1.认知中继网络能量效率最大化的功率分配优化方法，其特征在于，包含以下具体步骤：步骤1)，将总带宽分成N(n＝1,2...N)个正交的子载波，每个子载波的带宽为B Hz；将认知中继系统分成两个时隙TS1和TS2，TS1完成认知源到认知中继的信号发送，TS2完成认知中继到认知终端的信号发送；

令P1,n和P2,n分别是TS1和TS2中第n个子载波发送的传输功率，H1,n和H2,n分别是TS1和TS2的信道增益，TS1和TS2的子载波噪声方差都为 的加性高斯白噪声，a＝1，2；

认知中继采用AF模式，根据香农容量公式分别得到TS1、TS2中第n个子载波上的信息传输速率R1,n、R2,n：式中，

总传输速率必须满足最低要求，又 所以总传输速率步骤2)，令 和 分别表示频谱感知中子载波n的漏检概率和虚警概率主用户能够任意时刻接入授权频段且主用户占用第n个子载波的概率为 子载波总集合为N，由频谱感知，记NV为空闲子载波的集合，NO为被占用子载波的集合，N＝NV∪NO；

令φj为第j个子载波被主用户占用且被认知无线网络检测为占用的概率，βj为第j个子载波被主用户占用但被认知无线网络检测为空闲的概率；

由贝叶斯公式得到：

则子载波n每消耗单位功率对主用户的干扰为：其中 表示TSi中次用户占用第n个子载波每消耗单位功率对占用第j个子载波的主用户的干扰，i＝1,2：式中，Gi,j表示TSi中从认知无线网络到占用第j个子载波的主用户接收端的信道增益；

表示发射信号的功率谱密度，Ts表示OFDM符号间隔；

步骤3)，建立最优化模型：

式中，认知源和认知中继的电路运行消耗Pc＝Ps+ξR，Ps表示静态电路消耗的功率，ξ表示单位发射速率消耗的功率，R为传输速率，Ith是主用户能承受的子载波的干扰极限，和 分别是认知源和认知中继的总功率预算；

步骤4)，对最优化模型进行一次转换：

s.t.C1,C2,C3,C4,C5,C6令 则当

时， 与一次转换后的最优化模型的最优功率解一致；

令 P1和P2分别表示分配给TS1和

TS2中的子载波的功率，对最优化模型进行二次转换：s.t.C1,C2,C3,C4,C5,C6令OP3的最优值为 S表示符合条件的所有P1和P2的集合；由OP3得到拉格朗日方程：

式中，λ1,λ2,λ3,λ4都是拉格朗日乘子；对L求偏导：有比例关系：

根据KKT条件和对L求偏导的公式得到OP3的最优功率分配方案：P2,n*＝CnP1,n*

其中[.]+＝max(0,.)；

采用次梯度算法更新拉格朗日乘子，得出最优值。

2.根据权利要求1所述的认知中继网络能量效率最大化的功率分配优化方法，其特征在于，所述步骤4)中采用次梯度算法更新拉格朗日乘子得出最优值的具体步骤如下：在次梯度方向通过预设的步长阈值δ来迭代更新拉格朗日系数，在第k次迭代中，k为预设的最大迭代次数，λ＝(λ1,λ2,λ3,λ4)更新为：*

得到λ1,λ2,λ3,λ4的值后，对α迭代更新，找到最优值α，得到OP3的最优解。

3.认知中继网络能量效率最大化的功率分配次优化方法，其特征在于，包含以下步骤：步骤A)，将总带宽分成N(n＝1,2...N)个正交的子载波，每个子载波的带宽为B Hz；将认知中继系统分成两个时隙TS1和TS2，TS1完成认知源到认知中继的信号发送，TS2完成认知中继到认知终端的信号发送；

令P1,n和P2,n分别是TS1和TS2中第n个子载波发送的传输功率，H1,n和H2,n分别是TS1和TS2的信道增益，TS1和TS2的子载波噪声方差都为 的加性高斯白噪声，a＝1，2；

认知中继采用AF模式，根据香农容量公式分别得到TS1、TS2中第n个子载波上的信息传输速率R1,n、R2,n：式中，

步骤B)，令 和 分别表示频谱感知中子载波n的漏检概率和虚警概率主用户能够任意时刻接入授权频段且主用户占用第n个子载波的概率为 子载波总集合为N，由频谱感知，记NV为空闲子载波的集合，NO为被占用子载波的集合，N＝NV∪NO；

令φj为第j个子载波被主用户占用且被认知无线网络检测为占用的概率，βj为第j个子载波被主用户占用但被认知无线网络检测为空闲的概率；

由贝叶斯公式得到：

则子载波n每消耗单位功率对主用户的干扰为：其中 表示TSi中次用户占用第n个子载波每消耗单位功率对占用第j个子载波的主用户的干扰，i＝1,2：式中，Gi,j表示TSi中从认知无线网络到占用第j个子载波的主用户接收端的信道增益；

表示发射信号的功率谱密度，Ts表示OFDM符号间隔；

步骤C)，建立TS1最优化模型：

TS1中能效最大化问题表示为：

式中，Ps表示静态电路消耗的功率，ξ表示单位发射速率消耗的功率，R1,n为TS1上传输速率，Ith是主用户能承受的子载波的干扰极限， 是认知源的总功率预算；

步骤D)，对TS1最优化模型进行一次转换：s.t.C1,C3,C5

令 P1表示分配给TS1中的子载波的功率，对最优化模型进行二次转换：

s.t.C1,C3,C5

由OP3可得拉格朗日函数，由KKT条件可得：+

其中[.]＝max(0,.)；

采用次梯度算法更新拉格朗日乘子，得出最优值；

步骤E)，利用TS1得到的解决方案，TS2的优化问题可转化表示为：s.t.C2,C4,C6

令 P2表示

分配给TS2中的子载波的功率，对最优化模型进行二次转换：s.t.C2,C4,C6

由OP5可得拉格朗日函数，由KKT条件可得最佳解决方案：其中an＝(1+P1,nγ1,n)γ2,n2，bn＝[(P1,nγ1,n)2+2P1,nγ1,n]γ2,n，且[.]+＝max(0,.)；

采用次梯度算法更新拉格朗日乘子，得出最优值。

4.根据权利要求3所述的认知中继网络能量效率最大化的功率分配次优化方法，其特征在于，所述步骤D)中采用次梯度算法更新拉格朗日乘子得出最优值的具体步骤如下：在次梯度方向通过预设的步长阈值υ来迭代更新拉格朗日系数，在第k次迭代中，k为预设的最大迭代次数，η＝(η1,η3)更新为：得到η1,η3的值后，对μ迭代更新，找到最优值μ*，得到OP3的最优解。

5.根据权利要求4所述的认知中继网络能量效率最大化的功率分配次优化方法，其特征在于，所述步骤E)中采用次梯度算法更新拉格朗日乘子得出最优值的具体步骤如下：在次梯度方向通过预设的步长阈值υ来迭代更新拉格朗日系数，在第k次迭代中，k为预设的最大迭代次数，将 更新为：得到 后，对ψ迭代更新，找到最优值ψ*，得到OP5的最优解。