多媒体多播组播单频网中免干扰动态信道分配

张海波 刘盈娜 李方伟 刘开健



多媒体多播组播单频网中免干扰动态信道分配

张海波*①②刘盈娜①李方伟①刘开健①

①(重庆邮电大学重庆市移动通信重点实验室 重庆 400065)②(北卡罗来纳州立大学电子与计算机工程系 美国北卡罗来纳州 27695)

为了避免多媒体多播组播单频网(MBSFN)区域内部和区域之间的干扰，进一步提高频谱效率，该文提出一种改进的基于噪声调节时滞噪声混沌神经网络(NHNCNN)的动态信道分配方法。首先，根据MBSFN区域的特殊拓扑结构，重新定义了4种电磁兼容限制函数，在此基础上精心构建了免干扰的NHNCNN能量函数。其次对NHNCNN的稳态判定进程加以改进以提高系统的收敛速度。特别地，采用类二分法联合NHNCNN去搜索最小信道分配总数。仿真结果表明，利用富足的NHNCNN时滞、噪声和混沌神经动力，所提算法能有效地搜索到合理解，并最终找到全局最优解，提高了频谱效率。与现有方法相比，所提算法能够实现更好的收敛速度和合理解率。

抗干扰；动态信道分配；多媒体多播组播单频网；噪声调节时滞噪声混沌神经网络；类二分法

1 引言

在移动互联网快速发展的推动下，越来越多的移动宽带多媒体业务应运而生。人们对多媒体多播组播技术(Multimedia Broadcast/Multicast Service, MBMS)也展开了广泛和深入的研究。为了进一步提高无线资源利用率，优化空中接口性能，无线多媒体多播组播单频网技术(MBMS over a Single Frequency Network, MBSFN)更加备受业界关注。然而，由于MBSFN中各基站采用同时同频发送相同的信号，导致MBSFN区域内和区域间很容易产生大量干扰，使其性能急剧下降。而动态信道分配(Dynamic Channel Allocation, DCA)技术是避免其各种干扰的有效措施之一。

文献[6]研究了在MBSFN交叠区域内如何避免信道间的干扰，并最小化总分配的资源单元数。文献[7]提出了一种MBSFN网络的资源分配策略，并在覆盖和吞吐量之间取得了较好的折中。然而，这些算法均是对MBSFN系统的无线资源进行了简单的分配，并没有取得最优解，未能最大限度地提升MBSFN系统的性能。并且，也未能消除系统潜在的所有干扰。被分配的资源单元大小也相对固定，不能满足目前用户对数据大小各异的多媒体业务的需求。为了避免网络拥塞，文献[8]提出了一种基于点对点与点对多点模式互换的资源分配方法。

为此，本文提出一种改进的基于NHNCNN的免干扰MBSFN系统的动态信道分配方法。根据MBSFN区域拓扑结构的特点，重新设置系统区域干扰限制函数。在此基础上合理构建NHNCNN能量函数，有效地避免MBSFN区域间和区域内的全部潜在干扰。同时，利用NHNCNN具有富足的混沌、噪声和时滞神经动力特性，并联合类二分法搜索信道分配的最优解，有效地提高频谱效率。

图1 MBSFN区域系统模型

2 系统模型和问题描述

2.1 系统模型

图1是一个典型的MBSFN热点区域覆盖系统模型。该模型包括9个MBSFN区域，每一个区域包含若干个相邻的蜂窝小区。这些相邻的小区组成一个多播组。在每个多播组内的每个小区同时同频传输相同的数据。在接收端通过相应的合并技术将来自不同基站的多径信号进行有效的合并处理，获得合并增益，从而提高频谱效率。从图1中可以看出，MBSFN区域之间有3种关系：如果一个区域有至少一个小区和另一个区域的小区相邻，则这两个区域为相邻关系；如果两个区域至少有一个公共的小区，则为相交关系；如果两个区域没有相邻和相交的小区，即为非相邻关系。例如区域1和区域2相邻(在A和B小区)，区域2和区域5相交(在C, D和E小区)，区域3和区域7为非相邻关系。根据MBSFN区域间的关系建立相邻矩阵、相交矩阵和非相邻信道分配矩阵分别为：

相邻矩阵：

相交矩阵：

非相邻矩阵：

2.2限制函数

在传统的蜂窝小区信道分配中，定义了3种电磁兼容限制[17]。为了避免各种电磁干扰，在给各个基站分配信道时，必须要同时满足这些电磁兼容限制要求。这些电磁兼容限制包括同信道限制(Co- Channel Constraint, CCC)、邻信道限制(Adjacent Channel Constraint, ACC)和共址限制(Co-Site Constraint, CSC)。然而，在MBSFN系统中，属于同一个MBSFN区域的所有基站同时同频传送相同的信号，打破了传统蜂窝网中相邻小区存在同频、邻频等干扰的模式。所以，MBSFN区域的信道分配和传统的蜂窝网络有较大的差别。本文在传统的电磁兼容限制函数基础上，结合MBSFN区域的拓扑结构，重新定义了MBSFN系统中的电磁兼容限制函数，包括：

(1)同区域限制(Co-Area Constraint: CAC)函数：既然在MBSFN区域里各个小区是同时同频传输信号，所以传统的CCC限制失效。根据MBMS业务的需求，同一个MBSFN区域可能会需求多个信道，这些信道也应该考虑互相干扰问题。同时考虑传统的CSC和ACC限制，可以得到以下结论：同时被分配给同一MBSFN区域的信道之间必须满足一定的间隔，这里将整个系统的频带分为若干个信道，并对其进行连续编号，即信道1，信道。本文取。则CAC函数定义为

(2)邻区限制(Adjacent-Area Constraint: AAC) 函数：根据传统的ACC干扰限制函数，在MBSFN系统中相邻的信道不能同时分配给相邻的区域，而且必须满足CCC，所以AAC限制函数定义为

(3)相交区域限制(Overlapping-Area Constraint: OAC)函数：不同于传统的蜂窝网络，如果在MBSFN系统中，两个区域相交，则必须要满足CSC限制。即OAC限制函数定义为

(4)非相邻区域限制(Non-Adjacent-area Constraint: NAC)函数：在传统的蜂窝网络信道分配中，普遍使用信道复用技术来提高频谱利用率。同理，在MBSFN系统中，只要两个区域之间的间隔(指非相邻区域的最小距离：两个非相邻区域中的任意两个小区间的距离的最小值)大于某一个预定义的同频复用距离r，也可以将同一信道同时分配给不同的区域。NAC定义为

2.3问题描述

如图1所示，该模型包括9个MBSFN区域，每个区域根据所传的多媒体业务数据大小需要R个信道，在分配信道的同时，要避免上述的所有潜在干扰。并且，为了提高频谱利用率，要最大限度地使用频率复用技术，使得所分配的总信道数最少。所以，本文信道分配的目标是给每个MBSFN区域分配R个信道，要求避免所有干扰，同时最小化分配总信道数t。这是一个典型的NP-complete问题，本文用NHNCNN来解决该问题。

3 基于NHNCNN的免干扰动态信道分配算法

3.1 NHNCNN模型

在HNCNN的基础上，NHNCNN加了一个噪声调节系数，使得系统更容易跳出局部最优解，而搜索到全局最优解，NHNCNN的模型为：

3.2 NHNCNN的能量函数

众所周知，能否用NCNN系列的神经网络技术有效地解决一个NP-complete问题关键在于是否能够成功地创建一个合理的能量函数。而合理能量函数的构建十分困难。本文通过深入研究NHNCNN的动力机理，综合考虑MBSFN系统的4个干扰限制函数，通过对其合理地数学建模，成功地构建了MBSFN系统信道分配能量函数：

根据递归神经网络原理，系统首先利用富足的时滞、噪声和混沌动力在相空间里大范围地搜索，在前一阶段值的变化起伏较大，振动剧烈，这有利于逃离局部最优解，并向合理解的邻域靠近。在第2阶段，根据模拟退火思想，随着这些动力的逐渐衰退，逐步梯度下降，当NHNCNN达到稳定状态时，中所有项都为0，所有潜在的干扰都被消除，且所有区域的信道需求被满足。

3.3 NHNCNN的离散时间模型

利用梯度下降原理，可以得出NHNCNN的动能方程。然后采用欧拉方程获得其离散的时间模型：

3.4最小化总信道数

以上通过NHNCNN将信道分配给了MBSFN区域，而且避免了所有潜在的干扰，但是信道分配的总数没有最小化。换句话说，为了提高频谱利用率，应该使被分配的信道中信道编号最大的数字最小。本文采用类二分法联合NHNCNN，最小化信道分配总数。具体流程为：

3.5 改进的NHNCNN稳态收敛进程

表1 NHNCNN的稳态判定进程

4 仿真结果与分析

本文采用MATLAB软件对如图1所示的系统模型进行仿真。首先建立2维神经元模型，系统包括个神经元，表示区域数，表示信道数(信道从小到大依次编号)。系统包含9个区域，每个区域的信道需求数为,。根据系统区域规模和信道总需求数粗略估计信道区间[50, 70]，即,。每次NHNCNN运行的最大迭代步数为。

表2 NHNCNN参数配置

图2和图3为NHNCNN的系统性能仿真输出结果。包括神经元的输入输出函数、能量函数及其放大值。如图所示，在仿真的前阶段(约1-90步之间)，系统在富足的时滞、混沌和噪声神经动力的作用下在相空间里大范围搜索，神经元输入和能量函数的值按照混沌动态演化，变化范围较大，而神经元的输出也在0和1之间频繁变化。而在仿真的后半段，根据模拟退火思想，随着混沌动力和随机噪声的减小，系统逐渐进入梯度搜索过程，逐步向合理解靠近，直至找到合理解。从图中可以明显地看到混沌区的倍周期逆分叉现象。为了看清楚能量函数后半段的梯度收敛过程，特意将其放大，从图中可以看出，在迭代的后半段，能量函数在梯度下降动力的作用下变化越来越小。这正是Hopfield系列神经网络能解决NP问题的精髓所在。值得一提的是，在传统的仿真中，能量函数下降到0或者不再变化时，才认为系统达到了稳定状态。而本文改进了稳态判定进程，当系统能量函数的变化连续3次小于某一个门限的时候，就进入判定流程，而不用等到其不再变化，甚至下降到0为止，这样可以大大提高系统的收敛速度。图2为时，系统平均收敛步数为133步，图3为时，系统平均收敛步数为115步，该结果与前面分析一致。

图2 时NHNCNN系统性能

图3 时NHNCNN系统性能

表3列出了3种算法在3种不同场景下的仿真性能对比结果。从结果可以看出，HNCNN由于具有时滞动力，所以合理解率比NCNN高，而NHNCNN加了噪声可调因子，使得其随机噪声与神经元的输入关联，更有利于跳出局部最小解，所以其合理解率比HNCNN略高。而本文噪声的设置比较大，所以平均迭代步数NHNCNN也是最少的。

表3几种算法的性能比较

算法 FSR(%)AIFSR(%)AIFSR(%)AI NHNCNN98.611595.3 9897.5 89 HNCNN96.111993.210796.4 97 NCNN92.612690.511991.6109

NHNCNN算法将传统的组合优化问题的计算复杂度由阶乘级降低为多项式等级，而收敛判断进程复杂度为对数级，两者为加性运算关系。跟传统的优化算法(此类算法往往流程简单，收敛速度较快，但并没有找到最优解)比较，本文并没有大幅度增加计算复杂度，却能够找到原始问题的最优解，即本文在牺牲了较小运算复杂度的前提下，求得了系统的最优解，在收敛速度和解的质量之间取得了较好的折中。本文算法中每个神经元的初始状态是随机的，这样更能有效模拟实际工程应用案例，便于数学建模。其次，系统通过反馈自学习，能够有效地收敛到最优解，应用到实际工程中能够提高生产效率。同时，对采用其它算法的实际工程具有理论指导和参考意义。

5 结论

本文在同时考虑MBSFN系统中的区域拓扑结构、电磁兼容限制函数、各种多媒体业务的信道需求以及潜在的区域内部和区域之间干扰的情况下，提出了一种基于NHNCNN的动态信道分配方案。根据MBSFN区域的拓扑结构，更新了电磁兼容限制函数。并对其进行物理意义抽象和数学建模，成功构建了能有效避免干扰的NHNCNN能量函数。最后联合类二分法搜索到了最小的信道分配总数。仿真结果显示，本文通过改进稳态判定进程和精心设置实验参数，提出的算法与现有算法相比，能更有效地搜索到全局最优解。最终成功搜索到了最小的信道分配总数，进一步提高了系统的频谱效率。

并且，本文所提的算法能够用于各种MBSFN系统模型以及多小区动态信道分配。

[1] 王凡森, 赵拯, 陈志刚. 一种基于子载波合并的多播资源调度算法[J]. 电子与信息学报, 2014, 36(5): 1184-1189.

Wang F S, Zhao Z, and Chen Z G. A multicast resource scheduling algorithm based on subcarrier merger[J].&, 2014, 36(5): 1184-1189.

[2] Damnjanovic J and Tenny N E. Resource specification for broadcast/multicast services[P]. US, 20140376438, 2014-12-25.

[3] Hu Z, Jiang H, Li H,.. A low-complexity decoding algorithm for coded hierarchical modulation in single frequency networks[J]., 2014, 60(2): 302-311.

[4] Debessu Y G, Wu H C, Jiang H,. New modified turbo decoder for embedded local content in single-Frequency networks[J]., 2013, 59(1): 129-135.

[5] Lentisco C M, Bellido L, de la Fuente A,.. A model to evaluate MBSFN and AL-FEC techniques in a multicast video streaming service[C]. 2014 IEEE 10th International Conference on Wireless and Mobile Computing, Networking and Communications (WiMob), Barcelona, Spain, 2014: 691-696.

[6] Cheng R G, Huang K J, and Yang J S. Radio resource allocation for overlapping MBS zones[C]. Proceedings of the IEEE MWS, Napa Valley, California, 2009: 75-80.

[7] Jiang A X, Feng C Y, and Zhang T K. Research on resource allocation in multi-cell MBMS single frequency networks[C]. Proceedings of the IEEE WOCN, Colombo, Sri Lanka, 2010: 1-5.

[8] Wang M, Zhang S G, Sun Q Y,.. Resources allocation scheme based on mode switch for multicast services in MBSFN[J]., 2014, 543/547: 3044-3048.

[9] Chen S H and Hou T C. Dynamic channel allocation and power control for OFDMA femtocell networks[C]. Proceedings of the IEEE Wireless Communications and Networking Conference (WCNC), Istanbul, 2014: 1721-1726.

[10] Uykan Z and Jantti R. Channel allocation for bidirectional wireless links-part II: algorithms[J]., 2014, 13(7): 3991-4002.

[11] Ben M A and Hamdi M. Dynamic multiuser sub-channels allocation and real-time aggregation model for IEEE 802.11 WLANs[J]., 2014, 13(11): 6015-6026.

[12] Naparstek O and Leshem A. Fully distributed optimal channel assignment for open spectrum access[J]., 2014, 62(2): 283-294.

[13] Moretti M, Abrardo A, and Belleschi M. On the convergence and optimality of reweighted message passing for channel assignment problems[J]., 2014, 21(11): 1428-1432.

[14] Zhang H B and Wang X X. Resource allocation for downlink OFDM system using noisy chaotic neural network[J]., 2011, 47(21): 1201-1202.

[15] Sun M, Zhao L, Cao W,. Novel hysteretic noisy chaotic neural network for broadcast scheduling problems in packet radio networks[J]., 2010, 21(9): 1422-1433.

[16] Sun M, Xu Y, Dai X,.. Noise-tuning-based hysteretic noisy chaotic neural network for broadcast scheduling problem in wireless multihop networks[J]., 2012, 23(12): 1905-1918.

[17] Lin S S and Horng S C. Dynamic channel selection and reassignment for cellular mobile system[C]. Proceedings of the IEEE IS3C, Taichung, China, 2014: 1006-1009.

Interference-avoidance Dynamic Channel Allocation for Multimedia Broadcast Multicast Service Single Frequency Networks

Zhang Hai-bo①②Liu Ying-na①Li Fang-wei①Liu Kai-jian①

①(,,400065,)②(,,,,27695)

A dynamic channel allocation algorithm is proposed to avoid all interference and improve spectrum efficiency in Multimedia Broadcast multicast service Single Frequency Networks (MBSFN). Four electromagnetic compatibility constraint functions are redefined according to the topology information of MBSFN. In order to avoid all intra-area and inter-area interference of MBSFN, a novel energy function of Noise-tuning-based Hysteretic Noisy Chaotic Neural Network (NHNCNN) is constructed elaborately based on renewed constraint functions. Also, the judgment process of the stable state of NHNCNN is developed to accelerate system convergence. Specifically, the dichotomy method is adopted jointly to minimize the total number of allocated channels so as to further improve spectrum efficiency. Simulation results show that a feasible solution without any interference can be effectively searched by the improved NHNCNN. Finally, the optimal solution with minimum total channel number is found. Compared with existing algorithms, the proposed algorithm achieves better convergence speed and quality of solution.

Interference-avoidance; Dynamic channel allocation; Multimedia Broadcast multicast service Single Frequency Networks (MBSFN); Noise-tuning-based Hysteretic Noisy Chaotic Neural Network (NHNCNN); Dichotomy method

TN929.5

A

1009-5896(2015)10-2438-08

10.11999/JEIT150044

2015-01-08；改回日期：2015-06-05；

2015-07-17

张海波 wdkyzl@gmail.com

国家青年自然科学基金(61301122)，重庆市科委项目(cstc2014jcyjA 40052)和重庆市教委项目(KJ1400405)

The National Natural Science Foundation of China (61301122); The General Project on Foundation and Cutting-edge Research Plan of Chongqing (cstc2014jcyjA40052); The Research Program of Chongqing Education Commission (KJ1400405)

张海波： 男，1979年生，博士后，副教授，研究方向为未来宽带无线移动通信网络中的资源分配与优化.

刘盈娜： 女，1992年生，硕士生，研究方向为MBMS系统中的无线资源优化.

李方伟： 男，1960年生，教授，博士生导师，研究方向为无线网络资源管理.