一种水声软频率复用网络的干扰缓解与资源分配方法
技术领域
本发明属于水声网络频率复用技术领域，具体涉及一种水声软频率复用网络的干扰缓解与资源分配方法。
背景技术
在水声网络中，单跳网络易于实现与控制，可以完成覆盖面积较小、节点数量较少的数据采集任务。随着水声网络的研究和应用发展，越来越大规模的水声网络应用于海洋的探索实践中。例如，在海面布放多个浮标为控制节点(包含水声通信设备)，控制节点之间通过浮标上的无线链路进行通信，每个控制节点与其通信范围内多个数据节点(传感器节点或航行器节点)进行水声通信，形成海上和海下一体化的通信网络，以完成覆盖面积较广、任务较复杂的数据任务。
在以多个控制节点为多小区中心的水声网络中，可以采用频率复用的方式实现多小区的复用。在现有的频率复用方案中，FFR(Fractional frequency reuse)虽然可以有效缓解小区间边缘节点的干扰程度，但系统频谱效率不高；而SFR不仅能够提高系统频谱效率，也能较好地缓解小区边缘节点受干扰的影响。然而，如何更好地缓解时变水声网络小区间的干扰问题，还需进一步研究。
在水声网络多小区内部，多个数据节点共用分配到的频带，自适应OFDMA根据信道状态信息(CSI)对数据节点进行载波和比特分配，能够进一步提高整个系统的吞吐量。自适应OFDMA根据反馈的CSI进行资源分配，但是，水声信道的时变特性使发射机经过反馈链路从接收机获取的CSI往往是延迟的，因此，根据反馈CSI对实际数据发送时刻地信道状态进行预测，才能更准确地根据CSI进行有效的资源分配。但如何克服具有长时延传播反馈的CSI不准确问题，还需进一步研究。
发明内容
本发明的目的是提供一种水声软频率复用网络的干扰缓解与资源分配方法，以缓解现有技术中时变水下多小区网络的小区间干扰，以及优化现有技术中小区内资源分配所使用的长时延反馈CSI不准确问题。
本发明采用以下技术方案：一种水声软频率复用网络的干扰缓解与资源分配方法，包括以下内容：
步骤1、在含有单个控制节点和多个数据节点的多小区水声网络中，将多个所述数据节点划分为中心节点和边缘节点，所述控制节点根据多个所述数据节点的位置信息来计算其接收信号i和干扰信号j的时延差，并根据所述时延差和多个所述数据节点的位置信息设计其自身数据包长度，所述数据包长度使得所述中心节点的干扰因子βi＝0，所述边缘节点的干扰因子满足0＜βi≤1；
步骤2、根据水声网络数据节点SINR公式、所述中心节点的干扰因子和边缘节点的干扰因子，推导所述中心节点和边缘节点的SINR公式；
步骤3、根据步骤2得到的所述SINR公式以及预设的覆盖概率阈值，计算平均覆盖概率，并根据所述平均覆盖概率和水声网络系统总带宽进行边缘区域以及中心区域的频带分配；
步骤4、根据所述步骤3得到的频带分配的结果，计算SINR作为反馈的CSI，构建线性有限状态马尔科夫链预测方程，采用软均值算法预测带有传播时延的CSI；
步骤5、根据所述步骤4预测得到的CSI进行数据节点的自适应资源分配。
进一步的，在所述步骤1中，在含有单个控制节点和多个数据节点的小区中，将小于最佳距离阈值的区域划分为中心区域，反之为边缘区域，中心区域的数据节点为中心节点，边缘区域的数据节点为边缘节点；
所述接收信号i和干扰信号j的时延差τi为：
式(1)中，tj,send、ti,send分别为干扰小区控制节点和目标小区控制节点发送信号的时间，(xi,yi,zi)、(xj,yj,zj)分别为目标小区数据节点i、干扰小区控制节点j的位置坐标，doi为目标小区中心与该小区内数据节点之间的距离，dij为目标小区数据节点与干扰小区控制节点之间的距离，v＝1500m/s表示为声信号在海水中的传播速度。
进一步的，在所述的步骤2中，所述中心节点和边缘节点的SINR公式为：
式(2)中，Pi表示数据节点i从目标小区控制节点得到的有效功率，Pj表示数据节点i从干扰小区控制节点得到的干扰功率，Ai(l,f)，Aj(l,f)分别为控制节点和干扰节点在节点i处的传输衰减，Δf表示水声信道中各载波的频带宽度，Ij为接收到的来自相邻小区相同频率下的干扰，α为小区边缘节点与中心节点的传输功率比，li、lj分别表示为目标小区控制节点以及干扰小区控制节点与数据节点i之间的距离，k为扩展因子，且柱面传播时k＝1，球面传播时k＝2，hi(li,f)、hj(lj,f)分别是数据节点i从目标小区控制节点和干扰小区控制节点获得的信道增益，(li)-k(a(f))-li、(lj)-k(a(f))-lj分别为目标小区控制节点和干扰小区控制节点在数据节点i处的传输衰减，海洋噪声的功率谱密度N(f)根据Wenz模型计算，海水吸收损失系数a(f)根据Thorp公式计算：
进一步的，在所述步骤3中，根据所述SINR以及预设的覆盖概率阈值TFR计算不同频率下的平均覆盖概率，覆盖概率
式(3)中，TFR可根据其对边缘区域频带宽度的影响进行合理设计，或基于数据节点负载通过互补累积分布函数求逆得出，Ej[·]为水下多小区网络中的随机干扰小区j的期望，j1、j2分别表示为传输到小区中心节点和边缘节点的干扰,
依据系统总带宽Btotal、平均覆盖概率
式(4)中，Btotal是系统总带宽，Bedge和Bint分别为小区边缘区域与中心区域的频带宽度；对于宽带系统，频带分配所用平均覆盖概率再进一步取多载频的平均值。
进一步的，步骤4的具体方法为，
首先，将CSIγ转化成有限的信道状态数C(m)，C(m)∈[0,S-1]，其中m是时间，S为信道状态数；根据vs阈值将CSI划分成有限个FSMC状态的离散值，采取等概率法选取vs，使每个FSMC状态的平稳概率πs相等且为1/S；
式(5)中，σ2是瑞利衰落信道增益方差；设置v0＝0，vS+1＝∞，求出各门限vs(s＝1,2,…,S)的值，将CSI划分为[0,v1),[v1,v2),…,[vs,∞)；当CSI落在区间[vs,vs+1]，定义C(m)＝s；
其次，求解线性相关系数ψl；将训练序列T(m)利用状态标签(C(m)＝s)并通过量化的方法映射到不同的状态区域，T(m)再利用Yule-Walker方程计算ψl；利用公式(6)更新和记录ψl：
ψl(m,s)＝ψl(m,C(m+1)＝s|C(m),...,C(m-L+1)) (6)，
式(6)中，ψl(m,s)表示信道状态从C(m-L+1),C(m-L+2),…,C(m)到C(m+1)＝s时，第l个线性相关系数；采用多组T(m)获取临时的多个线性系数，再对其求均值；
再次，建立状态转移概率矩阵P(m)；其中，pq,w(m)元素表示为CSI从状态q转移到状态w的概率，pq,w(m)＝Pr(C(m)＝q|C(m-1)＝w)，维数为S×S；在小尺度衰落信道中，假设从时间m-1到m，FSMC状态只发生在当前或者相邻状态之间，处于状态q的CSI可以转移到相邻状态(q-1)/(q+1)，或保持在原有q状态；
pq,w(m)近似表示为：
定义p0,0，pS-1,S-1，
式(8)中，Ts为符号周期，fd为最大多普勒频移；
最后，根据反馈的延时CSI，利用软均值算法，将ψl(m,s)和P(m)代入公式(10)，预测延时tm时隙后m+1的CSI；
式(9)中，p(s)＝P(C(m+1)＝s|C(m),C(m-1),C(m-L+1))表示为H(m+1)保持C(m+1)状态的条件概率。
进一步的，步骤5的具体方法为：
首先，根据步骤4得到的预测CSI，采用比例公平算法考量数据节点的瞬时传输速率和平均传输速率，来确定数据节点在数据调度时刻使用子载波的优先级，并根据该优先级将子载波资源分配给各个数据节点；
其次，采用自适应调制Chow算法优化每个数据节点子载波上加载的比特数，在系统目标误码率BER和总功率的约束下，最大化每个子载波上的信道容量；
最后，根据比特分配结果bitn计算加载功率
本发明的有益效果是：公开了一种基于时延差的水声软频率复用网络的干扰缓解与资源分配(T-SFR)方法，具体从小区间的干扰抑制和小区内的自适应资源分配两方面进行展开。在小区间，T-SFR方案利用不同信道之间的时延差进行干扰缓解，并基于水声信道的覆盖概率进行频带分配，通过验证得出所提T-SFR方案相对于传统的SFR方案有较高SINR、可缓解小区间干扰，同时具有较高频谱效率。在小区内，针对水声信道的时变特性带来的反馈信道状态信息(CSI)延迟的影响，本发明结合线性函数和马尔科夫链模型构建线性有限状态马尔科夫链(LFSMC)预测器，以预测更准确的CSI用于自适应资源分配，进一步提高系统吞吐量。通过小区间的干扰缓解和小区内的自适应资源分配，最优化水声软频率复用网络的系统吞吐量优于无LFSMC预测器的T-SFR系统，以及无LFSMC预测器的SFR系统的吞吐量。
附图说明
图1是水声多小区网络的应用场景图；
图2为本发明实施例中不同频率复用因子下，小区数据节点的位置与系统容量之间的关系；
图3是本发明的水声SFR网络几何模型图；
图4是本发明实施例中小区1中各区域数据节点受干扰情况的分析图；
图5是本发明实施例中频率变化下不同复用方案的边缘节点的SINR性能比较图；
图6是是本发明实施例中不同频率下边缘节点的SINR性能比较图；
图7为是本发明实施例中不同频率复用方案下，小区半径与系统频谱效率之间的关系图；
图8为是本发明实施例中不同频率下平均覆盖概率与覆盖概率信干噪比阈值之间的关系图；
图9为本发明实施例中不同干扰因子下边缘节点的子频带宽度对比图；
图10为本发明实施例中固定调制方式下系统误比特率性能图；
图11是本发明实施例中固定自适应调制系统(AM)、线性自适应调制系统(LS-AM)、基于马尔科夫链预测(MC-AM)的自适应调制系统和基于LFSMC预测器预测(LFSMC-AM)的自适应调制系统四种自适应方式的吞吐量性能对比图；
图12是本发明实施例中不同频率复用方案下整个网络系统的总吞吐量性能图；
图13为本发明一种水声软频率复用网络的干扰缓解与资源分配方法的方法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供了一种水声软频率复用网络的干扰缓解与资源分配方法，如图13所示包括以下内容：
步骤1、如图1水声多小区网络示意图所示，含有单个控制节点和多个数据节点的小区中，通过系统仿真，在频率复用因子为1和为3两种方案容量相等下，得到最佳距离阈值，将小于最佳距离阈值的区域划分为中心区域，反之为边缘区域，相应地，数据节点被划分为中心节点和边缘节点。
单个控制节点根据本小区所有数据节点的位置信息计算接收信号i和干扰信号j的时延差，并根据时延差和数据节点位置设计数据包长度，使得中心节点的干扰因子βi＝0，边缘节点的干扰因子0＜βi≤1；
步骤2、根据现有的水声网络数据节点SINR公式，以及上述中心节点和边缘节点的干扰因子推导中心节点和边缘节点的SINR公式；
步骤3、根据所述SINR以及预设的覆盖概率阈值计算不同频率下的平均覆盖概率，并根据得到的平均覆盖概率和系统总带宽进行边缘区域以及中心区域的频带分配；
步骤4、根据上述频带分配的结果，计算SINR作为反馈的CSI，构建现有的水声衰落信道模型下的线性有限状态马尔科夫链预测方程，采用软均值算法预测带有传播时延的CSI；
步骤5、根据预测的CSI进行数据节点的自适应资源分配。
其中，在所述步骤1中，在含有单个控制节点和多个数据节点的小区中，通过系统仿真，在频率复用因子为1和为3两种方案容量相等下，得到最佳距离阈值，将小于最佳距离阈值的区域划分为中心区域，反之为边缘区域，相应地，数据节点被划分为中心节点和边缘节点。
控制节点根据所有数据节点位置信息计算接收信号i和干扰信号j的时延差τi：
式(1)中，tj,send、ti,send分别为干扰小区控制节点和目标小区控制节点发送信号的时间，(xi,yi,zi)、(xj,yj,zj)分别为目标小区数据节点i、干扰小区控制节点j的位置坐标，doi为目标小区中心与该小区内数据节点之间的距离，dij为目标小区数据节点与干扰小区控制节点之间的距离，v＝1500m/s表示为声信号在海水中的传播速度。
设计数据包长度为Tp，定义数据节点的干扰因子βi为一个数据包受干扰影响的程度，以百分比表示；
对于中心节点，使τi≥Tp，则能够在干扰来临之前完成数据包的接收，此时βi＝0；对于边缘节点，数据包在被接收时受干扰影响的持续时间为Tp-τi，则
在所述的步骤2中，根据现有的水声网络数据节点SINR公式，以及上述中心节点和边缘节点的干扰因子推导中心节点和边缘节点的SINR公式；
式(2)中，Pi表示数据节点i从目标小区控制节点得到的有效功率，Pj表示数据节点i从干扰小区控制节点得到的干扰功率，Ai(l,f)，Aj(l,f)分别为控制节点和干扰节点在节点i处的传输衰减，Δf表示水声信道中各载波的频带宽度，Ij为接收到的来自相邻小区相同频率下的干扰，α为小区边缘节点与中心节点的传输功率比，li、lj分别表示为目标小区控制节点以及干扰小区控制节点与数据节点i之间的距离，k为扩展因子，且柱面传播时k＝1，球面传播时k＝2，hi(li,f)、hj(lj,f)分别是数据节点i从目标小区控制节点和干扰小区控制节点获得的信道增益，
在步骤3中，根据所述SINR以及预设的覆盖概率阈值TFR计算不同频率下的平均覆盖概率，覆盖概率F(TFR)为数据节点的瞬时SINR大于TFR的概率：
式(3)中，TFR可根据其对边缘区域频带宽度的影响进行合理设计，或基于数据节点负载通过互补累积分布函数求逆得出，Ej[·]为水下多小区网络中的随机干扰小区j的期望，j1、j2分别表示为传输到小区中心节点和边缘节点的干扰,
依据系统总带宽Btotal、平均覆盖概率
式(4)中，Btotal是系统总带宽，Bedge和Bint分别为小区边缘区域与中心区域的频带宽度；对于宽带系统，频带分配所用平均覆盖概率再进一步取多载频的平均值。
在步骤4中，构建现有的水声衰落信道模型下的线性有限状态马尔科夫链预测方程，在离散的有限信道状态数下，将线性相关系数ψl和信道转移概率P(m)带入线性方程，预测数据发送时刻的CSI，使预测的CSI越接近实际的CSI效果越好。具体采取以下步骤：
首先，将CSIγ转化成有限的信道状态数C(m)，C(m)∈[0,S-1]，其中m是时间，S为信道状态数。根据vs阈值将CSI划分成有限个FSMC状态的离散值，采取等概率法选取vs，使每个FSMC状态的平稳概率πs相等且为1/S。
式(5)中，σ2是瑞利衰落信道增益方差。设置v0＝0，vS+1＝∞，求出各门限vs(s＝1,2,…,S)的值。将CSI划分为[0,v1),[v1,v2),…,[vs,∞)。当CSI落在区间[vs,vs+1]，定义C(m)＝s。
其次，求解线性相关系数ψl。将训练序列T(m)利用状态标签(C(m)＝s)并通过量化的方法映射到不同的状态区域，T(m)再利用Yule-Walker方程计算ψl。利用公式(6)更新和记录ψl：
ψl(m,s)＝ψl(m,C(m+1)＝s|C(m),...,C(m-L+1)) (6)，
式(6)中，ψl(m,s)表示信道状态从C(m-L+1),C(m-L+2),…,C(m)到C(m+1)＝s时，第l个线性相关系数。因为不同的T(m)得到的ψl不同，因此采用多组T(m)获取临时的多个线性系数，再对其求均值。
再次，建立状态转移概率矩阵P(m)。其中的pq,w(m)元素表示为CSI从状态q转移到状态w的概率，pq,w(m)＝Pr(C(m)＝q|C(m-1)＝w)，维数为S×S。在小尺度衰落信道中，假设从时间m-1到m，FSMC状态只发生在当前或者相邻状态之间，处于状态q的CSI可以转移到相邻状态(q-1)/(q+1)，或保持在原有q状态。通常Markov过程是平稳的，状态转移概率与时间m无关。在瑞利衰落信道中，pq,w(m)可近似表示为：
定义p0,0，pS-1,S-1
式(8)中，Ts为符号周期，fd为最大多普勒频移。
最后，根据反馈的延时CSI，利用软均值算法，将ψl(m,s)和P(m)代入公式(10)，预测延时tm时隙后m+1的CSI；
式(9)中，p(s)＝P(C(m+1)＝s|C(m),C(m-1),C(m-L+1))表示为H(m+1)保持C(m+1)状态的条件概率。
在步骤5中，采取以下步骤进行自适应资源分配：
首先，根据步骤4得到的预测CSI，采用比例公平算法考量数据节点的瞬时传输速率和平均传输速率，来确定数据节点在数据调度时刻使用子载波的优先级，并根据该优先级将子载波资源分配给各个数据节点；
其次，采用自适应调制Chow算法优化每个数据节点子载波上加载的比特数，在系统目标误码率BER和总功率的约束下，最大化每个子载波上的信道容量。最后，根据比特分配结果bitn计算加载功率
采用Chow算法优化每个数据节点子载波上加载的比特数。根据最优的比特分配以及功率加载进行数据信息的传输，以获取最优的吞吐量。通过预测数据传输时的CSI，以提高系统的吞吐量。
实施例
表1 参数设置
根据上述表1给出的参数，以下从5个步骤来验证本发明实施方案的合理性：
1.在含有单个控制节点和多个数据节点的小区中，如图2小区数据节点的几何位置与系统容量的关系图所示，图中横坐标表示数据节点与控制节点之间的距离。假设小区半径为R，则在0.72的位置表示数据节点与控制节点之间的距离为0.72R。仿真结果表明，图中频率复用因子为1和为3两种方案都是随着数据节点与控制节点的距离变大，系统容量都在下降。并且可得到，小区中心与边缘区域的合理划分应该以半径比0.72为界点，距离小于0.72R的区域为中心区域，反之为边缘区域，相应地，数据节点被划分为中心节点和边缘节点。
依据此方法可以得出，每个小区中的6个数据节点被划分为4个中心节点和2个边缘节点。控制节点根据本小区所有数据节点的位置信息计算接收信号i和干扰信号j的时延差τi，并根据时延差τi和数据节点位置设计数据包长度Tp。
对于中心节点，使τi≥Tp，则能够在干扰来临之前完成数据包的接收，此时，中心数据节点不会受到相邻小区的干扰，βi＝0。图3从二维的角度显示了水声多小区网络的几何模型图，可见小区的数据节点被划分为中心节点和边缘节点，相应地，小区被划分为中心区域与边缘区域；并按照图3-(b)中的不同功率级将相对应的频带资源分配给各个小区中不同区域的数据节点，小区边缘节点的功率级高于中心节点，以减少边缘节点受干扰的影响。结合图3和图4举例说明：当中心节点i处于如图3-(a)中的五角星位置时，该数据节点i不仅会在doi/v s收到来自服务小区控制节点的有用信号，也会在dij/v s受到来自邻区的干扰；如图4-(a)所示，当τ1大于Tp时，此节点的数据包信息不会受到干扰。当中心节点i位于如图3-(a)的圆形位置时，如图4-(b)所示，该数据节点i的τ2等于Tp，此时，该节点的数据包刚好不会受到干扰影响。
对于边缘节点，数据包在被接收时受干扰影响的持续时间为Tp-τi，则
2.根据现有的水声网络数据节点SINR公式，以及上述中心节点和边缘节点的干扰因子由公式(2)推导中心节点和边缘节点的SINR。图5对比了频率变化下不同复用方案的边缘节点的SINR性能。结果表明，在理论和仿真信道下，T-SFR方案的SINR均为最优，其次是SFR，最次为FFR，且随着f的增大，SINR呈现非单调变化，且在一定频率上有最大值，因此，系统可以为边缘节点提供最优的工作频率，以最大化SINR。图6分析了边缘节点在不同干扰因子βi下，频率变化时边缘节点的SINR性能，可见，随着βi增大，SINR呈非线性减小；且当工作频率f等于最佳工作频率11kHz时，边缘节点的SINR性能最优。图7对比了不同频率复用方案下的频谱效率，仿真结果可见，频谱效率在某一固定小区半径的性能最优，并且三种方案的频谱效率存在如下关系：T-SFR>SFR>FFR。
3.根据上述边缘节点的SINR以及预设的覆盖概率阈值，利用公式(3)计算不同频率下的平均覆盖概率，并根据得到的平均覆盖概率，在系统总带宽Btotal范围为9kHz～15kHz下推导边缘区域频带分配Bedge，进而依据已知的Bedge得出中心区域的频带分配。图8仿真了不同频率下的平均覆盖概率，可见，随着干扰因子βi和SINR阈值的增大，覆盖概率减小。图9仿真了边缘区域在不同SINR阈值下的分配频带宽度。结果表明，随着SINR阈值和βi的增大，边缘区域被分配到的频带宽度越大。在水声网络中，通过确定βi和合适的SINR阈值来满足边缘节点的速率需求。
4.根据所述频带分配结果，计算SINR作为自适应资源分配时所需的反馈CSI，并根据现有的水声衰落信道模型构建线性有限状态马尔科夫链预测方程，在离散的有限信道状态数下，采用公式(9)中的软均值算法预测数据发送时刻的CSI。
5.根据预测的CSI，首先将512个子载波资源采用比例公平算法分配给数据调度时刻的数据节点，然后利用自适应调制Chow算法优化子载波上加载的比特数，最后根据比特分配结果计算加载功率，进而完成数据节点的自适应资源分配。图10为四种固定调制方式下的系统误比特率性能，从图中可得出：在一定误比特率下，在某SINR阈值区间内存在一种调制方式使得加载比特数最多。例如，在误比特率BER约束为10-3时，表2给出了不同SINR阈值区间对应的最优的调制方式(与比特数对应)，以用于自适应资源分配。
表2 调制切换阈值
通过预测实际数据传输时的CSI，能够提高系统的吞吐量。图11对比了几种自适应方案的系统吞吐量性能，具体为以下四种方案：无预测自适应调制(AM)、线性预测自适应调制(LS-AM)、马尔科夫链预测自适应调制(MC-AM)以及提出的LFSMC自适应调制(LFSMC-AM)。由于对信道时延考虑的不充分，基于直接反馈CSI的无预测AM性能最差；MC-AM的吞吐量性能优于LS-AM，可见马尔科夫链模型的优异性能；因为LFSMC-AM中的CSI预测方法结合了线性函数和马尔可夫链模型的有点，因此LFSMC-AM吞吐量性能在几种方式里面最优。
根据以上步骤所述参数和方法对时变水声网络进行自适应资源分配仿真实验，以7小区的水声网络为例，从有CSI预测和无CSI预测两个角度对比了FFR、SFR、T-SFR三种频率复用方案的吞吐量性能，各方案的性能如图12所示。从图中可以得出T-SFR-LFSMC方案在中心区域与边缘区域吞吐量表现上均优于其他方案，这是因为该方案一方面对中心区域节点采用了较低发射功率、对边缘区域节点采用较高的发射功率缓解干扰，并利用T-SFR的时延差思路降低了相邻小区部分干扰的影响，一方面利用LFSMC预测器获取了更准确的CSI，提高了小区内自适应资源分配性能。由于总吞吐量为中心区域与边缘区域吞吐量之和，所以T-SFR-LFSMC方案下的总吞吐量性能最优，有LFSMC预测器的T-SFR系统比无预测器的T-SFR系统在吞吐量上提高了6.2％，比无预测器的SFR系统在吞吐量上提高了35％。
本发明具体从以下两个方面进行效果分析：在小区间，T-SFR方案利用不同信道之间的时延差进行干扰缓解，并基于水声信道的覆盖概率进行频带分配，T-SFR方案在缓解小区间干扰的同时能保持较好的频谱效率，通过T-SFR方案的提出，SINR比传统的SFR提高了0.9dB，频谱效率比传统的SFR平均提升了约10％。在小区内，针对水声信道的时变特性带来的反馈信道状态信息(CSI)延迟的影响，本发明结合线性函数和马尔科夫链模型构建线性有限状态马尔科夫链(LFSMC)预测器，以预测更准确的CSI用于自适应资源分配，进一步提高系统吞吐量。采用本发明所提出的实施方案，通过小区间的干扰缓解和小区内的自适应资源分配，最优化水声软频率复用网络的系统吞吐量显著提高，实例仿真结果显示有LFSMC预测器的T-SFR系统比无预测器的T-SFR系统在吞吐量上提高了6.2％，比无预测器的SFR系统在吞吐量上提高了35％。
