基于不完美CSI的认知反向散射通信吞吐量最大化算法.pdf

基于不完美CSI的认知反向散射通信吞吐量最大化算法徐勇军*姜思巧王公仆杨刚李东黄东(重庆邮电大学通信与信息工程学院重庆400065)(重庆金美通信有限责任公司重庆400030)(北京交通大学计算机与信息技术学院北京100044)(电子科技大学通信抗干扰技术国家级重点实验室成都611731)(澳门科技大学计算机科学与工程学院澳门999078)(贵州大学现代制造技术教育部重点实验室贵阳550025)摘要：为了提高频谱传输效率和抑制信道不确定性影响，该文提出一种基于不完美信道状态信息的认知反向散射通信吞吐量最大化算法。首先，考虑主基站最大发射功率、传输时间、用户服务质量、有界信道不确定性等约束，建立了联合优化主基站波束、传输时间、反射系数的多变量耦合的非线性鲁棒吞吐量最大化模型。其次，利用最坏准则、S-Procedure、连续凸近似和交替优化方法，将原问题转换为凸优化问题，并提出一种基于迭代的鲁棒资源分配算法。仿真结果表明，与非鲁棒算法对比，所提算法具有较好的吞吐量和鲁棒性，且中断概率减小2.39%。关键词：认知无线电网络；反向散射通信；吞吐量最大化；鲁棒性中图分类号：TN926文献标识码：A文章编号：1009-5896(2023)07-2325-09DOI:10.11999/JEIT221483Throughput Maximization Algorithm for Cognitive BackscatterCommunication with Imperfect CSIXUYongjunJIANGSiqiaoWANGGongpuYANGGangLIDongHUANGDong(School of Communication and Information Engineering,Chongqing University of Posts andTelecommunications,Chongqing 400065,China)(Chongqing Jinmei Communication Co.LTD.,Chongqing 400030,China)(School of Computer and Information Technology,Beijing Jiaotong University,Beijing 100044,China)(National Key Laboratory of Science and Technology on Communications,University of ElectronicScience and Technology of China,Chengdu 611731,China)(Faculty of Information Technology,Macau University of Science and Technology,Macau 999078,China)(Key Laboratory of Advanced Manufacturing Technology,Ministry of Education,Gui Zhou University,Guiyang 550025,China)Abstract:Toimprovespectrumtransmissionefficiencyandsuppresstheeffectofchanneluncertainties,athroughput-maximizationalgorithmisproposedforCognitiveBackscatterCommunicationwithimperfectchannelstateinformation.Firstly,consideringtheconstraintsofthemaximumtransmitpowerofthePrimaryBaseStation(PBS),transmissiontime,userqualityofservice,andboundedchanneluncertainty,amultivariablecouplednonlinearrobustthroughput-maximizationmodelisformulatedbyjointlyoptimizingthe收稿日期：2022-11-28；改回日期：2023-04-12；网络出版：2023-04-17*通信作者：徐勇军基金项目：国家自然科学基金(62271094,U21A20448)，重庆市教委科学技术研究项目(KJZD-K202200601)，中国博士后科学基金(2022MD723725)，重庆市博士后研究项目(2021XM3082,2021XSJL004)FoundationItems:TheNationalNaturalScienceFoundationofChina(62271094,U21A20448),TheScientificandTechnologicalResearchProgramofChongqingMunicipalEducationCommission(KJZD-K202200601),TheChinaPostdoctoralScienceFoundation(2022MD723725),TheChongqingPostdoctoralResearchProject(2021XM3082,2021XSJL004)第45卷第7期电子与信息学报Vol.45No.72023年7月JournalofElectronics&InformationTechnologyJul.2023PBSsbeamformingvector,thereflectioncoefficientandthetransmissiontime.Then,theoriginalproblemistransformedintoaconvexoptimizationproblembyusingtheworst-caseapproach,theS-Procedure,successiveconvexapproximation,alternatingoptimization,andaniteration-basedrobustresourceallocationalgorithmisproposedtosolveit.Simulationresultsshowthattheproposedalgorithmhasbetterthroughputandrobustnesscomparedwiththenon-robustalgorithm,andtheoutageprobabilityisreducedby2.39%.Key words:Cognitiveradionetwork;Backscattercommunication;Throughputmaximization;Robustness1 引言在未来物联网系统中，传感器节点的数量将会不断增加，对频谱的需求呈指数增长，导致系统中的频谱资源逐渐稀少，认知无线电是提高频谱利用率的有效技术，它利用机会频谱接入和动态频谱接入的方式，来缓解日益稀缺的频谱资源问题1,2。更进一步，由于物联网设备体积较小，现如今的技术配备大容量电池较为困难，因此未来物联网系统迫切需要节能通信技术。反向散射通信作为一种低功耗、无线能量收集的节能通信技术，是绿色物联网实现的有效方案3,4。该技术的主要特点是：利用现有的射频信号进行无线供能，并且在射频源信号上调制自己的信号，以此来实现低功耗反射通信5。在上述过程中，并不需要生成专用的载波信号，也不需要耗电的射频元件，从而实现了低功耗传输并延长了电池的寿命6,7。认知反向散射网络成为下一代物联网的研究焦点。认知反向散射网络结合了反向散射和认知无线电的优点，既可以提高频谱效率又可以降低能耗8,9。在该网络中，认知反向散射节点将主基站的发射信号当作有用的信息，来进行无线充电和部分的反向散射传输。为提升该系统通信性能，大部分学者从物理层安全10、性能分析11和资源分配1217进行了研究。对资源分配这一特定问题来说，该网络场景下的技术指标十分复杂，在确保主用户的通信质量前提下尽可能地利用射频信号，需要围绕某一目标(如最大化系统吞吐量)来进行合理优化能量收集时间、反射系数和发射功率，因此研究认知反向散射通信网络场景下的资源分配问题十分重要。针对认知全双工散射通信网络，在保证所有主用户服务质量需求的情况下，文献12通过设计传输时间、发射功率和反向散射系数，提高系统和吞吐量。在文献13中，作者通过共同优化主信号的发射功率和次级系统的反射系数来实现单个反射设备容量的最大化。考虑单个次级发射机(即单用户系统)，是一种比较理想的情况，并不能满足实际的传输需求。然而与文献13不同的是，在文献14中，作者考虑了多个次级发射机(即多用户系统)，通过优化主动传输和反向散射模式之间的时间分配，实现次级系统的和吞吐量最大化，但并没有考虑频谱感知。频谱感知为频谱占用提供了更可靠和实时的结果。文献15提出了一种基于压缩频谱感知技术的最优时间调度方案，管理物联网节点上的频谱感知模块、能量采集模块和反向散射模块的时间调度。通过优化时间分配与功率分配，最大化反向散射设备的和速率。在文献16中，假设反向散射设备可以存储能量，在多时隙能量因果关系约束下，联合优化主发射机的传输功率和反向散射设备的反向散射系数，最大限度地提高多个时隙上次系统的和速率。在文献17中，每个标签配备有反向散射电路模块，通过联合优化发射功率、反向系数和传输时间实现最大化系统能效。上述工作都对认知反向散射通信技术做出了非常多的贡献，但大部分工作都仅仅是基于单天线，并没有从多天线角度来考虑，然而在现有的B5G中，多天线具有更好的通信性能,能够使得用户接入数量和系统容量进一步提升。在文献18中，提出了一种由多天线射频源组成的认知反向散射网络场景，考虑射频源的最小速率约束和反向散射设备的最小能量约束，优化波束成形向量，最大限度地提高反向散射链路的速率。但上述工作都假设信道状态信息(ChannelStateInformation,CSI)是完美、精确、可获得的，缺乏考虑信道不确定性的影响；同时也忽略了对主用户的保护，即缺少最大干扰功率约束。然而在实际的系统中，极有可能会受到信道估计误差、量化误差和反馈时延等因素的影响。因此想要获得完美的CSI几乎不可能，这导致设计的算法有很可能不适用于实际的系统。为提高系统吞吐量的同时克服信道不确定的影响，本文提出了一种更贴合实际应用需求的认知反向散射通信吞吐量最大化算法，主要贡献如下：(1)构建一个基于不完美CSI的多用户认知反向散射传输模型。考虑主用户基站最大发射功率、传输时间、用户服务质量、最大干扰功率、有界信道不确定性等约束，描述了联合主基站波束、传输时间、反射系数调度的吞吐量最大化资源分配问题。该问题是一个多变量耦合及参数摄动的NP-hard问题，直接求解并不容易。2326电子与信息学报第45卷(2)为了求解该问题，首先，利用连续凸近似、最坏准则和S-Procedure方法将含有参数摄动的目标函数和约束条件转化成确定性的；其次，利用变量替换的方法将非凸问题转化成确定性凸问题。最后，设计一种基于迭代的鲁棒吞吐量最大化算法，利用凸优化工具直接求解。(3)仿真结果表明，与非鲁棒算法对比，所提算法具有较好的吞吐量和鲁棒性，且中断概率降低2.39%。(x)HxxExx|FCNMN MRNMN MTr()INN NCN(,2)2符号定义：表示对复数向量 或复数矩阵进行共轭转置；表示随机变量 的均值；表示复数的模；表示矩阵的Frobenius范数；表示维的复数矩阵；表示维的实数矩阵；表示矩阵的迹；表示维的单位矩阵；表示一个均值为和方差为的复高斯分布。2 系统模型及问题描述NMKk K=1,2,.,Km M=1,2,.,MTkkKk=1k T,k 0,k考虑1个认知反向散射通信场景，如图1所示。网络中有1个含根天线的主基站，个主接收机，个认知反向散射用户和1个认知信息接收机，且主用户和次用户集合分别定义为和。定义总传输时间为，第 个认知反向散射用户传输的时间为，则满足。认知反向散射用户采用下垫式频谱共享模式共用主用户频谱资源。在该模式下，认知反向散射用户可以和主接收机同时使用授权频谱进行数据传输。因此，为了保障所有主接收机的正常通信，认知反向散射用户对任意一个主接收机干扰均要小于干扰温度门限值19。为了提高系统的频谱利用率和传输效率，认知反向散射用户含有频谱感知的能力，且配备了反向散射电路，都可以通过反向散射向认知信息接收机传输数据。根据图1的信号传输过程，主基站的发射信号为xP=Mm=1wmsm(1)wm CN1smmE|sm|2=1其中，和分别为主基站发送给第个主接收机的波束成形向量和信号，满足。因此基站的总发射功率可以表示为E(xHPxP)=Mm=1 wm2(2)k由于主接收机并不知道认知反向散射用户的活动状态，而认知反向散射用户采用的是下垫式模式共享主用户授权频谱，因此第 个认知反向散射用户接收到的信号为yk=fHkxP(3)fk CN1k其中，表示主基站到第 个认知反向散射用户的信道向量。k认知信息接收机接收来自主基站和第 个认知反向散射用户的信号，因此认知信息接收机接收到的信号为ybk=hkkykck+fHPxP+n(4)k 0,1kckkE|ck|2=1hkkfp CN1其中，表示第 个认知反向散射用户的反向散射系数，是第 个认知反向散射用户的信号，表示第 个认知反向散射用户到认知信息接收机的信道系数，表示主图1认知反向散射通信网络第7期徐勇军等：基于不完美CSI的认知反向散射通信吞吐量最大化算法2327nn CN(0,2)基站到认知信息接收机的信道向量，为接收机处的噪声，满足。k基于式(3)，第 个认知反向散射用户在反向散射阶段的信噪比可以表示为k=k|hk|2Mm=1Tr(fkfHkwmwHm)Mm=1Tr(fpfHpwmwHm)+2(5)k因此，第 个认知反向散射用户的吞吐量可以表示为Rk=klog2(1+k)(6)m在反向散射过程中，所有认知反向散射用户均会对主接收机造成一定的干扰。很早以前为了描述在主接收机处受到的干扰大小，提出了干扰温度模型19。干扰温度模型主要目的是确保认知反向散射用户与主接收机进行资源共享的时候，不会妨碍到主接收机的正常通信。因此需要保证在此网络中所有认知反向散射用户对第个主接收机产生的干扰满足式(7)约束Im=Kk=1kk|hk,m|2Mm=1Tr(fkfHkwmwHm)T Imaxm(7)hk,mkmImmImaxmm其中，表示从第 个认知反向散射用户到第个主接收机的信道系数，表示所有的认知反向散射用户对第个主接收机的平均干扰功率，表示第个主接收机能够容忍的最大干扰功率阈值。假设主基站和认知反向散射用户与认知接收机链路之间的电磁环境不可知，认知反向散射用户与主接收机之间的电磁环境不可知，导致这些链路的CSI并不能准确获得。因此基于有界信道不确定性模型3，则有RF=fp|fp=fp+fp:fpF kRH=hk|hk=hk+hk:|hk|kRQ=hk,m|hk,m=hk,m+hk,m:|hk,m|k(8)fphkhk,mfphkhk,mk 0k 0k 0RFRHRQ其中，,和为信道估计值，,和为对应信道估计误差，,和为不确定性参数上界。表示主基站和认知信息接收机链路之间的信道不确定性集合；表示认知反向散射用户和认知信息接收机链路之间的信道不确定性集合；表示认知反向散射用户和主接收机链路之间的信道不确定性。因此，本文所考虑的资源分配问题可以描述为maxwm,k,kRsum(hk,fp)s.t.C1:Mm=1 wm2 PmaxC2:Rk(hk,fp)RminkC3:Im(hk,m)ImaxmC4:Kk=1k TC5:0 k 1C6:fp RF,hk RH,hk,m RQ(9)Rsum=Kk=1RkPmaxRminkkC1C2kC3C4C5kC6其中，,表示主基站的最大发射功率，表示第 个认知反向散射用户的最小吞吐量阈值，表示主基站的最大发射功率约束，表示第 个认知反向散射用户的最小吞吐量约束，表示主接收机的平均最大干扰功率约束，为传输总时间约束，表示第 个认知反向散射用户的反射系数约束，为不确定性参数集合。3 优化问题转换3.1 不确定性问题转换C2目标函数和约束条件都含有参数摄动，为了处理其中的信道不确定性和非凸性，考虑以下变量松弛kk 2rk 1(10)k maxfpMm=1Tr(fpfHpwmwHm)+2(11)k minhkk|hk|2Mm=1Tr(fkfHkwmwHm)(12)kkrk其中，,和都是松弛变量。然而，式(10)仍然是非凸约束。为了将式(10)转化为凸约束，采用连续凸近似方法和泰勒级数展开，则式(10)可以近似为k ex1k,x1k x2k x3kk e x2k(x2k x2k+1)2rk 1 e x3k(x3k x3k+1)(13)x1kx2kx3k x2k x3kx2kx3k其中，,和是松弛变量。和分别是和上一次迭代的值。Wm=wmwHm定义，根据式(8)，则式(11)可以重写为fHpB1fp+2RefHpB1fp+fHpB1fp+2 k 0,fp2 2k(14)B1=Mm=1Wm其中，。由于式(14)中含有参数摄动，为了处理其中的2328电子与信息学报第45卷信道不确定性，利用定理1进行转化。fi(x)=xHAix+2RebHix+cii=1,2Ai CNNbi CN1x CN1ci R 0f1(x)0 f2(x)0定理1(S-procedure)方法20：定义，其 中，,，当且仅当存在一个辅助变量时，成立，则有A1b1bH1c1A2b2bH2c2 0(15)根据定理1，将式(14)转化为半正定约束形式1IN B1B1fpfHpB112k 2+kfHpB1fp 0(16)1 0其中，为引入的松弛变量。由于式(12)中含有参数摄动，为了处理其中的信道不确定性，采用最坏准则方法21，则有k minhkk|hk|2Mm=1Tr(fkfHkwmwHm)=k|hk k|2Mm=1Tr(fkfHkwmwHm)(17)C3为了处理约束条件中的信道不确定性，采用柯西施瓦茨不等式进行转化，则有maxhk,mKk=1kk|hk,m|2Mm=1Tr(fkfHkwmwHm)=Kk=1kk?hk,m?2Mm=1Tr(fkfHkWm)+Kk=1maxhk,m2kkhk,mhk,mMm=1Tr(fkfHkWm)+Kk=1maxhk,mkk|hk,m|2Mm=1Tr(fkfHkWm)Kk=1kk?hk,m?2Mm=1Tr(fkfHkWm)+2vuutKk=12k2k|hk,m|h2k,mKk=1(Mm=1Tr(fkfHkWm)2+vuutKk=14k4k|hk,m|4Kk=1(Mm=1Tr(fkfHkWm)2Kk=1kk?hk,m?2Mm=1Tr(fkfHkWm)+Kk=12kkhk,mkMm=1Tr(fkfHkWm)+Kk=12k2k|k|2Mm=1Tr(fkfHkWm)=Kk=1kk?hk,m+k?2Mm=1Tr(fkfHkWm)(18)3.2 非凸优化问题转换基于式(13)和式(16)式(18)，原问题式(9)可以转化为式(19)所示确定性问题maxWm,k,k,Kk=1krks.t.C3,C4,C5C1:Mm=1Tr(Wm)PmaxC2:式(13),式(16),式(17),krk RminkC3:Kk=1kk?hk,m+k?2Mm=1Tr(fkfHkWm)TImaxmC6:Wm 0C7:Rank(Wm)=1(19)1,x1k,x2k,x3k k,k,rk其中，,。WmkRank(Wm)=1由于存在耦合变量(例如和)，式(19)是非凸的。加之，式(19)无法直接求解。kkWmWmkk因此采用交替优化方法20，将问题式(19)分解为两个子问题。子问题1：固定和，求解,和；子问题2：固定,和，求解和。Wm子问题1：求解,和kkWm固定和，则关于变量,和的子问题为maxWm,Kk=1krks.t.C1,C2,C3,C6,C7(20)基于半定松弛方法22，式(20)可以重新描述为maxWm,Kk=1krks.t.C1,C2,C3,C6(21)Rank(Wm)=1可以看出问题式(21)转化为一个凸问题，可直接采用CVX工具23求解。在问题式(21)中松弛了的约束，所获得的解仅仅是问题式(20)第7期徐勇军等：基于不完美CSI的认知反向散射通信吞吐量最大化算法2329WmRank(Wm)=1 wmRank(Wm)=1的上界，因此需要采用高斯随机化方法24来逼近近似最优解。假设在问题式(21)中的解为，且,可以通过特征值分解得到。如果，利用奇异值分解获得最优波束。kk子问题2：求解和Wmkk固定,和，则关于变量和的子问题表示为maxk,kKk=1krks.t.C2,C3,C4,C5(22)kkk=kk可以看出子问题式(22)中仍然存在耦合变量和，所以此问题仍然是非凸问题，定义，则子问题式(22)可以转化为maxk,kKk=1krks.t.C2:式(13),式(16),krkRmink,kkk|hkk|2Mm=1Tr(fkfHkwmwHm)C3:Kk=1k?hk,m+k?2Mm=1Tr(fkfHkWm)TImaxmC4:Kk=1k TC5:0 k k(23)问题式(24)是一个凸问题，可直接采用CVX工具23求解。因此，提出的基于迭代的鲁棒吞吐量最大化算法具体步骤如算法1所示。3.3 收敛性分析R(Wm,k,k)=Kk=1krk(l1)k(l1)kW(l)m在本小节中，将证明算法1的收敛性。首先定义为式(19)的目标值。再根据算法1的步骤(3)，固定和，得到最优解，因此，可得到式(24)不等式R(W(l1)m,(l1)k,(l1)k)R(W(l)m,(l1)k,(l1)k)(24)W(l)m固定步骤(3)中得到的，基于算法1中的步骤(4)，可以得到R(W(l)m,(l1)k,(l1)k)R(W(l)m,(l)k,(l)k)(25)根据式(24)和式(25)，可以得到R(W(l1)m,(l1)k,(l1)k)R(W(l)m,(l)k,(l)k)(26)式(26)说明式(19)的目标值在每次迭代后均不下降。由于系统总吞吐量是有上限的，因此提出的算法1收敛。3.4 计算复杂度分析W(l)mO(N+1)3.5)LmaxO(Lmax(N+1)3.5ln(1/)因为在算法1中的步骤(3)中获得的秩不等于1，则需要采用高斯随机化方法进行求近似解。因此此算法的复杂度主要来自算法1中的步骤(3)，据文献25可以看出，该方法的复杂度为。假设最大迭代次数为和收敛精度为，因此该算法的总复杂度是。4 仿真结果与分析h=d CN(0,1)d 2,5N=2 M=2K=22=1 108WPmax=1 WRmink=0.3 bps/HzImaxm=0.05 WLmax=105=1050,0.3本节通过仿真来验证所提算法的有效性。假设用户随机分布在半径为10m的圆内，信道模型为，其中 是衰落系数，且满足。是收发机之间的距离，是路损因子。主基站到认知反向散射用户和认知信息接收机的路损因子均为2，认知反向散射用户到认知信息接收机的路损因子为2，认知反向散射用户到主接收机的路损因子为3，其他仿真参数为：,，,，信道估计误差的上限为。图2描述了系统吞吐量的收敛性能图。从图2可算法1基于迭代的鲁棒吞吐量最大化算法N M K T2fkfphkhk,mPmaxRminkImaxmR(0)sumLmax 0l=0初始化系统参数：,;是最大迭代次数，是收敛精度，是初始迭代值；?R(l)sum R(l1)sum?l Lmax(1)While或dol=l+1(2)设置迭代次数；(l1)k(l1)kW(l)mW(l)mW(l)m=w(l)mw(l)HmW(l)m(3)固定和，根据式(20)计算。若的秩为1，应用特征值分解法可得到可行解，其中，若的秩大于1，采用高斯随机化方法求近似解。W(l)m(l)k(l)k(4)固定，根据式(24)计算，；R(l)sum(5)更新吞吐量(6)EndWhile2330电子与信息学报第45卷N知，本文算法具备良好的收敛性；随着主基站发射天线数增加，系统吞吐量增加。其原因是增加天线的数量能够提升波束增益，改善波束成形效果，从而增大系统吞吐量。RminkkRminkkRminkkk图3描述了系统吞吐量与和不确定参数之间的关系。从图3可以看出，在相同的不确定参数下，系统的吞吐量随着增加而增加；随着不确定参数增大，系统吞吐量减小。因为增加，反向散射系数和波束形成向量会增大，使第 个认知反向散射用户的吞吐量增大，从而使得系统的吞吐量增大。除此之外，不确定参数增大会导致信道环境变差，使得认知反向散射用户实际的吞吐量降低。Imaxm图4描述了系统吞吐量与不确定参数和之ImaxmImaxmkImaxmk间的关系。从图4可知随着主接收机的的增大，系统的吞吐量增大；在相同的下，随着不确定参数增大，系统吞吐量减小。其原因在于，随着的增大，反向散射系数和发射功率都会增加，从而导致系统吞吐量上升。此外，不确定参数增大，会导致信道环境变差，从而使得认知反向散射用户实际的吞吐量降低。PmaxkkPmaxkPmax图5描述了系统吞吐量与不确定性参数和的关系。从图5可以看出，随着不确定性参数和的减小，系统的吞吐量减小；增大，系统的吞吐量增大。其原因是不确定性参数的增加会导致信道环境变差，使得第 个认知反向散射用户的吞吐量减少，从而使得系统的吞吐量减少。此外，当增大时，发射功率增大，从而使得系统的吞吐量增大。kkkk图6描述了中断概率与在不同算法下的关系。从图6可看出，在同样的算法下，增大，会导致在不同算法下中断概率变大，且本文算法的中断概率始终低于非鲁棒算法。原因之一是当 增大时，信道估计值与实际值差值会变大，使实际的干扰功率大于主接收机的干扰功率门限，因此系统中断概率增加。其次，在同样的 下，本文算法考虑了系统的鲁棒性，使认知反向散射用户的反射系数小于非鲁棒算法，因此在一定程度上减小信道不确图2系统吞吐量收敛图Rminkk图3系统吞吐量与在不同下的关系Imaxmk图4系统吞吐量与在不同下的关系Pmax图5系统吞吐量与不确定性参数和的关系k图6中断概率与在不同算法下的关系第7期徐勇军等：基于不完美CSI的认知反向散射通信吞吐量最大化算法2331k定性影响，从而使得中断概率减小。此外，在同样的下，随着干扰功率阈值的增大，中断概率减少，其原因在于，干扰功率阈值增大，主接收机能够容忍的不确定性会更大，因此中断减少。5 结论本文针对不完美CSI的认知反向散射通信吞吐量最大化问题进行研究，考虑主用户基站的最大发射功率、用户服务质量、反射系数和传输时间约束，构建了一个具有多变量耦合的吞吐量最大化鲁棒资源分配问题。利用最坏准则、S-Procedure和连续凸近似，将原问题转换为确定性问题，利用交替优化和变量替换方法将确定性问题转换为凸问题，通过凸优化工具求解。仿真结果说明所提算法在中断概率方面比传统非鲁棒算法降低了2.39%，且具有较好的吞吐量与收敛性。参 考 文 献HAYKINS.Cognitiveradio:Brain-empoweredwirelesscommunicationsJ.IEEE Journal on Selected Areas inCommunications,2005,23(2):201220.doi:10.1109/JSAC.2004.839380.1XUYongjun,ZHAOXiaohui,andLIANGYingchang.Robustpowercontrolandbeamformingincognitiveradionetworks:AsurveyJ.IEEE Communications Surveys&Tutorials,2015,17(4):18341857.doi:10.1109/COMST.2015.2425040.2LIDong.Hybridactiveandpassiveantennaselectionforbackscatter-assistedMISOsystemsJ.IEEE Transactionson Communications,2020,68(11):72587269.doi:10.1109/TCOMM.2020.3014917.3徐勇军,杨浩克,叶迎晖,等.反向散射通信网络资源分配综述J.物联网学报,2021,5(3):5669.doi:10.11959/j.issn.2096-3750.2021.00215.XUYongjun,YANGHaoke,YEYinghui,et al.Asurveyonresource allocation in backscatter communicationnetworksJ.Chinese Journal on Internet of Things,2021,5(3):5669.doi:10.11959/j.issn.2096-3750.2021.00215.4LIDong.BackscattercommunicationpoweredbyselectiverelayingJ.IEEE Transactions on Vehicular Technology,2020,69(11):1403714042.doi:10.1109/TVT.2020.3029340.5LIDong.Twobirdswithonestone:Exploitingdecode-and-forward relaying for opportunistic ambientbackscatteringJ.IEEE Transactions on Communications,2020,68(3):14051416.doi:10.1109/TCOMM.2019.2957490.6XUYongjun,GUBowen,HURQ,et al.JointcomputationoffloadingandradioresourceallocationinMEC-basedwireless-poweredbackscattercommunicationnetworksJ.7IEEE Transactions on Vehicular Technology,2021,70(6):62006205.doi:10.1109/TVT.2021.3077094.XU Yongjun,QIN Zhijin,GUI Guan,et al.EnergyefficiencymaximizationinNOMAenabledbackscattercommunicationswithQoSguaranteeJ.IEEE WirelessCommunications Letters,2021,10(2):353357.doi:10.1109/LWC.2020.3031042.8张倩倩.认知反向散射通信互惠传输理论与资源配置方法研究D.博士论文,电子科技大学,2021.doi:10.27005/ki.gdzku.2021.005093.ZHANGQianqian.Researchonmutualistictransmissiontheory and resource allocation method in cognitivebackscattercommunicationsD.Ph.D.dissertation,UniversityofElectronicScienceandTechnologyofChina,2021.doi:10.27005/ki.gdzku.2021.005093.9LIXingwang,ZHENGYike,KHANWU,et al.Physicallayer security of cognitive ambient backscattercommunicationsforgreeninternet-of-thingsJ.IEEETransactions on Green Communications and Networking,2021,5(3):10661076.doi:10.1109/TGCN.2021.3062060.10LUXiao,WANGPing,LIGuangxia,et al.Short-packetbackscatterassistedwireless-poweredrelayingwithNOMA:ModeselectionwithperformanceestimationJ.IEEETransactions on Cognitive Communications andNetworking,2022,8(1):216231.doi:10.1109/TCCN.2021.3108158.11XIAOSa,GUOHuayan,andLIANGYingchang.Resourceallocationforfull-duplex-enabledcognitivebackscatternetworksJ.IEEE Transactions on WirelessCommunications,2019,18(6):32223235.doi:10.1109/TWC.2019.2912203.12KANGXin,LIANGYingchang,andYANGJing.Ridingontheprimary:Anewspectrumsharingparadigmforwireless-poweredIoTdevicesJ.IEEE Transactions on WirelessCommunications,2018,17(9):63356347.doi:10.1109/TWC.2018.2859389.13ZHUANGYuandong,LIXi,JIHong,et al.OptimalresourceallocationforRF-poweredunderlaycognitiveradionetworkswithambientbackscattercommunicationJ.IEEETransactions on Vehicular Technology,2020,69(12):1521615228.doi:10.1109/TVT.2020.3037152.14LIUXiaolan,GAOYue,andHUFengye.OptimaltimeschedulingschemeforwirelesspoweredambientbackscattercommunicationsinIoTnetworksJ.IEEE Internet ofThings Journal,2019,6(2):22642272.doi:10.1109/JIOT.2018.2889700.15WANGJie,YEHanting,KANGXin,et al.Cognitivebackscatter NOMA networks with multi-slot energycausalityJ.IEEE Communications Letters,2020,24(12):162332电子与信息学报第45卷28542858.doi:10.1109/LCOMM.2020.3019203.徐勇军,杨浩克,李国军,等.多标签无线供电反向散射通信网络能效优化算法J.电子与信息学报,2022,44(10):34923498.doi:10.11999/JEIT210772.XUYongjun,YANGHaoke,LIGuojun,et al.Energy-efficientoptimizationalgorithminmulti-tagwireless-poweredbackscattercommunicationnetworks