[论文解读] Training Optimization for Energy Harvesting Communication Systems

Yaming Luo, Jun Zhang+1 more|arXiv (Cornell University)|Jul 11, 2012

Energy Harvesting in Wireless Networks参考文献 8被引用 7

一句话总结

该论文提出了一种针对能量采集（EH）通信系统的自适应训练优化方法，通过联合优化训练功率与周期，基于瞬时或平均能量状态以最大化吞吐量。关键结果表明，在短块长情况下，训练优化至关重要；而在低移动性环境中，长块长时固定训练周期已足够。

ABSTRACT

Energy harvesting (EH) has recently emerged as an effective way to solve the lifetime challenge of wireless sensor networks, as it can continuously harvest energy from the environment. Unfortunately, it is challenging to guarantee a satisfactory short-term performance in EH communication systems because the harvested energy is sporadic. In this paper, we consider the channel training optimization problem in EH communication systems, i.e., how to obtain accurate channel state information to improve the communication performance. In contrast to conventional communication systems, the optimization of the training power and training period in EH communication systems is a coupled problem, which makes such optimization very challenging. We shall formulate the optimal training design problem for EH communication systems, and propose two solutions that adaptively adjust the training period and power based on either the instantaneous energy profile or the average energy harvesting rate. Numerical and simulation results will show that training optimization is important in EH communication systems. In particular, it will be shown that for short block lengths, training optimization is critical. In contrast, for long block lengths, the optimal training period is not too sensitive to the value of the block length nor to the energy profile. Therefore, a properly selected fixed training period value can be used.

研究动机与目标

• 解决由于能量供应间歇性和随机性导致的能量采集（EH）通信系统短期性能下降的挑战。
• 将EH系统中训练功率与周期的联合优化建模为一个耦合问题，与传统系统中二者解耦的情况不同。
• 设计实用的训练策略，根据瞬时能量状态或平均能量采集速率进行自适应调整，以最大化频谱效率。
• 评估自适应训练方案与固定训练方案之间的性能差距，特别是在不同块长和能量状态下的表现。

提出的方法

• 将训练优化问题建模为在能量因果性和块衰落信道约束下对吞吐量的联合最大化问题。
• 提出两种次优训练策略：一种基于瞬时能量状态（问题1），另一种仅使用平均能量采集速率（问题2）。
• 推导出第二种策略中训练功率与周期的闭式表达式，其仅依赖于平均EH速率和块长。
• 通过穷举搜索计算最优策略作为性能基准，并与固定训练方案（如Nt=1、固定Nt、固定比例）进行比较。
• 引入两个性能上限：一个假设在相同EH过程下具备完美信道状态信息（CSI），另一个针对非EH系统下最优训练的性能。
• 在1000次随机EH实现上进行蒙特卡洛仿真，能量到达服从泊松分布，平均信噪比（SNR）为1。

实验结果

研究问题

• RQ1 由于能量因果性约束，EH系统中训练功率与周期的联合优化与传统系统有何不同？
• RQ2 块长对EH系统中训练周期选择的最优性与敏感性有何影响？
• RQ3 固定训练周期能否实现近似最优性能，其适用条件是什么？
• RQ4 在不同EH状态和块长下，自适应训练策略与固定策略的性能表现如何比较？
• RQ5 仅使用平均能量采集速率而非瞬时能量状态，对训练性能的影响有多大？

主要发现

• 对于短块长（例如N < 1250），训练优化至关重要，此时固定训练策略（如Nt=1）与最优策略之间存在显著吞吐量差距。
• 对于长块长（例如N = 1250），最优训练周期对块长和能量状态的敏感性降低，使得固定训练周期可实现近似最优性能。
• 当N = 1250时，固定训练周期Nt = 30的吞吐量与最优值相差不足5%，且在Nt ∈ [8, 189]范围内，10%的性能容差内仍表现良好。
• 仅使用平均EH速率的次优策略（公式7）性能几乎与最优策略相当，且因反馈需求更低而更具实用性。
• 最优策略与次优解之间的性能差距较小，验证了所提自适应方案的实用性。
• 即使采用固定Nt，只要选择得当，其性能仍优于传统1时隙训练，尤其在低移动性环境中表现更优。