本发明涉及一种基于IRS的异构网络中干扰抑制方法，属于无线通信中的频谱资源分配技术领域。
背景技术
随着物联网(Internet of Things,IoT)技术的快速发展，虚拟现实、远程医疗、智慧家居、智能交通等各种新型智能业务的逐渐普及，无线网络对数据传输速率的要求也随之不断提高，无线通信技术面临着更多通信服务的挑战。传统通信中，系统的收发模块是一种相互对称的架构，具有独立射频链路，包含功率放大器和振荡器等高能耗元器件，用于射频信号的产生和接收。第五代移动通信(the fifth generation mobile communication,5G)网络设备大规模的接入使得无线传输过程功耗急剧增加，因此如何实现高速率低功耗数据传输将成为未来网络发展的关键。
智能反射面(intelligent reflecting surface，IRS)是一种由大量可重构无源元件组成的大规模天线阵列，其中每个元件都能够独立地使入射信号产生一定的相移，从而协同改变反射信号的传播。与通过放大和再生信号来辅助源-目的传输的放大转发(amplify-and-forward，AF)中继相比，IRS不使用发射模块，只是将接收到的信号反射为无源阵列，因此不消耗发射功率。此外，IRS主要用于提高现有的通信链路性能，而不是通过反射传递自身信息。反向散射通信中的直接路径信号属于干扰信号，一般需要在接收器上得到抑制或者消除，而在IRS增强通信中，直接路径和反射路径信号都携带有相同的有用信息，因此可以在接收器上相干叠加，从而最大限度地提高总接收功率。
IRS作为无源全双工元器件，不但能耗极低，而且全双工模式时其频谱效率较高，并且不存在自干扰，反射过程不进行信息干扰。由于IRS接受或者反射发送时不需要进行信息处理，提高了传输效率。与其他有源智能表面相比，具有成本低、功耗低、安装灵活等优势，对于未来的应急通信和军事通信等领域的应用具有重要的研究意义。
当前基于IRS辅助无线通信系统的研究处于刚起步阶段，其核心是利用具有可重构反射特性的IRS覆盖于地表、建筑物、无人机等处，通过调节反射波束最大限度提高接收信号增益，减少干扰。
技术实现要素：
本发明的目的在于针对权异构网络内NR-U(New Radio in Unlicensed)系统和WiFi系统之间的干扰所造成的噪声影响较大、信噪比数值较低的影响，提出了一种基于IRS的异构网络中干扰抑制方法，用于消除NR-U系统和WiFi系统之间的干扰，以实现两者之间的有效共存。
本发明的核心思想是：遍历系统所有用户，通过表述用户接收信号、信干噪比以及信号干扰参数建立优化模型；通过控制变量将目标优化问题进行拆分，使用迭代进行凸逼近求解；通过迭代交替求取单变量问题，从而得到收敛解，将获得的收敛解应用于异构网络中，进一步提高了免授权频段的频谱使用效率。
为了达到上述目的，本发明采取如下技术方案：
所述基于IRS的异构网络中干扰抑制方法，依托的IRS消除免授权异构网络中，包括WiFi系统、NR-U系统和包含Nr个元素的IRS；
其中，WiFi系统包含AP和STA，且AP和STA均配置为单天线，两者统称为WiFi用户，且活跃的WiFi用户为M个；
其中，AP，即access point，为接入点；STA，即station；
NR-U系统内存在有1个gNB，该gNB配置有Nt根天线，服务于K个用户；
其中，用户，即user equipment,简称UE，每个用户配置单天线；
其中，IRS用以消除NR-U系统和WiFi系统间的干扰，并提升整个免授权异构网络的性能；
定义异构网络中的gNB、IRS、UE、WiFi用户之间获得的信道为完美信道，具体包括：
1)定义gNB和IRS、IRS和第k个UE、gNB和第k个UE之间的信道分别为hgr、hrk及hgk；
其中，k∈{1,2,…,K}、以及且表示维度大小为Nt×Nr的复数集合，表示维度大小为Nr×1的复数集合，表示维度大小为Nt×1的复数集合；
2)定义第m个活跃的WiFi用户和IRS、IRS和第k个UE、第m个活跃的WiFi用户和第k个UE之间的信道分别为gmr、grk以及gmk；
其中，m∈{1,2,…,M}，表示维度大小为1×Nr的复数集合，表示维度大小为Nr×1的复数集合；
3)定义gNB和第m个活跃的WiFi用户之间的信道为hgm；
基于IRS的异构网络中干扰抑制方法，包含以下步骤：
步骤一：遍历所有UE以及活跃的WiFi用户，分别计算接收信号、信干噪比和活跃的WiFi用户受到NR-U系统的干扰，并建立优化模型，具体包括如下子步骤：
步骤1.1遍历所有UE，计算NR-U系统中所有UE的接收信号和信干噪比，具体为：遍历k，计算NR-U系统中所有UE的接收信号和信干噪比；
其中，第k个UE接收到的信号，记为yk；第k个UE的信干噪比，记为γk；k的取值范围为1到K；
其中，第k个UE接收到的信号如式(1)所示：
其中，代表IRS反射系数矩阵，表示维度大小为Nr×Nr的复数集合,具体表示为为IRS各元素的幅度反射系数，sm为WiFi系统中AP发送给第m个STA的信号，且所有sm的功率相同，均为m的取值范围为1到M；为IRS各元素的相位偏移，j为虚数单位，上标H代表对矩阵的共轭转置变换；nk表示为第k个UE的高斯白噪声，满足且CN代表复高斯分布，是该高斯分布的方差；wk表示gNB与第k个UE间的波束赋形向量，wi表示gNB与第i个UE间的波束赋形向量，则：gNB与K个UE间的波束赋形矢量为表示维度大小为Nt×K的复数集合；
xk表示第k个UE的符号，xi表示第i个UE的符号，且每个UE的符号具有单位功率，即：E[|xk|2]＝1,k＝1,...,K；gNB向K个UE发送的信号为x＝[x1,…,xK]∈CK×1,且CK×1表示维度大小为K×1的复数集合；
第k个UE的信干噪比用式(2)表示：
其中，信干噪比，即signal-to-interference-noise-ratio,SINR；
步骤1.2遍历所有活跃的WiFi用户，得到所有活跃的WiFi用户受到NR-U系统产生的干扰，具体为：
其中，即hrm与gmr互为转置；
步骤1.3基于步骤1.1计算的接收信号、信干噪比以及步骤1.2得到的干扰，构造以最大化NR-U系统中所有UE总信干噪比为优化目标的优化模型，具体通过公式(4)所示的优化模型构造：
其中，Ith表示WiFi用户受到来自NR-U网系统干扰的最大阈值，上标H代表对矩阵的共轭转置变换，Tr(WWH)表示波束赋形矢量W的功率，P表示W的最大功率阈值，下标k代表第k个UE，下标m代表第m个WiFi用户；
公式(4)是以NR-U系统UE对每一个活跃的WiFi用户的干扰小于一定阈值，gNB处波束赋形矢量功率小于一定阈值以及IRS处相位偏移矢量满足[0,2π]的取值条件为约束条件，以提升NR-U系统性能即最大化网络中所有UE总信干噪比为优化目标的优化模型；
步骤二：将步骤1.3的以最大化NR-U系统中所有UE总信干噪比为优化目标的优化模型，转化为IRS反射系数矩阵固定的以最大化NR-U系统中所有UE总信干噪比为优化目标的优化模型，具体为：
引入新变量t、pk、qk，基于内逼近框架的单层迭代将优化模型(4)转化为公式(5)所示的等价凸优化模型：
其中，t为新引入的所有UE的总信干噪比，pk为新引入的第k个用户的信干噪比，qk为新引入的第k个UE受到的干扰；以及中的下标k代表第k个UE，下标m代表第m个WiFi用户，表示第n次迭代得到的wk、qk，上标n代表第n次迭代，下标k代表第k个UE；
步骤三：将步骤1.3中的以最大化NR-U系统中所有UE总信干噪比为优化目标的优化模型，转化为波束赋形矢量固定时的以最大化NR-U系统中所有UE总信干噪比为优化目标的优化模型，具体为：
基于内逼近框架的单层迭代将优化模型(4)转化为公式(6)所示的等价凸优化模型：
其中，z为模型(6)新引入的所有UE总信干噪比，lk为新引入的第k个用户的信干噪比，ek为新引入的第k个UE受到的干扰；
矩阵v满足Θ＝diag(vT)，
下标k代表第k个UE，上标n代表第n次迭代，其初始值为1；v(n)、代表迭代中的第n次迭代得到的v、ek，下标k代表第k个UE；
步骤四：基于步骤二及步骤三中的优化模型(5)(6)迭代求取收敛的总信干噪比以及对应的波束赋形矢量、IRS反射系数矩阵，包括如下子步骤：
步骤4.1初始化IRS反射系数矩阵以及迭代次数，具体为：初始化迭代次数u＝1，且初始化IRS反射系数矩阵被初始化为Θ＝Θ(u)；
步骤4.2基于给定的IRS反射系数矢量Θ(u)求解凸优化模型(5)，第n次迭代后的解作为第n 1次迭代的初始点进行求解，并更新凸优化模型(5)中的波束赋形矢量、总信干噪比、所有UE的信干噪比以及所有UE受到干扰的取值直到收敛，得到收敛的所有UE的总信干噪比和波束赋形矢量W(u)；
其中，W(u)表示第u次迭代的IRS反射系数矩阵；
步骤4.3基于给定的波束赋形矢量W(u)求解凸优化模型(6)，第n次迭代后的解作为第n 1次迭代的初始点进行求解，更新模型(6)中的IRS反射系数矩阵、总信干噪比、所有UE的信干噪比以及所有UE受到的干扰，直到收敛，得到收敛的所有UE的总信干噪比和IRS反射系数矩阵Θ(u)；
其中，Θ(u)表示第u次迭代的IRS反射系数矩阵；
步骤4.4当迭代次数u≥2且总信干噪比开始收敛时，终止迭代过程，得到最终收敛的波束赋形矢量、IRS反射系数矩阵以及总信干噪比；否则令迭代次数u＝u 1后执行步骤4.2；
其中，开始收敛是指第u次迭代的信干噪比相较于第u-1次迭代的减少量小于一定阈值；
步骤五：将波束赋形矢量以及IRS反射系数配置为步骤四得到的收敛解，使得异构网络中UE的总信干噪比得到增加，从而实现干扰抑制；
至此，从步骤一到步骤五，完成了一种基于IRS的异构网络中干扰抑制方法。
有益效果
本发明提出一种基于IRS的异构网络中干扰抑制方法，与现有技术相比，具有以下有益效果：
1、所述方法考虑到异构系统中存在来自其他UE以及WiFi用户产生的干扰，对于上述干扰具有较强的抑制作用，从而实现了系统用户之间的协调共存；
2、所述方法考虑到异构网络总信干噪比对于系统性能的影响，将最大化总信干噪比作为优化目标，使得异构网络总信干噪比(吞吐量)性能得到了提升；
3、所述方法通过建立波束赋形矢量W，使用交替优化的方法抑制了NR-U系统之间的干扰，从而实现了系统用户的协调共存。
附图说明
图1为本发明一种基于IRS的异构网络中干扰抑制方法共存系统模型场景图；
图2为本发明一种基于IRS的异构网络中干扰抑制方法具体实施例中gNB、IRS、UE、WiFi用户分布场景图；
图3为本发明一种基于IRS的异构网络中干扰抑制方法具体实施例中基于IRS的异构网络中干扰抑制方法信干噪比收敛结果图；
图4为本发明一种基于IRS的异构网络中干扰抑制方法具体实施例中本发明方法、NoIRS以及RandIRS的性能对比结果图。
具体实施方式
下面结合附图和具体实施例子对本发明一种基于IRS的异构网络中干扰抑制方法进行详细说明。
实施例1
设定实施例1的场景为存在1个gNB的NR-U系统，一个gNB配备4根天线，系统内部署有一个包含8个反射单元的IRS，且gNB和IRS之间的距离为100m。异构系统中存在4个UE，分布方式为以IRS为圆心，10–30米为半径的均匀分布；存在2个活跃WiFi用户，分布方式为以gNB为中心，边长60米的正方形均匀分布。高斯白噪声满足方差WiFi用户受到的来自异构网络的干扰最大阈值Ith＝-50dbm；波束赋形矢量W功率最大阈值P＝2W。
具体操作流程如下：
步骤A：遍历4个UE以及2个活跃的WiFi用户，根据式(1)(2)(3)分别计算接收信号、信干噪比和活跃的WiFi用户受到NR-U系统的干扰，并建立优化模型；其中，Ith＝-50dbm；P＝2W；k的取值为1到4，m的取值为1到2。
步骤B：设IRS反射系数矩阵为固定值，基于内逼近框架的单层迭代将以最大化NR-U系统中所有UE总信干噪比为优化目标的优化模型，转化为IRS反射系数矩阵固定时的以最大化NR-U系统中所有UE总信干噪比为优化目标的优化模型。
步骤C：设波束赋形矢量为固定值，基于内逼近框架的单层迭代将以最大化NR-U系统中所有UE总信干噪比为优化目标的优化模型，转化为波束赋形矢量固定时的以最大化NR-U系统中所有UE总信干噪比为优化目标的优化模型。
步骤D：基于步骤B及步骤C中的优化模型(5)(6)迭代求取收敛的总信干噪比以及对应的波束赋形矢量、IRS反射系数矩阵，包括如下子步骤：
步骤D.1初始化IRS反射系数矩阵以及迭代次数，具体为：初始化迭代次数u＝1，且初始化IRS反射系数矩阵被初始化为Θ＝Θ(u)；
步骤D.2基于给定的IRS反射系数矢量Θ(u)求解凸优化模型(5)，第n次迭代后的解作为第n 1次迭代的初始点进行求解，并更新凸优化模型(5)中的波束赋形矢量、总信干噪比、所有UE的信干噪比以及所有UE受到干扰的取值直到收敛，得到收敛的所有UE的信干噪比和波束赋形矢量；
步骤D.3基于给定的波束赋形矢量W(u)求解凸优化模型(6)，第n次迭代后的解作为第n 1次迭代的初始点进行求解，更新模型(6)中的IRS反射系数矩阵、总信干噪比、所有UE的信干噪比以及所有UE受到的干扰，直到收敛，得到收敛的所有UE的信干噪比和IRS反射系数矩阵；
其中，Θ(u)表示第u次迭代的IRS反射系数矩阵；
步骤D.4当迭代次数u≥2且总信干噪比开始收敛时，终止迭代过程，得到最终收敛的波束赋形矢量、IRS反射系数矩阵以及总信干噪比做为最终的收敛解；否则令迭代次数u＝u 1后执行步骤D.2；
其中，开始收敛是指第u次迭代的信干噪比相较于第u-1次迭代的减少量小于一定阈值；
步骤E：将波束赋形矢量以及IRS反射系数配置为步骤D得到的收敛解，使得异构网络中UE的总信干噪比得到增加，从而实现干扰抑制；
从步骤A到步骤E，完成了本实施例1中基于IRS的异构网络中干扰抑制方法。
对实施例1基于图2本发明具体实施例中gNB、IRS、UE、WiFi用户分布场景图以及上述步骤A到步骤D进行仿真，得到基于IRS的异构网络中干扰抑制方法下的UE总信干噪比SINR，对应于图3本发明“一种基于IRS的异构网络中干扰抑制方法”具体实施例中基于IRS的异构网络中干扰抑制方法信干噪比收敛结果图；将本发明提出的方法与NoIRS以及RandIRS两种对比方法进行比对分析，得到图4本发明“一种基于IRS的异构网络中干扰抑制方法”具体实施例中本发明提出的方法、NoIRS以及RandIRS的性能对比结果图。
从图3可以看出，基于IRS的异构网络中干扰抑制方法的NR-U系统中UE的总信干噪比在迭代一定次数后收敛，并稳定于90附近，此结果表明，对实施例1应用本发明提出的基于IRS的异构网络中干扰抑制方法，能够使得异构网络的UE总信干噪比可以达到90以上，即设备间干扰以及噪声得到有效抑制；将本发明提出的方法与NoIRS以及RandIRS的仿真结果进行对比分析，从图4可以看出，相比于NoIRS以及RandIRS两种对比方法，本发明提出的方法使得异构网络能够获得更高的UE总信干噪比，且随着IRS单元个数的增多，本发明提出的方法与对比方法之间UE总信干噪比的差距也在不断增加，说明本发明所提出的方法相较于已有方法抑制干扰的效果更加明显。因此，本发明提出的基于IRS的异构网络中干扰抑制方法能够大大降低NR-U系统和WiFi系统间的干扰，实现两者之间的有效共存，从而提升了整个共存系统的性能。
以上所述为本发明的较佳实施例而已，本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改，都落入发明保护的范围。
