2. 湖南师范大学 信息科学与工程学院, 长沙 410081
2. College of Information Science and Engineering, Hunan Normal University, Changsha 410081, P. R. China
由于射频(RF, radio frequency)能量收集(EH, energy harvesting)技术能够为能量受限网络提供几乎无限的能量供应,而无需定期对网络节点的蓄电装置进行充电或更换,因此近几年来能量收集认知中继网络(EH-CRNs, energy harvesting cognitive relay networks)引起了广泛关注[1-9]。不同于文献[1-5]中的研究采用主发送端(PT, primary transmitter)或者次发送端为次用户(SU, secondary user)提供能量的方式,文献[6]将一种新的专用信号塔(PB, power-beacon)引入到无线能量传输方式中。该方式一经提出就引起众多学者兴趣,并被引入EH-CRNs。文献[7]采用PB为衬底式(underlay)单向多跳EH-CRNs提供能量。文献[8]则采用分布式多PB和多个PT同时为单向两跳EH-CRNs中的SU提供能量。而文献[9]则引入了一个能从周边环境收集能量的绿色PB为次网络(SN, sencondary network)的认知传感器提供能量。
为了提升SN性能,协作中继协议作为能有效实现网络延伸覆盖、传输分集以及节电传输的关键技术而得到广泛研究[10-16]。在文献[10-13]中,基于单向中继节点的2种主动协作中继策略:机会中继选择(ORS, opportunistic relay selection)和部分中继选择(PRS, partial relay selection)被深入研究。为了在保持分集增益的同时能减少频谱效率的损失,单向中继逐步被双向中继取代。文献[14]提出了PN具有单个PT和主接收端(PR, primary receiver),SN具有多个双向中继节点的两跳CRNs,并推导出了在PT干扰情况下采用ORS策略的SN中断概率。文献[15]则研究了采用ORS策略的具有单个PR和多个SN全双工中继节点的两跳CRNs。而文献[16]则讨论了采用ORS策略的具有多个PR和多个SN中继节点的两跳认知双向协作中继系统。
近来,同时采用中继协作和PB辅助能量传输技术的EH-CRNs成为了研究热点[17-19]。文献[17]研究了采用ORS和PRS策略的具有单个窃听节点和多个单向中继节点的PB辅助两跳EH-CRNs。文献[18]则讨论了基于多个单向中继簇和多个PB辅助的多跳EH-CRNs。而文献[19]则提出了一个包含多个具有硬件损伤的SN单向中继节点和多个PR的多天线PB辅助能量传输两跳认知无线传感器网络。不同于以上研究中SN均采用单向中继节点,研究提出了包含多个SN双向中继节点和多个PR的PB辅助EH-CRNs,并推导出了在Rayleigh块衰落信道下采用ORS策略的SN中断概率的精确和渐近闭式解。
1 网络系统模型网络模型如图 1所示。PN由M个PR节点PRj,j∈{1, 2, …, M}组成。SN由A、B 2个源节点和N个中继节点Ri,i∈{1, 2, …, N}组成,每个节点均安装单天线,并采用半双工方式传输和接收信息。与文献[17, 18]类似,研究假设PT与SN的距离足够远,因此忽略PN对SN的干扰。SN采用衬底方式与PN共享频谱,即A和B利用SN的授权频谱,通过选定的中继节点采用译码转发(DF, Decode and forward)模式进行通信,忽略A和B之间的直连链路。安装了RF-EH装置的SN节点均从PB的控制信道RF信号中收集能量。PB的控制信道信号和SN节点间的信息传输信号工作在不同频段,不会相互干扰。网络采用独立Rayleigh块衰落信道,信道系数在一个时隙周期T内保持不变,而在不同时隙间独立变化[3]。hA, Ri、hB, Ri、hRi, A和hRi, B分别表示节点A、Ri、B之间链路的信道系数,fPB, A、fPB, Ri和fPB, B分别表示PB到节点A、Ri和B链路的信道系数,而gA, PRj、gRi, PRj和gB, PRj则分别表示节点A、Ri和B到PRj链路的信道系数。信道增益|hA, Ri|2、|hB, Ri|2、|hRi, A|2、|hRi, B|2、|fPB, A|2、|fPB, Ri|2、fPB, B|2、|gA, PRj|2、|gRi, PRj|2和|gB, PRj|2分别服从均值为1/λA, Ri、1/λB, Ri、1/λRi, A、1/λRi, B、1/βA、1/βRi、1/βB、1/ωA, PRj、1/ωRi, PRj和1/ωB, PRj的指数分布。例如λA, Ri=dA, Rim,其中dA, Ri为节点A到Ri的距离,m为路径损耗指数。为了简单起见,假设所有PR和R均分别紧绕2个不同的中心点布置[3]。因此,A(Ri、B)到M个PR的链路以及PB到N个R的链路信道增益分别独立同分布(IID, Independently and identically distributed),即ωA, PRj=ωA,ωRi, PRj=ωR,ωB, PRj=ωB和βRi=βR。同理,A、Ri、B之间链路的信道增益也分别IID,即λA, Ri=λA, R,λB, Ri=λB, R,λRi, A=λR, A和λRi, B=λR, B。
![]() |
图 1 网络系统模型 Fig. 1 Network system model |
网络系统模型采用时分广播(TDBC, time division broadcasting)协议,其时隙结构如图 2所示。在每个时隙T开始的前αT时段(α为EH比率,0 < α < 1),A、B和所有的中继节点同时从PB的RF信号中收集能量,随后的(1-α)T时段为数据传输(DT, Data transmission)阶段。在EH阶段,节点q,q∈{A, Ri, B}收集到的能量为
$ {E_{\rm{q}}} = \eta {P_{\rm{t}}}{\left| {{f_{{\rm{PB}},{\rm{q}}}}} \right|^2}\alpha T, $ | (1) |
![]() |
图 2 TDBC协议的时隙结构 Fig. 2 Time slot structure of TDBC protocol |
其中,0 < η < 1为能量转换效率,Pt为PB的发射功率,忽略节点q收集的噪声能量。假设各SN节点安装的大容量蓄电装置(如大电容)能将EH阶段收集的能量全部存储,同时由于蓄电装置存在漏电,其存储的能量会在时隙结束时被完全消耗掉[3]。
在衬底模式下,SN用户的发射功率必须始终满足PN对接收端干扰的要求。因此,节点q的发射功率为
$ {P_{\rm{q}}} = \min \left[ {\frac{{{E_{\rm{q}}}}}{{\left( {1 - \alpha } \right)T/3}},\frac{{{P_{\rm{I}}}}}{{\mathop {\max }\limits_{j = 1,2, \cdots ,M} {{\left| {{g_{{\rm{q,P}}{{\rm{R}}_j}}}} \right|}^2}}}} \right], $ | (2) |
其中,PI为干扰约束,即PR能容忍的最大干扰功率。
在DT阶段的前(1-α)T/3时段,节点A向所有的R传输数据;随后的(1-α)T/3时段,节点B向所有的R传输数据。在以上2个时段中,第i个中继Ri的瞬时接收端信噪比(SNR, Signal-noise ratio)可以分别表示为
$ \gamma_{\mathrm{A}, \mathrm{R}_{i}}=\min \left[\rho P_{\mathrm{t}} Z_{\mathrm{A}} / \sigma^{2}, P_{\mathrm{I}} /\left(Y_{\mathrm{A}} \sigma^{2}\right)\right] X_{\mathrm{A}, i}, $ | (3) |
$ \gamma_{\mathrm{B}, \mathrm{R}_{i}}=\min \left[\rho P_{\mathrm{t}} Z_{B} / \sigma^{2}, P_{\mathrm{I}} /\left(Y_{B} \sigma^{2}\right)\right] X_{B, i}, $ | (4) |
其中,σ2为接收端的加性复高斯白噪声方差, ρ=3αη/(1-α), XA, i=|hA, Ri|2, XB, i=|hB, Ri|2, YA=
$ \gamma_{R_{i}, \mathrm{A}}=\min \left[\rho P_{\mathrm{t}} Z_{R_{i}} / \sigma^{2}, P_{\mathrm{I}} /\left(Y_{R_{i}} \sigma^{2}\right)\right] X_{i, \mathrm{A}}, $ | (5) |
$ \gamma_{R_{i}, \mathrm{B}}=\min \left[\rho P_{\mathrm{t}} Z_{R_{i}} / \sigma^{2}, P_{\mathrm{I}} /\left(Y_{R_{i}} \sigma^{2}\right)\right] X_{i, \mathrm{B}}, $ | (6) |
其中,Xi, A=|hRi, A|2,Xi, B=|hRi, B|2,
为了提高传输质量和降低系统复杂度,采用ORS策略从集合
$ {i^*} = \arg \mathop {\max }\limits_{i = 1,2, \cdots ,{n_{{\rm{AB}}}}} {\mkern 1mu} {\gamma _{{R_i}}}, $ | (7) |
其中,nAB是集合
$ {\gamma _{{R_i}*}} = \mathop {\max }\limits_{i = 1,2, \cdots ,{n_{{\rm{AB}}}}} {\gamma _{{R_i}}} 。$ | (8) |
研究将推导出SN中断概率的精确闭式解,以便于对SN中断性能进行分析。注意到nA是一个离散随机变量。因此,事件|
$ \Pr \left\{ {\left| {{\mathbb{R}_{\text{A}}}} \right| = {n_{\text{A}}}} \right\} = \left( {\begin{array}{*{20}{c}} N \\ {{n_{\text{A}}}} \end{array}} \right)\Pr \left\{ {\bigcap\limits_{i \in {\mathbb{R}_{\text{A}}}} {\left( {{\gamma _{{\text{A}},{R_i}}} \geqslant {\gamma _{{\text{th}}}}} \right)} ,\bigcap\limits_{i \notin {\mathbb{R}_{\text{A}}}} {\left( {{\gamma _{{\text{A}},{R_i}}} < {\gamma _{{\text{th}}}}} \right)} } \right\}, $ | (9) |
因为A到PR(R)的链路信道增益为IID,所以式(9)可以写为
$ \Pr \left\{ {\left| {{\mathbb{R}_{\text{A}}}} \right| = {n_{\text{A}}}} \right\} = \left( {\begin{array}{*{20}{c}} N \\ {{n_{\text{A}}}} \end{array}} \right){\left[ {\Pr \left\{ {{\gamma _{{\text{A}},R_i}} \geqslant {\gamma _{{\text{th}}}}} \right\}} \right]^{n_{\text{A}}}}{\left[ {\Pr \left\{ {{\gamma _{{\text{A}},R_i}} < {\gamma _{{\text{th}}}}} \right\}} \right]^{N - n_{\text{A}}}}, $ | (10) |
其中,γth是中断SNR阈值,并且假设只要SN节点的接收端瞬时SNR不小于γth,该节点就能译码成功。
同理可得,事件|
$ \Pr \left\{ {\left| {{\mathbb{R}_{\text{A}}}} \right| = {n_{\text{A}}}} \right\} = \left( {\begin{array}{*{20}{c}} N \\ {{n_{\text{B}}}} \end{array}} \right){\left[ {\Pr \left\{ {{\gamma _{{\text{B}},R_i}} \geqslant {\gamma _{{\text{th}}}}} \right\}} \right]^{n_{\text{B}}}}{\left[ {\Pr \left\{ {{\gamma _{{\text{B}},R_i}} < {\gamma _{{\text{th}}}}} \right\}} \right]^{N - n_{\text{B}}}}。$ | (11) |
由于
$ {\mathbb{R}_{\text{A}}} = \left\{ {{R_1},{R_2}, \cdots ,{R_{n_{\text{AB}}}},{R_{n_{\text{AB}} + {\text{1}}}}, \cdots ,{R_{n_{\text{AB}} + t_{\text{A}}}}} \right\}, $ | (12) |
$ {\mathbb{R}_{\text{B}}} = \left\{ {{R_1},{R_2}, \cdots ,{R_{n_{\text{AB}}}},{R_{n_{\text{AB}} + t_{\text{A }}+ 1}}, \cdots ,{R_{n_{\text{AB}} + t_{\text{A}} + t_{\text{B}}}}} \right\}, $ | (13) |
其中,0≤tA≤N-nAB,0≤tB≤N-nAB-tA,tA是集合
依据全概率公式,SN中断概率Pout可以表示为
$ \begin{gathered} {P_{{\text{out}}}}\left( {{\gamma _{{\text{th}}}}} \right) = \sum\limits_{n_{\text{AB}} = 0}^N {\Pr \left\{ {\left| \mathbb{R} \right| = {n_{{\text{AB}}}}} \right\}\Pr \left\{ {{\gamma _{R_i * }} < {\gamma _{{\text{th}}}}} \right\}} = \hfill \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\sum\limits_{n_{\text{AB}} = 0}^N {\sum\limits_{t_{\text{A}} = {\text{0}}}^{N - n_{\text{AB}}} {\sum\limits_{t_{\text{B}} = {\text{0}}}^{N - n_{\text{AB}} - t_{\text{A}}} {\left( \begin{gathered} N \hfill \\ {n_{{\text{AB}}}} \hfill \\ \end{gathered} \right)\left( \begin{gathered} N - {n_{{\text{AB}}}} \hfill \\ {t_{\text{A}}} \hfill \\ \end{gathered} \right)\left( \begin{gathered} N - {n_{{\text{AB}}}} - {t_{\text{A}}} \hfill \\ {t_{\text{B}}} \hfill \\ \end{gathered} \right)} } } \times \hfill \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{\left[ {1 - {\vartheta _{{\text{A}},i}}\left( {{\gamma _{{\text{th}}}}} \right)} \right]^{n_{\text{AB}} + t_{\text{A}}}}{\left[ {{\vartheta _{A,i}}\left( {{\gamma _{{\text{th}}}}} \right)} \right]^{N - n_{\text{AB}} - t_{\text{A}}}} \times \hfill \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{\left[ {1 - {\vartheta _{{\text{B}},i}}\left( {{\gamma _{{\text{th}}}}} \right)} \right]^{n_{\text{AB}} + t_{\text{B}}}}{\left[ {{\vartheta _{B,i}}\left( {{\gamma _{{\text{th}}}}} \right)} \right]^{N - n_{\text{AB}} - t_{\text{B}}}} \times \hfill \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{\left[ {{\vartheta _{{\text{R}}i}}\left( {{\gamma _{{\text{th}}}}} \right)} \right]^{{n_{{\text{AB}}}}}}, \hfill \\ \end{gathered} $ | (14) |
其中,ϑA, i(γth)=Pr{γA, Ri < γth},ϑB, i(γth)=Pr{γB, Ri < γth}和ϑRi(γth)=Pr{γRi < γth}可以分别表示为
$ \vartheta_{\mathrm{A}, i}\left(\gamma_{\mathrm{th}}\right)=\operatorname{Pr}\left\{U_{\mathrm{A}} X_{\mathrm{A}, i}<\gamma_{\mathrm{th}}\right\}, $ | (15) |
$ \vartheta_{\mathrm{B}, i}\left(\gamma_{\mathrm{th}}\right)=\operatorname{Pr}\left\{U_{\mathrm{B}} X_{\mathrm{B}, i}<\gamma_{\mathrm{th}}\right\}, $ | (16) |
$ \vartheta_{R_{i}}\left(\gamma_{\mathrm{th}}\right)=1-\operatorname{Pr}\left\{U_{R_{i}} X_{i, \mathrm{A}}>\gamma_{\mathrm{th}}, U_{R_{i}} X_{i, \mathrm{B}}>\gamma_{\mathrm{th}}\right\}, $ | (17) |
其中,Uq=min[ρPtZq/σ2, PI/(Yqσ2)],q∈{A, Ri, B}。
注意到Yq是M个服从均值为1/ωq的指数分布独立随机变量的最大值,Yq的累积分布函数(CDF, cumulative distribution function)为
$ {F_{{Y_{\rm{q}}}}}\left( {{y_{\rm{q}}}} \right) = {\left( {1 - {e^{ - {\omega _{\rm{q}}}{y_{\rm{q}}}}}} \right)^M} = \sum\limits_{k = 0}^M {\left( \begin{array}{l} M\\ k \end{array} \right){{\left( { - 1} \right)}^k}{e^{ - k{\omega _q}{y_{\rm{q}}}}}} 。$ | (18) |
为了便于计算式(15)~式(17),先推导出Uq的CDF
$ \begin{array}{l} {F_{{U_{\rm{q}}}}}\left( {{u_{\rm{q}}}} \right) = 1 - \Pr \left\{ {{U_{\rm{q}}} > {u_{\rm{q}}}} \right\} = 1 - \Pr \left\{ {{Z_{\rm{q}}} > {u_{\rm{q}}}{\sigma ^2}/\left( {\rho {P_{\rm{t}}}} \right)} \right\}\Pr \left\{ {{Y_{\rm{q}}} < {P_{\rm{I}}}/\left( {{u_{\rm{q}}}{\sigma ^2}} \right)} \right\} = \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;1 - \sum\limits_{k = 0}^M {\left( \begin{array}{l} M\\ k \end{array} \right){{\left( { - 1} \right)}^k}{e^{ - {\beta _{\rm{q}}}{u_{\rm{q}}}{\sigma ^2}/\left( {\rho {P_{\rm{t}}}} \right) - k{\omega _{\rm{q}}}{P_{\rm{I}}}/\left( {{u_{\rm{q}}}{\sigma ^2}} \right)}}} 。\end{array} $ | (19) |
因此,式(15)~式(17)可以通过如下推导得出
$ \begin{array}{l} {\vartheta _{{\rm{A}},i}}\left( {{\gamma _{{\rm{th}}}}} \right) = \int_0^\infty {{F_{{U_{\rm{A}}}}}\left( {{\gamma _{{\rm{th}}}}/{x_{{\rm{A}},i}}} \right){\lambda _{{\rm{A}},{\rm{R}}}}{e^{ - {\lambda _{{\rm{A}},{\rm{R}}x{\rm{A}},i}}}}{\rm{d}}{x_{{\rm{A}},i}}} = \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;1 - \sum\limits_{k = 0}^M {\left( \begin{array}{l} M\\ k \end{array} \right){{\left( { - 1} \right)}^k}{\lambda _{{\rm{A}},{\rm{R}}}}} \int_0^\infty {{e^{ - {\beta _{\rm{A}}}{\gamma _{{\rm{th}}}}{\sigma ^2}/\left( {\rho {P_{\rm{t}}}{x_{{\rm{A}},i}}} \right) - \left[ {{\lambda _{{\rm{A}},{\rm{R}}}} + k{\omega _{\rm{A}}}{P_{\rm{I}}}/\left( {{\gamma _{{\rm{th}}}}{\sigma ^2}} \right)} \right]{x_{{\rm{A}},i}}}}{\rm{d}}{x_{{\rm{A}},i}}} , \end{array} $ | (20) |
根据公式(20),可以得到
$ \begin{array}{*{20}{c}} {{\vartheta _{{\rm{A}},i}}\left( {{\gamma _{{\rm{th}}}}} \right) = 1 - \sum\limits_{k = 0}^M {\left( \begin{array}{l} M\\ k \end{array} \right){{\left( { - 1} \right)}^k}} \sqrt {\frac{{4{\beta _{\rm{A}}}\lambda _{{\rm{A}},{\rm{R}}}^2\gamma _{{\rm{th}}}^2{\sigma ^4}}}{{\rho {P_{\rm{t}}}\left( {{\lambda _{{\rm{A}},{\rm{R}}}}{\gamma _{{\rm{th}}}}{\sigma ^2} + k{\omega _{\rm{A}}}{P_{\rm{I}}}} \right)}}} \times }\\ {{K_1}\left( {\sqrt {\frac{{4{\beta _{\rm{A}}}\left( {{\lambda _{{\rm{A}},{\rm{R}}}}{\gamma _{{\rm{th}}}}{\sigma ^2} + k{\omega _{\rm{A}}}{P_{\rm{I}}}} \right)}}{{\rho {P_{\rm{t}}}}}} } \right),} \end{array} $ | (21) |
其中,K1(·)为一阶第二类修正Bessel函数。
同理可得
$ \begin{array}{*{20}{c}} {{\vartheta _{{\rm{B}},i}}\left( {{\gamma _{{\rm{th}}}}} \right) = 1 - \sum\limits_{k = 0}^M {\left( \begin{array}{l} M\\ k \end{array} \right){{\left( { - 1} \right)}^k}\sqrt {\frac{{4{\beta _{\rm{B}}}\lambda _{{\rm{B}},R}^2\gamma _{{\rm{th}}}^2{\sigma ^4}}}{{\rho {P_{\rm{t}}}\left( {{\lambda _{{\rm{B}},R}}{\gamma _{{\rm{th}}}}{\sigma ^2} + k{\omega _{\rm{B}}}{P_{\rm{I}}}} \right)}}} } \times }\\ {{K_1}\left( {\sqrt {\frac{{4{\beta _{\rm{B}}}\left( {{\lambda _{{\rm{B}},R}}{\gamma _{{\rm{th}}}}{\sigma ^2} + k{\omega _{\rm{B}}}{P_{\rm{I}}}} \right)}}{{\rho {P_{\rm{t}}}}}} } \right) 。} \end{array} $ | (22) |
注意到γRi, A和γRi, B具有公共随机变量URi,使用条件概率公式,ϑRi(γth)可以表示为
$ \begin{array}{l} {\vartheta _{{R_i}}}\left( {{\gamma _{{\rm{th}}}}} \right) = 1 - \int_0^\infty {\Pr \left\{ {{U_{{R_i}}}{X_{i,{\rm{A}}}} > {\gamma _{{\rm{th}}}}\left| {{U_{{R_i}}}} \right.} \right\}\Pr \left\{ {{U_{{R_i}}}{X_{i,{\rm{B}}}} > {\gamma _{{\rm{th}}}}\left| {{U_{{R_i}}}} \right.} \right\}} {\rm{d}}{F_{{U_{{R_i}}}}}\left( {{u_{{R_i}}}} \right) = \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;1 - \int_0^\infty {{e^{ - \frac{{{\gamma _{{\rm{th}}}}\left( {{\lambda _{R,{\rm{A}}}} + {\lambda _{R,{\rm{B}}}}} \right)}}{{u{R_i}}}}}{\rm{d}}{F_{{U_{{R_i}}}}}\left( {{u_{{R_i}}}} \right)} = \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\int_0^\infty {\frac{{{\gamma _{{\rm{th}}}}\left( {{\lambda _{R,{\rm{A}}}} + {\lambda _{R,{\rm{B}}}}} \right)}}{{u_{{R_i}}^2}}{e^{ - \frac{{{\gamma _{{\rm{th}}}}\left( {{\lambda _{R,{\rm{A}}}} + {\lambda _{R,{\rm{B}}}}} \right)}}{{u{R_i}}}}}{F_{{U_{{R_i}}}}}\left( {{u_{{R_i}}}} \right){\rm{d}}{u_{{R_i}}}} = \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;1 - \sum\limits_{k = 0}^M {\left( \begin{array}{l} M\\ k \end{array} \right){{\left( { - 1} \right)}^k}} \int_0^\infty {\frac{{{\gamma _{{\rm{th}}}}\left( {{\lambda _{R,{\rm{A}}}} + {\lambda _{R,{\rm{B}}}}} \right)}}{{u_{{R_i}}^2}}{e^{ - \frac{{{\gamma _{{\rm{th}}}}\left( {{\lambda _{R,{\rm{A}}}} + {\lambda _{R,{\rm{B}}}}} \right){\sigma ^2} + {k_\omega }R{P_{\rm{I}}}}}{{u{R_i}{\sigma ^2}}} - \frac{{\beta Ru{R_i}{\sigma ^2}}}{{\rho {P_{\rm{t}}}}}}}{\rm{d}}{u_{{R_i}}}} , \end{array} $ | (23) |
可以得到
$ \begin{array}{*{20}{c}} {{\vartheta _{{R_i}}}\left( {{\gamma _{{\rm{th}}}}} \right) = 1 - \sum\limits_{k = 0}^M {\left( \begin{array}{l} M\\ k \end{array} \right){{\left( { - 1} \right)}^k}\sqrt {\frac{{4{\beta _R}\gamma _{{\rm{th}}}^2{{\left( {{\lambda _{R,{\rm{A}}}} + {\lambda _{R,{\rm{B}}}}} \right)}^2}{\sigma ^4}}}{{\rho {P_{\rm{t}}}\left[ {{\gamma _{{\rm{th}}}}\left( {{\lambda _{R,{\rm{A}}}} + {\lambda _{R,{\rm{B}}}}} \right){\sigma ^2} + k{\omega _R}{P_{\rm{I}}}} \right]}}} } \times }\\ {{K_1}\left( {\sqrt {\frac{{4\left[ {{\gamma _{{\rm{th}}}}\left( {{\lambda _{R,{\rm{A}}}} + {\lambda _{R,{\rm{B}}}}} \right){\sigma ^2} + k{\omega _R}{P_{\rm{I}}}} \right]{\beta _R}}}{{\rho {P_{\rm{t}}}}}} } \right)。} \end{array} $ | (24) |
将式(21),式(22)和式(24)带入式(14),就可得到SN精确中断概率Pout(γth)。
下面将分别推导SN在无干扰约束(Pt≪PI)和有干扰约束(Pt≫PI)条件下的渐近中断概率闭式解。在以上2种条件下,Pq,q∈{A, Ri, B}可以表示为
$ {P_{\rm{q}}} = \left\{ {\begin{array}{*{20}{c}} {\rho {P_{\rm{t}}}{Z_{\rm{q}}},}&{{P_{\rm{t}}} \ll {P_{\rm{I}}},}\\ {{P_{\rm{I}}}/{Y_{\rm{q}}},}&{{P_{\rm{t}}} \gg {P_{\rm{I}}}。} \end{array}} \right. $ | (25) |
当Pt≪PI时,式(3)~式(6)可以分别表示为γA, Ri∞=ρPtZAXA, i/σ2、γB, Ri∞=ρPtZBXB, i/σ2、γRi, A∞=ρPtZRiXi, A/σ2和γRi, B∞=ρPtZRiXi, B/σ2,则式(15)~式(17)可以分别计算为
$ \begin{array}{*{20}{c}} {\vartheta _{{\rm{A}},i}^\infty \left( {{\gamma _{{\rm{th}}}}} \right) = \Pr \left\{ {\rho {P_{\rm{t}}}{Z_{\rm{A}}}{X_{{\rm{A}},i}} < {\gamma _{{\rm{th}}}}} \right\} = 1 - {\gamma _{{\rm{A}},R}}\int_0^\infty {{e^{ - \frac{{\beta {\rm{A}}{\gamma _{{\rm{th}}}}{\sigma ^2}}}{{\rho {P_{\rm{t}}}x{\rm{A}},i}} - {\lambda _{{\rm{A}},R}}{x_{{\rm{A}},i}}}}{\rm{d}}{x_{{\rm{A}},i}}} = }\\ {1 - \sqrt {\frac{{4{\beta _{\rm{A}}}{\lambda _{{\rm{A}},R}}{\gamma _{{\rm{th}}}}{\sigma ^2}}}{{\rho {P_{\rm{t}}}}}} {K_1}\left( {\sqrt {\frac{{4{\beta _{\rm{A}}}{\lambda _{{\rm{A}},R}}{\gamma _{{\rm{th}}}}{\sigma ^2}}}{{\rho {P_{\rm{t}}}}}} } \right),} \end{array} $ | (26) |
同理可得
$ \vartheta _{{\rm{B}},i}^\infty \left( {{\gamma _{{\rm{th}}}}} \right) = 1 - \sqrt {\frac{{4{\beta _{\rm{B}}}{\lambda _{{\rm{B}},R}}{\gamma _{{\rm{th}}}}{\sigma ^2}}}{{\rho {P_{\rm{t}}}}}} {K_1}\left( {\sqrt {\frac{{4{\beta _{\rm{B}}}{\lambda _{{\rm{B}},R}}{\gamma _{{\rm{th}}}}{\sigma ^2}}}{{\rho {P_{\rm{t}}}}}} } \right)。$ | (27) |
注意到γRi, A∞和γRi, B∞具有公共随机变量ZRi,使用条件概率公式,ϑRi∞(γth)可以表示为
$ \begin{array}{l} \vartheta _{{R_i}}^\infty {\gamma _{{\rm{th}}}} = 1 - \int_0^\infty {\Pr \left\{ {{X_{i,{\rm{A}}}} > \frac{{{\gamma _{{\rm{th}}}}{\sigma ^2}}}{{\rho {P_{\rm{t}}}{Z_{{\rm{P}}_i}}}}\left| {{Z_{{\rm{P}}_i}}} \right.} \right\}\Pr \left\{ {{X_{i,{\rm{B}}}} > \frac{{{\gamma _{{\rm{th}}}}{\sigma ^2}}}{{\rho {P_{\rm{t}}}{Z_{R_i}}}}\left| {{Z_{{\rm{R}}_i}}} \right.} \right\}{\rm{d}}{F_{{Z_{{R_i}}}}}\left( {{z_{{R_i}}}} \right)} = \\ \;\;\;\;\;\;\;\;\;\;\;\;1 - {\beta _{\rm{R}}}\int_0^\infty {{e^{ - \frac{{\left( {{\lambda _{R,{\rm{A}}}} + {\lambda _{R,{\rm{B}}}}} \right){\gamma _{{\rm{th}}}}{\sigma ^2}}}{{\rho {P_{\rm{t}}}z{R_i}}} - {\beta _{R_zR_i}}}}{\rm{d}}{z_{{R_i}}}} = \\ \;\;\;\;\;\;\;\;\;\;\;\;1 - \sqrt {\frac{{4\left( {{\lambda _{R,{\rm{A}}}} + {\lambda _{R,{\rm{B}}}}} \right){\beta _R}{\gamma _{{\rm{th}}}}{\sigma ^2}}}{{\rho {P_{\rm{t}}}}}} {K_1}\left( {\sqrt {\frac{{4\left( {{\lambda _{R,{\rm{A}}}} + {\lambda _{R,{\rm{B}}}}} \right){\beta _R}{\gamma _{{\rm{th}}}}{\sigma ^2}}}{{\rho {P_{\rm{t}}}}}} } \right)。\end{array} $ | (28) |
将式(26)~式(28)带入式(14)中,可得到在无干扰约束条件下的SN渐近中断概率Pout∞(γth)。
2.3 有干扰约束的渐近分析当Pt≫PI时,式(3)~(6)可以分别表示为γA, Ri0=PIXA, i/(YAσ2)、γB, Ri0=PIXB, i/(YBσ2)、γRi, A0=PIXi, A/(YRiσ2)和γRi, B0=PIXi, B/(YRiσ2),则式(15)~(17)可以分别计算为
$ \begin{array}{l} \vartheta _{{\rm{A}},i}^0{\gamma _{{\rm{th}}}} = \Pr \left\{ {{Y_{\rm{A}}} > {P_{\rm{I}}}{X_{{\rm{A}},i}}/\left( {{\gamma _{{\rm{th}}}}{\sigma ^2}} \right)} \right\} = \\ \;\;\;\;\;\;\;\;\;\;\;\;1 - {\lambda _{A,{\rm{R}}}}\int_0^\infty {{{\left[ {1 - {e^{ - {\omega _{\rm{A}}}{P_{\rm{I}}}{x_{{\rm{A}},i}}/\left( {{\gamma _{{\rm{th}}}}{\sigma ^2}} \right)}}} \right]}^M}{e^{ - {\lambda _{{\rm{A}},R}}{x_{{\rm{A}},i}}}}{\rm{d}}{x_{{\rm{A}},i}}} , \end{array} $ | (29) |
ϑA, i0γth可以表示为
$ \vartheta _{{\rm{A}},i}^0{\gamma _{{\rm{th}}}} = 1 - \frac{{{\lambda _{{\rm{A}},R}}{\gamma _{{\rm{th}}}}{\sigma ^2}}}{{{\omega _{\rm{A}}}{P_{\rm{I}}}}}B\left( {\frac{{{\lambda _{{\rm{A}},R}}{\gamma _{{\rm{th}}}}{\sigma ^2}}}{{{\omega _{\rm{A}}}{P_{\rm{I}}}}},M + 1} \right), $ | (30) |
其中,B(·, ·)为Beta函数。
同理可得
$ \vartheta _{{\rm{B}},i}^0{\gamma _{{\rm{th}}}} = 1 - \frac{{{\lambda _{{\rm{B}},R}}{\gamma _{{\rm{th}}}}{\sigma ^2}}}{{{\omega _{\rm{B}}}{P_{\rm{I}}}}}B\left( {\frac{{{\lambda _{{\rm{B}},R}}{\gamma _{{\rm{th}}}}{\sigma ^2}}}{{{\omega _{\rm{B}}}{P_{\rm{I}}}}},M + 1} \right)。$ | (31) |
注意到γRi, A0和γRi, B0具有公共随机变量YRi,使用条件概率公式,ϑRi0γth可以表示为
$ \begin{array}{l} \vartheta _{{R_i}}^0{\gamma _{{\rm{th}}}} = 1 - \int_0^\infty {\Pr \left\{ {{X_{i,{\rm{A}}}} > \frac{{{Y_{{R_i}}}{\gamma _{{\rm{th}}}}{\sigma ^2}}}{{{P_{\rm{I}}}}}\left| {{Y_{{R_i}}}} \right.} \right\}\Pr \left\{ {{X_{i,{\rm{B}}}} > \frac{{{Y_{{R_i}}}{\gamma _{{\rm{th}}}}{\sigma ^2}}}{{{P_{\rm{I}}}}}\left| {{Y_{{R_i}}}} \right.} \right\}{\rm{d}}{F_{{Y_{{R_i}}}}}\left( {{y_{{R_i}}}} \right)} = \\ \;\;\;\;\;\;\;\;\;\;\;\;1 - \frac{{\left( {{\lambda _{R,{\rm{A}}}} + {\lambda _{R,{\rm{B}}}}} \right){\gamma _{{\rm{th}}}}{\sigma ^2}}}{{{P_{\rm{I}}}}}\int_0^\infty {{e^{ - \frac{{\left( {{\lambda _{R,{\rm{A}}}} + {\lambda _{R,{\rm{B}}}}} \right){\gamma _{{\rm{th}}}}{\sigma ^2}{y_{R_i}}}}{{{P_{\rm{I}}}}}}}{{\left( {1 - {e^{ - \omega {R_y}{R_i}}}} \right)}^M}{\rm{d}}{y_{R_i}}} = \\ \;\;\;\;\;\;\;\;\;\;\;\;1 - \frac{{\left( {{\lambda _{R,{\rm{A}}}} + {\lambda _{R,{\rm{B}}}}} \right){\gamma _{{\rm{th}}}}{\sigma ^2}}}{{{P_{\rm{I}}}{\omega _R}}}B\left( {\frac{{\left( {{\lambda _{R,{\rm{A}}}} + {\lambda _{R,{\rm{B}}}}} \right){\gamma _{{\rm{th}}}}{\sigma ^2}}}{{{P_{\rm{I}}}{\omega _R}}},M + 1} \right)。\end{array} $ | (32) |
将式(30)~式(32)带入式(14),可得到有干扰约束条件下的SN渐近中断概率Pout0(γth)。
3 仿真结果及分析为了使仿真更贴近于实际情况,针对构建的网络模型中采用Rayleigh块衰落信道的特点,将通过105次Monte Carlo仿真来验证理论分析的结果。2个源节点A和B,N个R以及M个PR的中心点分别位于X-Y平面(-0.5, 0)、(0.5, 0)、(0, 0)和(0, -1)等4点。图(3)~图(6)中PB位于X-Y平面(0, 1)。图(3)、图(6)和图(7)中N=3,M=3。图(3)~图(5)和图(7)中SN端到端(e2e, End-to-end)信道容量Re2e=0.5bit/s/Hz,中断阈值γth=21.5Re2e/(1-α)-1。路径损耗指数m=2.5。噪声方差σ2=1,Pt和PI均被σ2归一化。从图(3)~图(7)可以看出Monte Carlo仿真曲线与理论分析曲线完全重合,从而证明了理论推导的正确性。
图 3展示了η和PI取不同值时,Pout关于Pt的函数。从图 3可得以下结论:1)当η和PI取不同值时,所对应的中断概率曲线均随Pt的增大而单调递减并最终收敛于下限Pout0。2)当PI和Pt给定时,η越小中断概率越高。3)当η和Pt一定时,PI越大则中断概率越低。这是因为随着Pt或η值变大,SN节点能够收集到更多能量,从而使发射功率增大。当Pt变为较大值(如35 dB)时,SN节点发射功率受PI限制而不再提高,因此中断概率不再减小,并趋于饱和;且PI越大,PR能容忍的干扰功率也越大,中断概率就越小。4)当η、Pt和PI均给定时,Pout≥Pout∞。
![]() |
图 3 中断概率关于Pt的函数 Fig. 3 Outage probability as a function of Pt |
图 4说明了PR数量对SN中断概率的影响。假设:η=0.8,α=0.5,Pt=15 dB。从图 4可以看出:1)当PI < 16 dB时,增加PR数量将提高SN中断概率。这是因为随着PR数量增加,SN节点到PR节点的干扰链路具有较大信道增益的概率也会增大。根据式(2),较大的干扰链路信道增益将导致SN节点发射功率减小,从而增大SN中断概率。2)当PI大于某特定值(如16 dB)时,PR数量将不会对SN中断概率产生影响。
![]() |
图 4 多主用户接收端对SN性能的影响 Fig. 4 Effect of multiple primary receivers on SN's performance |
图 5表明了R数量N=1, 2, 3, 4时,α与Pout之间的关系。假设:M=3,η=0.8,Pt=15 dB和PI=20 dB。图 5结果表明:1)Pout与α之间不存在单调变化关系,随着α从0增加到1,不同N值对应的Pout均先逐步减小然后再逐渐增大,且α=0.5时Pout取得最小值,因此合理设置α值将有助于减小SN中断概率。2)当α值给定时,增加R数量将降低SN中断概率。这是因为N值的增加会产生更多的分集增益,从而提升SN中断性能。
![]() |
图 5 α和N对SN性能的影响 Fig. 5 Effect of α and N on SN's performance |
图 6表示了Re2e取不同值时,Pout与PI之间的关系。假设:η=0.8,α=0.5,Pt=15 dB。从图 6可发现:1)当PI值给定时,Pout随着Re2e值增大而增加。这是因为,γth随Re2e的增加而增大,根据式(14)可知,γth越大则Pout越小。2)当Re2e值给定时,Pout随着PI的增加而单调减小。当PI增加到一定程度(如20 dB)时,Pout不再继续减小并将趋于饱和。这是因为,随着PI增加,PN对SN的干扰约束限制会逐步放松,SN节点的发射功率将随之增大,并最终完全由其收集到的能量决定。
![]() |
图 6 端到端信道容量对SN性能的影响 Fig. 6 Effect of e2e channel capacity on SN's performance |
图 7则表示了PB设置位置对SN中断概率的影响。当Pt、PI和η值给定时,随着PB设置位置逐步远离SN,由于信道衰减的原因,SN节点能够收集到的能量会逐渐越少,导致发射功率越来越低,SN中断概率也将随之增大。因此,将PB设置在尽量靠近SN的中部位置有助于提升SN中断性能[20]。
![]() |
图 7 PB设置位置对SN性能的影响 Fig. 7 Effect of PB's location on SN's performance |
研究了包含多个SN双向中继节点和多个PR的PB辅助EH-CRNs,并推导出了在Rayleigh块衰落信道下采用ORS策略的SN中断概率精确和渐近闭式解。结果表明:SN中断概率随着PB发射功率或干扰约束的增大而单调下降并最终趋于饱和;SN中断概率随着PB的远离而升高,当减小能量转换效率或增加PR数量将增大SN中断概率;增加中继数量和设置恰当的EH比率将有助于提升SN中断性能。
[1] |
Usman M, Koo I. Access strategy for hybrid underlay-overlay cognitive radios with energy harvesting[J]. IEEE Sensors Journal, 2014, 14(9): 3164-3173. DOI:10.1109/JSEN.2014.2324565 |
[2] |
Liu Y W, Mousavifar S A, Deng Y S, et al. Wireless energy harvesting in a cognitive relay network[J]. IEEE Transactions on Wireless Communications, 2016, 15(4): 2498-2508. DOI:10.1109/TWC.2015.2504520 |
[3] |
Wang Z H, Chen Z Y, Xia B, et al. Cognitive relay networks with energy harvesting and information transfer:design, analysis, and optimization[J]. IEEE Transactions on Wireless Communications, 2016, 15(4): 2562-2576. DOI:10.1109/TWC.2015.2504581 |
[4] |
Xu C, Zheng M, Liang W, et al. End-to-end throughput maximization for underlay multi-hop cognitive radio networks with RF energy harvesting[J]. IEEE Transactions on Wireless Communications, 2017, 16(6): 3561-3572. DOI:10.1109/TWC.2017.2684125 |
[5] |
Singh S, Modem S, Prakriya S. Optimization of cognitive two-way networks with energy harvesting relays[J]. IEEE Communications Letters, 2017, 21(6): 1381-1384. DOI:10.1109/LCOMM.2017.2666152 |
[6] |
Huang K B, Lau V K N. Enabling wireless power transfer in cellular networks:architecture, modeling and deployment[J]. IEEE Transactions on Wireless Communications, 2014, 13(2): 902-912. DOI:10.1109/TWC.2013.122313.130727 |
[7] |
Xu C, Zheng M, Liang W, et al. Outage performance of underlay multihop cognitive relay networks with energy harvesting[J]. IEEE Communications Letters, 2016, 20(6): 1148-1151. DOI:10.1109/LCOMM.2016.2547985 |
[8] |
Le N P. Outage probability analysis in power-beacon assisted energy harvesting cognitive relay wireless networks[J]. Wireless Communications and Mobile Computing, 2017, 2017: 1-15. |
[9] |
Khoshabi Nobar S, Adli Mehr K, Musevi Niya J, et al. Cognitive radio sensor network with green power beacon[J]. IEEE Sensors Journal, 2017, 17(5): 1549-1561. DOI:10.1109/JSEN.2017.2647878 |
[10] |
Tourki K, Yang H C, Alouini M S. Accurate outage analysis of incremental decode-and-forward opportunistic relaying[J]. IEEE Transactions on Wireless Communications, 2011, 10(4): 1021-1025. DOI:10.1109/TWC.2011.021611.100472 |
[11] |
Duy T T, Kong H Y. Performance analysis of incremental amplify-and-forward relaying protocols with nth best partial relay selection under interference constraint[J]. Wireless Personal Communications, 2013, 71(4): 2741-2757. DOI:10.1007/s11277-012-0968-9 |
[12] |
Sharma P K, Upadhyay P K. Cognitive relaying with transceiver hardware impairments under interference constraints[J]. IEEE Communications Letters, 2016, 20(4): 820-823. DOI:10.1109/LCOMM.2016.2533500 |
[13] |
Kandelusy O M, Andargoli S M H. Outage performance of decode-and-forward (DF)-based multiuser spectrum sharing relay system with direct link in the presence of primary users' power[J]. IET Communications, 2018, 12(3): 246-254. DOI:10.1049/iet-com.2017.0139 |
[14] |
Zhang X, Zhang Z H, Xing J, et al. Exact outage analysis in cognitive two-way relay networks with opportunistic relay selection under primary user's interference[J]. IEEE Transactions on Vehicular Technology, 2015, 64(6): 2502-2511. DOI:10.1109/TVT.2014.2346615 |
[15] |
Zhong B, Zhang Z S. Opportunistic two-way full-duplex relay selection in underlay cognitive networks[J]. IEEE Systems Journal, 2018, 12(1): 725-734. DOI:10.1109/JSYST.2016.2514601 |
[16] |
Toan H V, Quoc Bao V N, Nguyen-Le H. Cognitive two-way relay systems with multiple primary receivers:exact and asymptotic outage formulation[J]. IET Communications, 2017, 11(16): 2490-2497. DOI:10.1049/iet-com.2017.0400 |
[17] |
Yin C, Nguyen N P, Garcia-Palacios E, et al. Secure energy harvesting communications with relay selection over nakagami-m fading channels[J]. Mobile Networks and Applications, 2018, 23(6): 1555-1562. DOI:10.1007/s11036-017-0919-5 |
[18] |
Van N T, Do T N, Bao V N Q, et al. Performance analysis of wireless energy harvesting multihop cluster-based networks over nakagami-m fading channels[J]. IEEE Access, 2018, 6: 3068-3084. DOI:10.1109/ACCESS.2017.2787055 |
[19] |
Hieu T, Duy T, Dung L, et al. Performance evaluation of relay selection schemes in beacon-assisted dual-hop cognitive radio wireless sensor networks under impact of hardware noises[J]. Sensors, 2018, 18(6): 1843. DOI:10.3390/s18061843 |
[20] |
Gradshteyn I S, Rythik I M, Jeffrey A, et al. Table of Integrals, Series, and Products[M]. New York: Academic, 2007.
|