[论文解读] Cognitive Beamforming Made Practical: Effective Interference Channel and Learning-Throughput Tradeoff

Rui Zhang, Feifei Gao+1 more|ArXiv.org|Sep 12, 2008

Cognitive Radio Networks and Spectrum Sensing参考文献 20被引用 4

一句话总结

本文提出了一种适用于多天线认知无线电系统的实用认知波束成形（CB）方案，通过从观测到的主用户无线电（PR）信号中估计有效干扰信道（EIC），消除了对显式信道反馈的需求。该方法实现了机会空间共享（OSS），在干扰和功率约束下，其频谱效率高于传统的下行链路或频谱感知方法，并推导出最优的学习-吞吐量权衡，以在约束条件下最大化认知无线电（CR）吞吐量。

ABSTRACT

This paper studies the transmit strategy for a secondary link or the so-called cognitive radio (CR) link under opportunistic spectrum sharing with an existing primary radio (PR) link. It is assumed that the CR transmitter is equipped with multi-antennas, whereby transmit precoding and power control can be jointly deployed to balance between avoiding interference at the PR terminals and optimizing performance of the CR link. This operation is named as cognitive beamforming (CB). Unlike prior study on CB that assumes perfect knowledge of the channels over which the CR transmitter interferes with the PR terminals, this paper proposes a practical CB scheme utilizing a new idea of effective interference channel (EIC), which can be efficiently estimated at the CR transmitter from its observed PR signals. Somehow surprisingly, this paper shows that the learning-based CB scheme with the EIC improves the CR channel capacity against the conventional scheme even with the exact CR-to-PR channel knowledge, when the PR link is equipped with multi-antennas but only communicates over a subspace of the total available spatial dimensions. Moreover, this paper presents algorithms for the CR to estimate the EIC over a finite learning time. Due to channel estimation errors, the proposed CB scheme causes leakage interference at the PR terminals, which leads to an interesting learning-throughput tradeoff phenomenon for the CR, pertinent to its time allocation between channel learning and data transmission. This paper derives the optimal channel learning time to maximize the effective throughput of the CR link, subject to the CR transmit power constraint and the interference power constraints for the PR terminals.

研究动机与目标

• 为解决认知波束成形中完美CR到PR信道知识不切实际的问题，通过从观测到的PR信号中实现信道估计。
• 开发一种实用的认知无线电操作模型，允许通过空间复用与主用户同时传输。
• 表征并优化在信道估计误差和干扰约束下的学习-吞吐量权衡。
• 证明即使在PR链路使用多天线但仅在部分空间维度上运行时，基于学习的CB与EIC也优于传统CB，即使拥有完美信道知识。

提出的方法

• 引入有效干扰信道（EIC）的概念，该信道通过PR接收波束成形视角，建模CR发射机对PR接收机的总干扰。
• 利用时分双工（TDD）互易性，通过在PR传输时隙观测其信号，在CR发射机端估计EIC。
• 开发有限时间内的EIC估计算法，实现无需来自PR终端显式反馈的实际部署。
• 推导学习-吞吐量权衡的数学公式，建模CR在信道学习与数据传输之间的时间分配。
• 使用凸优化求解在CR发射功率和PR干扰功率约束下的最优波束成形预编码器与功率分配。
• 应用对偶理论与类似注水算法的解法，推导出在EIC干扰模型下最大化CR频谱效率的最优功率分配。

实验结果

研究问题

• RQ1 能否在不依赖主用户显式信道反馈的情况下，使认知波束成形变得实用？
• RQ2 通过从观测到的主用户信号学习有效干扰信道，是否能提升认知无线电的频谱效率，相比拥有完美信道知识的传统方案？
• RQ3 在干扰约束下，如何最优分配信道学习与数据传输的时间，以最大化认知无线电吞吐量？
• RQ4 主链路采用多天线操作如何影响基于学习的认知波束成形性能？
• RQ5 基于学习的方法是否能在频谱效率方面优于传统下的认知无线电与频谱感知模型？

主要发现

• 所提出的基于学习的认知波束成形与EIC估计，在CR到PR信道知识完美已知的情况下，其CR频谱效率仍高于传统CB，尤其在PR链路使用多天线但仅在部分空间维度上运行时表现更优。
• EIC估计方法实现了无需主用户反馈的实用认知波束成形，显著降低了系统开销。
• 推导出有限时间EIC估计算法，支持实际系统中可测量的信道估计误差。
• 正式表征了学习-吞吐量权衡，并推导出在功率与干扰约束下最大化有效CR吞吐量的最优学习时间。
• 证明最优波束成形解在总功率分配上为凹函数，支持通过高效凸优化实现实时部署。
• 推导出CR链路可实现速率的上界，该上界紧致，且依赖于有效干扰信道矩阵的最小特征值与CR到PR信道矩阵的最大特征值。