萤火虫算法【作者】戴璐平;吴薇;黄蓓雯【作者单位】国网上海市电力公司客服中心,上海 200122;国网上海市电力公司客服中心,上海 200122;国网上海市电力公司客服中心,上海 200122【正文语种】中文分布式光伏发电作为一种新型的、具有广阔应用前景的发电和能源综合利用形式，倡导就近发电、就近并网、就近转换、就近使用的原则[1]。
在传输功率未知情况下的认知无线电鲁棒性定位
１
ｍ （ ［Ｂ ＝ Ｍ）ｄ ｍ］
』 １ ＝ｌ Ｖ ｊ
，
，
［Ｂ ｄ ｍ］
（） ４
其中，Ｒ Ｓ ， Ｓ ，是第 ｉ 个次级用户的第 ｊ 个样本 Ｒ Ｓ ， Ｓ 值 其单位为 ｄ ｍ， Ｂ 而 是该单元测
黄渊 凌译 自 ＜ Ｌ ＯＭ ２ ０ ＞ ＜ Ｃ ０ ７ ，曾锦 祥 校 ＭＩ ＞
４ ９
技 术译 文
３ ． １假定条件 我们 的方案是根据某些假 设条件提 出 的 ，系统模 型 的假 定条件如下 ：
・ 主 用户 的传输 功率未知 ；
・ 次级 用户的位置 已知 ； ・ 次级 用户可测量 主用 户的 Ｒ Ｓ值 ； Ｓ
３２传 播模型 ． 本文提 出的方法 采用 了传播模 型下 的 Ｒ Ｓ Ｓ ，故这 里先 阐述相 关的传播模型 。假 定待
估 算的主用户 或对象 的实际位置 为Ｉ，］第 ｉ 次级 用户 的坐标位置 为［ｉｙ］ｉ１ ． ， ｘＹ， 个 ｘ，ｉ， ， ＇ ＝２ Ｎ
Ｎ是接收主用户信号的次级用户的总数 目。 令 为主用户和第 ｉ 个次级用户之间的距离，
天线增益和天线高度等， 是路径损耗指数。 ２ ）对 数正态路径损 耗模型 ：我们 采用对 数正态 路径损 耗模型来处理 阴影效应
ｐ
＝ ＝
蒜 ６ ｌ， ． ‘ ）
‘ ， Ⅳ
（ ３ ）
其 中 ， Ｓ ＝１。 为对数正态 随机变 量 ， ｉ ０
３３测量模型 ．
是均值 为 ０ 、方差为 的高斯随机变量 。
本文提 出一种 鲁棒 性 的准确 估算方法 来获得 用户 的位 置及其传输 功率 。此前 已经有
无线通信物理层安全问题中一类鲁棒优化问题
2020年软 件2020, V ol. 41, No. 10基金项目: 国家自然科学基金(11771056)资助作者简介: 陈思琪(1996–)，女，研究生，主要研究方向：无线通信中的优化方法及应用。
无线通信物理层安全问题中一类鲁棒优化问题陈思琪（北京邮电大学 理学院，北京 100876）摘 要: 考虑无线通信的物理层安全模型，其中一对用户在有窃听者存在的条件下通过中继转发辅助进行通信。
我们将运用物理层安全技术，即设计中继的波束成形向量，在保证用户通信质量和确保窃听者不会窃听到有用信息的同时，极小化中继的总发送功率。
由于窃听者位置未知，用户与中继到窃听者的信道状态信息是不完全的，相应的优化问题是一个鲁棒优化问题。
本文首先对鲁棒约束进行放缩，松弛掉其中部分鲁棒参数。
通过S-引理、半定规划松弛等技巧，可以求得松弛以后的鲁棒优化问题的最优解。
数值实验证实，本文提出的模型和算法相比较已有工作，可以得到更低的中继发送总功率，算法的计算复杂度更低，算法更加高效。
关键词: 物理层安全通信；鲁棒优化；不完全信道状态信息；S-引理中图分类号: TN92 文献标识码: A DOI ：10.3969/j.issn.1003-6970.2020.10.013本文著录格式：陈思琪. 无线通信物理层安全问题中一类鲁棒优化问题[J]. 软件，2020，41（10）：50 54+65A Special Robust Optimization Problem in the Physical LayerSecurity of Wireless CommunicationCHEN Si-qi(Science of School, Beijing University of Posts and Telecommunications, Beijing 100876, China )【Abstract 】: A physical layer security model in wireless communications is considered. Two legitimate users communicate though sev-eral relays with the presence of eavesdropper. We jointly design the relay beamforming weights, to minimize the relay total transmit power while ensuring users’ quality of services and preventing the information being eavesdropped. Since the channel state information (CSI) from users and relays to the eavesdropper is imperfect, the problem is a robust optimization problem. We first relax the problem and reduce the number of robust parameters. Then we design an algorithm by using S-lemma, and solve the relaxed problem optimally. Simulation results indicate that the proposed algorithm achieves lower relay transmit power compared to the state of the art. It also en-joys lower computational cost. 【Key words 】: Physical layer security; Robust optimization; Imperfect CSI; S-lemma0 引言基于物理层的无线通信安全技术主要是通过运用波束成形或者添加人工噪声等方案[1-13]，来提升信息传输的安全性能。
认知双向中继系统鲁棒波束成形设计
认知双向中继系统鲁棒波束成形设计贾婷婷;刘旭;王士欣【期刊名称】《南京邮电大学学报（自然科学版）》【年(卷),期】2015(035)005【摘要】针对工作在TDD模式下的认知双向中继系统,文中研究了认知中继端鲁棒性波束成形技术.考虑到中继端无法准确估计与主用户接收端之间信道状态信息以及中继节点额定功率有限,文中提出了认知双向中继系统鲁棒波束成形算法,在满足认知用户接收端信干噪比和中继端总的发射功率限制以及每个中继节点发射功率限制的条件下,最小化对主用户的干扰.新算法通过引入半正定松弛方法将原问题转化为凸优化问题进行求解,可以在最差的情况下最小化对主用户的干扰.仿真表明,新算法可有效降低主用户接收端的干扰,并且与最优功率分配方法相比,单中继功率约束下的功率分配方法能够以很小的性能损失为代价保证了系统的正常工作.当信道估计信息存在一定误差时,算法依然有效.【总页数】6页(P74-79)【作者】贾婷婷;刘旭;王士欣【作者单位】南京邮电大学江苏省无线通信重点实验室,江苏南京210003;南京邮电大学江苏省无线通信重点实验室,江苏南京210003;南京邮电大学江苏省无线通信重点实验室,江苏南京210003【正文语种】中文【中图分类】TN925【相关文献】1.全双工双向无线供电中继系统最大化和速率波束成形设计 [J], 张美娟;王伟;张士兵;包志华2.能量受限全双工双向中继系统的波束成形设计 [J], 王伟;安立源;章国安;张士兵3.放大转发双向中继系统中降低总功率的波束成形设计 [J], 范章君;郭道省;张邦宁4.多天线中继系统中的鲁棒安全波束成形 [J], 张立健;金梁5.卫星通信下行链路鲁棒安全波束成形设计 [J], 顾晨伟;林志;林敏;解路瑶;欧阳键;黄硕因版权原因，仅展示原文概要，查看原文内容请购买。
非理想信道状态下两跳中继系统收发信机鲁棒联合优化设计
非理想信道状态下两跳中继系统收发信机鲁棒联合优化设计褚红发;李楠;喻丹;牛凯;吴伟陵【摘要】针对非理想信道状态信息下两跳中继多输入多输出(MIMO)系统,按照空间相关性进行了非理想MIMO信道建模,在此基础上提出了一种新的多节点联合优化设计该系统收发信机的算法.该算法基于估计信号的最小均方误差(MMSE)准则,把源节点预编码、中继节点预编码以及目的节点均衡算法结合起来进行三节点联合优化,提高了通信系统的可靠性.收敛性和复杂度的仿真分析表明,该三节点联合优化算法与传统的中继和目的节点两节点迭代联合优化算法相比较,误码率有1dB以上的增益,复杂度大致相当;如果该算法退化为两节点的话,虽然在性能上与文献给出的方法大致相当,但是复杂度可以降低30％左右.该算法复杂度的降低将会以占用存储资源为代价,因为在计算过程中很多矩阵会被重用,中间变量需要存储下来,但从综合衡量性能与复杂度的角度看,该方法具有一定程度的优势.【期刊名称】《高技术通讯》【年(卷),期】2014(024)011【总页数】7页(P1108-1114)【关键词】多输入多输出(MIMO);中继;信道状态信息(CSI);预编码;联合优化;迭代算法【作者】褚红发;李楠;喻丹;牛凯;吴伟陵【作者单位】北京邮电大学泛网无线通信教育部重点实验室北京100876;北京邮电大学泛网无线通信教育部重点实验室北京100876;北京邮电大学泛网无线通信教育部重点实验室北京100876;北京邮电大学泛网无线通信教育部重点实验室北京100876;北京邮电大学泛网无线通信教育部重点实验室北京100876【正文语种】中文在移动通信系统中，在基站和终端之间采用中继进行转发可以提高小区边缘用户的服务质量(QoS)，而且可以提高小区覆盖范围。
两跳中继网络是一种基本的中继网络，是协作通信的基础。
放大重传(amplify and forward, AF)协议是一种最简单的中继协议，利用该协议，在中继节点并不需要对接收的信号进行译码，仅仅对之进行模拟放大后进行转发。
认知无线电资源分配鲁棒算法
认知无线电资源分配鲁棒算法王宇飞;周明月【摘要】研究了认知无线电系统资源分配的鲁棒优化算法，可使标称系统免受数据不确定性影响，在保证授权认知用户自身发射功率约束以及干扰温度约束条件下，使系统容量最大化。
%A robust algorithm for cognitive radio resources allocation is study to protect the nominal system from influence of data uncertainty ,and maximize the system capacity under the conditions that the constraints of both transmit power and interference temperatures to the authorized users are ensured .【期刊名称】《长春工业大学学报（自然科学版）》【年(卷),期】2015(000)005【总页数】4页(P515-518)【关键词】认知无线电;鲁棒;资源分配;功率分配【作者】王宇飞;周明月【作者单位】吉林师范大学信息技术学院，吉林四平 136001;长春工业大学计算机科学与工程学院，吉林长春 130012【正文语种】中文【中图分类】TN929.50 引言随着无线通信技术和无线业务的快速发展与增长，频谱资源已经成为当今社会一种不可缺少的宝贵资源［1］。
频谱资源的有限性与对频谱需求之间矛盾的日益加剧，如何提高频谱的利用效率是各国从事无线通信领域研究工作者们面临的重大问题。
认知无线电技术作为一种动态的频谱共享技术和一种智能的自适应无线通信系统，通过频谱感知伺机接入频谱空穴或者与授权用户共享频谱，能够有效地提高频谱利用率，是解决上述矛盾的主要途径［2－3］。
鲁棒优化算法是认知无线电系统资源分配的主要算法之一，能够在参数摄动情况下维持系统原本的某些性能［4］，寻求最优的或可行的方案，使标称系统免受数据不确定性影响。
基于硬件损伤和非完美CSI的IRS辅助NOMA网络鲁棒传输算法
基于硬件损伤和非完美CSI的IRS辅助NOMA网络鲁棒传输算法刘期烈;方家成;辛雅楠;陈前斌【期刊名称】《物联网学报》【年(卷),期】2024(8)1【摘要】为提升非正交多址接入(NOMA,non-orthogonal multiple access)网络的鲁棒性并减少其能量消耗,考虑了收发器的硬件损伤(HWI,hardware impairment)和非完美的信道状态信息(CSI,channel state information),提出了智能反射面(IRS,intelligent reflecting surface)辅助的NOMA网络传输功率最小化算法。
考虑了用户服务质量(QoS,quality of service)约束、串行干扰消除约束以及IRS的反射相移约束,基于HWI和非完美CSI建立了基站主动波束成形和IRS被动波束成形联合优化问题模型。
为求解该非凸优化问题,首先利用线性近似和S-Procedure方法对QoS约束进行转换,然后将优化问题分解为两个子问题,并且利用逐次凸逼近(SCA,successive convex approximation)方法求解主动波束成形子问题,利用惩罚凸凹过程算法求解被动波束成形子问题,最后利用交替优化将子问题交替迭代得到最终解。
仿真结果表明,在传输功率方面,所提算法比正交多址鲁棒算法降低了17.05%;在系统鲁棒性方面,所提算法相较于HWI鲁棒算法和CSI鲁棒算法,分别提升了20.69%和31.14%。
【总页数】11页(P60-70)【作者】刘期烈;方家成;辛雅楠;陈前斌【作者单位】重庆邮电大学通信与信息工程学院【正文语种】中文【中图分类】TN92【相关文献】1.基于不完美CSI的异构NOMA网络能效优化算法2.基于不完美CSI的D2D通信网络鲁棒能效资源分配算法3.基于硬件损伤的异构网络鲁棒安全资源分配算法4.IRS辅助的NOMA无人机网络安全速率最大化算法5.硬件损伤下IRS辅助下行NOMA短包通信性能分析因版权原因，仅展示原文概要，查看原文内容请购买。
干扰条件下的星空协作认知网络鲁棒波束成形算法
干扰条件下的星空协作认知网络鲁棒波束成形算法王薇;孙士勇;王子宁;杜丹【期刊名称】《无线电工程》【年(卷),期】2022(52)11【摘要】针对无人机(Unmanned Aerial Vehicle,UAV)作为中继站辅助卫星通信构成的星空协作网络,提出了一种基于功率最小化准则的鲁棒波束成形(Beamforming,BF)算法。
考虑配置多根天线的UAV通过放大转发协议转发卫星信号的同时,采用认知无线电(Cognitive Radio,CR)技术与其自身用户进行通信,同时UAV接收到多个干扰信号的情况下,分别给出了各种用户的输出信干噪比(Signal-to-Interference-plus-Noise Ratio,SINR)表达式。
在所有用户的信道状态信息存在误差的条件下,建立了以满足所有用户服务质量(Quality-of-Service,QoS)需求为约束,UAV发射功率最小化为目标函数的优化问题。
考虑到该问题非凸,在数学上难以求解,于是提出了基于迫零(Zero-Forcing,ZF)和半正定规划相结合的求解方法,得到波束成形权矢量。
计算机仿真验证了所提算法的鲁棒性和有效性。
【总页数】7页(P1901-1907)【作者】王薇;孙士勇;王子宁;杜丹【作者单位】中国电子科技集团公司第五十四研究所;南京邮电大学通信与信息工程学院;陆军装备部驻石家庄地区第一军代室【正文语种】中文【中图分类】TN927【相关文献】1.认知双向中继系统鲁棒波束成形设计2.异构网络中协作多点鲁棒性波束成形设计3.下行链路广播信道能效优化鲁棒波束成形算法4.高低轨频率共存卫星通信系统鲁棒波束成形算法研究5.智能反射面辅助的星地融合网络鲁棒安全波束成形算法因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
非完美csi下认知双向中继系统的鲁棒功率分配
非完美CSI下认知双向中继系统的鲁棒功率分配
导言
在无线通信系统中，认知无线电技术已经被广泛应用。
认知双向中继系统是其中的重要应用之一，它能够提高系统的容量和覆盖范围。
然而，在现实世界的应用中，由于信道状态信息（CSI）的误差和不完美性，系统性能可能会受到严重影响。
对于非完美CSI下认知双向中继系统的鲁棒功率分配进行研究变得非常重要。
【主题文字：非完美CSI下认知双向中继系统的鲁棒功率分配】
1. 认知双向中继系统的基本原理
认知双向中继系统是一种通过中继节点实现主要用户之间的通信的技术。
它结合了认知无线电和中继技术，可以提高系统的容量和覆盖范围。
在认知双向中继系统中，中继节点充当一个中间节点，它既可以接收来自发射节点的信号，又可以转发给接收节点。
通过利用中继节点，系统可以克服主要用户之间的直接通信受限的问题。
2. 非完美CSI对认知双向中继系统性能的影响
在实际应用中，由于信道状态信息的误差和不完美性，认知双向中继系统的性能可能会受到损害。
非完美CSI可能会导致信号转发过程中的干扰增加，从而降低系统的容量和覆盖范围。
信道状态信息的不确定性也会使功率分配算法的性能下降。
3. 鲁棒功率分配算法的设计和实现
为了克服非完美CSI带来的问题，鲁棒功率分配算法被提出来改善系统的性能。
鲁棒功率分配算法通过优化功率分配策略来抵消非完美CSI 造成的影响。
具体来说，该算法通过优化发射节点和中继节点的功率分配比例，来最大化系统的容量和覆盖范围，并减小干扰对接收节点的影响。
【主题文字：鲁棒功率分配】
4. 对非完美CSI下认知双向中继系统的鲁棒功率分配的个人观点和理解
在我看来，非完美CSI下认知双向中继系统的鲁棒功率分配是一个非常具有挑战性的问题。
在实际应用中，由于对信道状态信息的准确性要求很高，非完美CSI是无法避免的。
如何有效地利用有限的CSI来
进行功率分配是非常关键的。
“鲁棒”这个词意味着算法的稳定性和适应性，在面对非完美CSI时能够保持性能的稳定和可靠。
设计鲁棒功率分配算法需要考虑到信道状态信息误差和不确定性，并通过合理的策略来克服这些问题。
总结
认知双向中继系统是一种能够提高系统容量和覆盖范围的重要技术。
然而，在非完美CSI下，系统的性能可能会受到严重影响。
为了克服这个问题，鲁棒功率分配算法被提出来应用于认知双向中继系统中。
该算法通过优化发射节点和中继节点的功率分配比例，来最大化系统的容量和覆盖范围，并减小非完美CSI对系统性能的影响。
在未来的研究中，我们应该进一步探讨鲁棒功率分配算法的优化和改进，以提高系统的性能和可靠性。
个人观点和理解：对于非完美CSI下认知双向中继系统的鲁棒功率分配，我认为在实际应用中，非完美CSI是无法避免的，因此鲁棒功率分配算法的设计至关重要。
这种算法需要考虑到信道状态信息的误差和不确定性，并通过合理的策略来优化功率分配，从而提高系统的性能和稳定性。
未来的研究应该集中在进一步改进和优化鲁棒功率分配算法，以满足实际应用中的要求，并提高系统的可靠性和性能。
参考文章：
1. Zyoud, A., Sherali, H. D., & Foukalas, F. (2016). Robust Power Allocation in Cognitive Cooperative Relay Networks With Imperfect CSI. IEEE Transactions on Vehicular Technology, 65(6), 4082–4094.
2. Jahangiri, R., Javanbakhsh, F., & Shokri-Ghadikolaei, H. (2014). Robust Resource Allocation in Underlay Cognitive Bidirectional Relay Networks with Non-ideal Channel State Information. IEEE Communications Letters, 18(8), 1427–1430.。