无悔传输：MIMO-OFDM 认知无线电系统中的在线优化

本文研究了因用户和环境条件变化而动态演化的认知无线电系统。为了结合正交频分复用（OFDM）和多输入多输出（MIMO）技术的优势，我们考虑了一个 MIMO-OFDM 认知无线电网络，其中具有多天线的无线用户在多个非干扰频段上进行通信。随着网络中的主用户（PUs）在系统中进出，通信环境不断变化（且在许多情况下是随机的）。因此，网络的未授权次级用户（SUs）必须“即时”调整其发射配置，以便在快速演化且无法控制的环境中最大化其数据速率。在这种动态设置下，静态解概念（如纳什均衡）不再相关，因此我们关注导致无悔的动态发射策略：具体而言，我们考虑的策略是，即使在事后看来，其表现也至少与（且通常优于）最佳固定发射配置相当。借鉴矩阵指数学习方法和在线镜像下降技术，我们为该系统的 SUs 推导了一种仅依赖局部信道状态信息（CSI）的无悔发射策略。使用该方法，系统的 SUs 能够极好地跟踪其各自演化的最优发射配置，即使在快速（且随机）变化的条件下也是如此。重要的是，所提出的增强型指数学习（AXL）策略即使在 SUs 的信道测量受到任意大观测误差（即不完美 CSI 情况）的影响时也能实现无悔，从而确保了该方法在存在不确定性时的鲁棒性。