CN101442388B - 一种多输入多输出系统中的预编码方法和装置 - Google Patents

Abstract

本发明公开一种多输入多输出系统中的预编码方法和装置。该方法包括：根据先前时刻的CSI预测发送时刻的CSI；根据预测的CSI获得预编码向量；根据发送数据和预编码向量生成发送信号。本发明提供的预编码方法和装置，根据当前CSI及历史CSI对发送时刻的信道进行预测，利用预测得到的CSI对预编码向量进行设计，减小了信道延时带来的用户间干扰，并根据信道预测误差对预编码向量进行修正，进一步提高系统性能。

Description

一种多输入多输出系统中的预编码方法和装置

技术领域

本发明涉及多输入多输出(Multiple-Input Multiple-Output，MIMO)技术，尤其涉及一种多输入多输出系统中的预编码方法和装置。

背景技术

未来的无线通信系统需要为用户提供高速率的数据业务。音频、视频、图像以及互联网等多媒体业务将成为未来移动通信的主导业务。这些业务对于无线链路传输能力的要求明显提高(要求峰值业务速率大于20Mbps)，这就需要使用更宽的带宽承载这些业务，但可以使用的带宽是有限的。为了解决高速率传输和有限带宽这对矛盾，Foschini和Gans证明了如果发送端和接收端采用多根天线，无线通信系统的容量会随着使用的天线个数呈线性增长，这一结论激发了人们对多输入多输出技术的广泛研究。至今，MIMO技术也已经被多个国际标准所采纳，被公认为后三代(B3G)移动通信系统的物理层基本技术之一。

随着多天线技术的研究，MIMO技术已经从传统的点对点的单用户MIMO系统发展到了点对多点的多用户MIMO(Multi-UserMIMO，MU-MIMO)系统。MU-MIMO系统中，多个用户复用相同的信道资源，复用增益能够大大提高系统容量。但是，多个用户共用相同的时隙、频率、码字资源必然会带来多用户共道干扰。这种情况下，需要采用预编码技术来降低多用户之间的干扰。MU-MIMO预编码技术主要包括线性(Linear)预编码和非线性(Non-linear)预编码，这些算法大多需要在发送端得到完整(Perfect)的信道状态信息(Channel State Information，CSI)。但是，无线信道是一个多径时变信道，在实际系统中，CSI的获得或者是通过接收端信道估计反馈给发送端(例如频分双工(Frequency Division Duplex，FDD)系统)；或者是利用上、下行信道的对称特性得到(例如时分双工(Time DivisionDuplex，TDD)系统)。不管采取哪种方式，总是不可避免的存在着反馈时延和上下行信道的处理延时。在时变信道下发送端所获得的CSI无法准确的反映发送时刻的信道状态，此时的CSI不是Perfect CSI，而是部分信道状态信息(Partial CSI)。

图1为传统单小区TDD系统中理想信道下MU-MIMO预编码的设计示意图。理想信道是指不考虑延时对信道带来的影响，基站根据信道估计得到的H_i(t)直接进行预编码设计。如图1所示，该系统中包括基站11，基站配置N根发射天线。MU-MIMO系统中有K个用户，即用户12、...、用户13，第i个用户配置M_i根天线(i＝1，...，K)。H_i(t)为第i个用户的信道矩阵。H_i(t)可表示为

(M_i×N)(1)

其中，

表示i用户的第m根接收天线到基站的第n根发射天线之间的信道参数。

图1中，每个用户通过上行信道发送导频信息，基站11根据导频信息通过信道估计111估计每个用户的信道矩阵H₁(t)H₂(t)…H_K(t)。F_i为用户i对应的N维预编码列向量，S_i(t)为t时刻第i个用户的发送数据。用户i的发送数据S_i(t)和预编码向量F_i相乘后，叠加到一起形成信号X(t)，经N根天线发送出去。X(t)为N维列向量，叠加后的信号X(t)可表示为

$X\left(t\right)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{F}_k{S}_k\left(t\right)---\left(2\right)$

在接收端，用户i的接收信号为

$Y_i=H_i\left(t\right)X\left(t\right)+V_i\left(t\right)=H_i\left(t\right)\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{F}_k{S}_k\left(t\right)+V_i\left(t\right)$

$=H_i\left(t\right)F_i{S}_i\left(t\right)+\underset{k=1,k\≠i}{\overset{K}{\mathrm{\Σ}}}{H}_i\left(t\right)F_k{S}_k\left(t\right)+V_i\left(t\right)---\left(3\right)$

上式(3)中第一项为本用户信息，第二项为其他用户产生的共道干扰(Co-channel Interference，CCI)，最后一项为加性噪声。假设发送数据和波束成型向量归一化，即E|s_k(t)|²＝1，||F_k||²＝1。用户i的信干噪比(Signal to Interference plus Noise Ratio，SINR)可表示为：

${\mathrm{SINR}}_i=\frac{{\left|\right|H_i\left(t\right)F_i\left|\right|}^2}{M_i{\mathrm{\σ}}_i^2+\underset{k=1,k\≠i}{\overset{K}{\mathrm{\Σ}}}{\left|\right|H_i\left(t\right)F_k\left|\right|}^2}---\left(4\right)$

用户i预编码向量的作用是消除CCI，同时降低噪声带来的影响，即使接收信号的SINR最大。实际系统中，由于TDD系统存在着上下行信道的处理时延，FDD系统存在反馈时延，该时延τ使得实际的接收信号变为：

$Y_i=H_i(t+\mathrm{\τ})F_i{S}_i\left(t\right)+\underset{k=1,k\≠i}{\overset{K}{\mathrm{\Σ}}}{H}_i(t+\mathrm{\τ})F_k{S}_k\left(t\right)+V_i(t+\mathrm{\τ})---\left(5\right)$

由于TDD系统和FDD系统存在着上下行的处理延时和反馈延时，时变信道下H_i(t)≠H_i(t+τ)，延时带来的误差会降低预编码系统性能，时变信道下根据带延时的信道状态信息进行预编码将对系统性能带来较大损失。

发明内容

本发明要解决的一个技术问题是提供一种多输入多输出系统中的预编码方法，能够提高预编码系统的性能。

本发明提供一种多输入多输出系统中的预编码方法，包括：根据先前时刻的CSI预测发送时刻的CSI；根据预测的CSI获得预编码向量；根据发送数据和预编码向量生成发送信号。

根据本发明的预编码方法的一个实施例，上述根据预测的CSI获得预编码向量的步骤包括：根据预测的CSI和信道预测误差获得预编码向量。

根据本发明的预编码方法的另一个实施例，根据先前时刻的CSI预测发送时刻的CSI的步骤包括：通过信道估计获得所述先前时刻的CSI；根据先前时刻的CSI通过线性预测或者非线性预测获得发送时刻的CSI。其中，在TDD系统中根据信道对称性获得先前时刻的CSI；在FDD系统中通过反馈信道获得先前时刻的CSI。

本发明提供的多输入多输出系统中的预编码方法，根据先前时刻的CSI预测发送时刻的CSI，根据预测的CSI来获得预编码向量，减小了信道延时带来的用户间干扰，提高了预编码系统的性能。

进一步，根据信道预测误差对预编码向量进行修正，进一步提高系统性能。

本发明要解决的一个技术问题是提供一种多输入多输出系统中的预编码装置，能够提高预编码系统的性能。

本发明提供一种多输入多输出系统中的预编码装置，包括：预测模块，用于根据先前时刻的CSI预测发送时刻的CSI；向量生成模块，用于根据预测模块预测的发送时刻的CSI获得预编码向量；信号生成模块，用于根据发送数据和向量生成模块获得的预编码向量生成发送信号。

根据本发明的预编码装置的一个实施例，该装置还包括：均方误差获取模块，用于获取CSI的预测均方误差；向量生成模块，用于根据均方误差获取模块获取的预测均方误差和预测模块预测的发送时刻的CSI获得预编码向量。

本发明提供的多输入多输出系统中的预编码装置，通过预测模块根据先前时刻的CSI预测发送时刻的CSI，通过向量生成模块根据预测的CSI来获得预编码向量，减小了信道延时带来的用户间干扰，提高了预编码系统的性能。

附图说明

图1为传统单小区TDD系统中理想信道下MU-MIMO预编码的系统示意图；

图2为本发明的基于信道预测的MU-MIMO预编码的系统示意图；

图3为本发明的多输入多输出系统中的预编码方法的一个实施例的流程图；

图4为本发明的多输入多输出系统中的预编码方法的另一个实施例的流程图；

图5为本发明的多输入多输出系统中的预编码装置的一个实施例的流程图；

图6为本发明的多输入多输出系统中的预编码装置的另一个实施例的流程图；

图7为车速为30km/h时几种预编码方案仿真的误码率性能的曲线图；

图8为车速为60km/h时几种预编码方案仿真的误码率性能的曲线图。

具体实施方式

下面参照附图对本发明进行更全面的描述，其中说明本发明的示例性实施例。

本发明的基本思想是，基于通过信道估计获得的先前时刻的CSI对发送时刻的CSI进行预测，利用预测的发送时刻的CSI进行预编码向量的设计，减小延时带来的影响。

图2为本发明的基于信道预测的MU-MIMO预编码的系统示意图。如图2所示，在t时刻基站21经信道估计211得到信道状态信息H₁(t)H₂(t)…H_K(t)，然后结合一组历史信道状态信息的样本点[H₁(t-1)H₂(t-1)…H_K(t-1)]，…，

预测t+τ时刻的信道状态信息

其中K_p为历史样本点个数。然后根据t+τ时刻的预测的信道状态信息

获得预编码向量F₁F₂…F_k，将用户i的发送数据S_i(t)和预编码向量F_i相乘后，叠加到一起形成信号X(t+τ)，经N根天线发送出去。

图3为根据本发明的多输入多输出系统中的预编码方法的一个实施例的流程图。

如图3所示，在步骤302，根据先前时刻的CSI预测发送时刻的CSI。例如，在已知先前时刻t，t-1，...，t-K_p的CSI时，通过线性预测或者非线性预测算法来预测发送时刻t+τ的CSI。先前时刻t，t-1，...，t-K_p的CSI可以通过信道估计获得，并存储在基站中。TDD系统中CSI可以通过信道对称性得到，即用户在上行信道发送导频序列，基站根据导频估计出上行信道的CSI，然后用该CSI作为下行信道的CSI进行下行预编码。FDD系统中当前CSI的获取需要终端通过反馈信道得到，即基站在下行信道发送导频序列，用户根据导频序列对各自的CSI进行估计，然后通过上行的反馈信道反馈给基站进行下行预编码。

在步骤304，根据预测的发送时刻t+τ的CSI获得预编码向量。

在步骤306，根据预编码向量和发送数据生成发送信号。将各个用户的发送数据和其对应的预编码向量相乘，叠加后形成发送信号，通过基站的多个天线发送出去。

MU-MIMO预编码使用的CSI是一个信道矩阵，需要对信道矩阵中的每一个天线对进行预测，然后得到预测的整个信道矩阵。预测是在每个天线对之间进行的，如果天线对之间的信道是多径的，则需要对每条径分别预测。目前使用的信道预测算法方法主要分为两大类：一类是从滤波器理论的方向出发，通过一定的准则(如最小均方误差准则等)得到相应的滤波器抽头系数，从而进行信道预测的，称之为基于滤波器的线性信道预测方法；另一类是基于信道模型的参数估计的方法，将信道看成是多个正弦平面波的叠加，从而估计具有主要影响的到达波束的参数，进而进行信道预测的(如采用ESPRIT、MUSIC算法等)，称之为基于物理模型的信道预测算法。此外，信道预测算法还包括基于神经网络的预测算法，基于非线性的Volterra自适应估计和基于信道估计的Peony算法。这些信道预测算法均可以对CSI进行预测。线性滤波器预测算法具有实现简单和算法复杂较低的优点。

在图2中，如果预测精度足够，则

${\hat{H}}_i(t+\mathrm{\τ})\≈H_i(t+\mathrm{\τ})---\left(6\right)$

接收信号的SINR为：

${\mathrm{SINR}}_i=\frac{{\left|\right|H_i(t+\mathrm{\τ})F_i\left|\right|}^2}{M_i{\mathrm{\σ}}_i^2+\underset{k=1,k\≠i}{\overset{K}{\mathrm{\Σ}}}{\left|\right|H_i(t+\mathrm{\τ})F_k\left|\right|}^2}---\left(7\right)$

但是，在高速移动情况下，信道预测会带来较大误差，即

${\hat{H}}_i(t+\mathrm{\τ})\≠H_i(t+\mathrm{\τ}),$ 假设

${\hat{H}}_i(t+\mathrm{\τ})=H_i(t+\mathrm{\τ})+e_i(t+\mathrm{\τ})---\left(8\right)$

信道预测的均方误差表示为：

${\mathrm{\σ}}_e^2=E{\left[e(t+\mathrm{\τ})\right]}^2---\left(9\right)$

接收信号为

$Y_i={\hat{H}}_i(t+\mathrm{\τ})F_i{S}_i\left(t\right)+\underset{k=1,k\≠i}{\overset{K}{\mathrm{\Σ}}}{\hat{H}}_i(t+\mathrm{\τ})F_k{S}_k\left(t\right)+V_i(t+\mathrm{\τ})---\left(10\right)$

用户i接收信号的SINR为

${\mathrm{SINR}}_i=\frac{{\left|\right|{\hat{H}}_i(t+\mathrm{\τ})F_i\left|\right|}^2}{M_i{\mathrm{\σ}}_i^2+\underset{k=1,k\≠i}{\overset{K}{\mathrm{\Σ}}}{\left|\right|{\hat{H}}_i(t+\mathrm{\τ})F_k\left|\right|}^2}---\left(11\right)$

对上式(11)求数学期望，得

${\mathrm{SINR}}_i^{\′}=\frac{E\left({\left|\right|{\hat{H}}_i(t+\mathrm{\τ})F_i\left|\right|}^2\right)}{M_i{\mathrm{\σ}}_i^2+E\left(\underset{k=1,k\≠i}{\overset{K}{\mathrm{\Σ}}}{\left|\right|{\hat{H}}_i(t+\mathrm{\τ})F_k\left|\right|}^2\right)}$

$=\frac{F_i^H({\hat{H}}_i^H(t+\mathrm{\τ})H_i(t+\mathrm{\τ})+M_i{\mathrm{\σ}}_e^{2}I)F_i}{F_k^H(M_i{\mathrm{\σ}}_i^{2}I+\underset{k=1,k\≠i}{\overset{K}{\mathrm{\Σ}}}{M}_k{\mathrm{\σ}}_e^{2}I+{{\hat{H}}_i}^H(t+\mathrm{\τ}){\hat{H}}_i(t+\mathrm{\τ}))F_k}---\left(12\right)$

其中，E(·)为(·)的求数学期望操作，M_k为用户k的接收天线数，

为噪声方差。(12)式为基于信道预测误差修正的用户i接收信号的SINR，根据该等式，可以求出最大SINR准则下预编码向量的最优解。

需要指出，对于基于其他准则求预编码向量的方法，也可以根据修正后的代价函数求出修正后的预编码向量。

最大SINR准则的效果较好，但存在多个用户的迭代求解，复杂度也比较高。下面以一种次优的准则-最大信号泄露噪声比(SLNR)准则为例给出修正后预编码向量的表达式。

分析(4)式，用户i的信号功率为||H_i(t)F_i||²，

为其他用户对用户i的干扰功率。与此同时，用户i也会对其他用户产生干扰，称这种干扰功率为泄露功率，用||H_k(t)F_i||²表示，

为用户i泄露到所有其他用户的总功率。对于用户i来说，希望用户i泄露到其他用户的功率越少越好。基于这种考虑，可以得到最大SLNR准则的代价函数

${\mathrm{SLNR}}_i=\frac{{\left|\right|H_i\left(t\right)F_i\left|\right|}^2}{M_i{\mathrm{\σ}}_i^2+\underset{k=1,k\≠i}{\overset{K}{\mathrm{\Σ}}}{\left|\right|H_i\left(t\right)F_k\left|\right|}^2}---\left(13\right)$

与(4)式相比，分母中的H_i(t)F_k被H_k(t)F_i替换，这样的好处是用户i可以直接根据所有用户的信道矩阵求出其预编码向量，而不需要多个用户之间进行迭代。对(13)式求最优解的问题可以就转化为广义瑞利商问题，最优解为

$F_i\∝\max .\mathrm{eigenvector}\left({(M_i{\mathrm{\σ}}_i^{2}I+\widetilde{H_i^H}\left(t\right)\widetilde{H_i}\left(t\right))}^{-1}{H}_i^H\left(t\right)H_i\left(t\right)\right)---\left(14\right)$

其中， $\widetilde{H_i\left(t\right)}={[H_1\left(t\right)...H_{i-1}\left(t\right)H_{i+1}\left(t\right)...H_K\left(t\right)]}^H.$ 当考虑信道预测误差时，基于上述对最大SINR准则的分析方法，最大SLNR准则的代价函数变为

${\mathrm{SLNR}}_i^{\′}=\frac{E\left({\left|\right|{\hat{H}}_i(t+\mathrm{\τ})F_i\left|\right|}^2\right)}{M_i{\mathrm{\σ}}_i^2+E\left(\underset{k=1,k\≠i}{\overset{K}{\mathrm{\Σ}}}{\left|\right|{\hat{H}}_k(t+\mathrm{\τ})F_i\left|\right|}^2\right)}$

$=\frac{F_i^H({\hat{H}}_i^H(t+\mathrm{\τ})H_i(t+\mathrm{\τ})+M_i{\mathrm{\σ}}_e^{2}I)F_i}{F_i^H(M_i{\mathrm{\σ}}_i^{2}I+\underset{k=1,k\≠i}{\overset{K}{\mathrm{\Σ}}}{M}_k{\mathrm{\σ}}_e^{2}I+{{\hat{H}}_i}^H(t+\mathrm{\τ}){\hat{H}}_i(t+\mathrm{\τ}))F_i}---\left(15\right)$

该代价函数对应的最优解为：

$F_i\∝\max .\mathrm{eigenvector}\left({(M_i{\mathrm{\σ}}_i^{2}I+\underset{k=1,k\≠i}{\overset{K}{\mathrm{\Σ}}}{M}_k{\mathrm{\σ}}_e^{2}I+\widetilde{\hat{H_i^H}(t+\mathrm{\τ})}\widetilde{\hat{H_i}(t+\mathrm{\τ})})}^{-1}(H_i^H(t+\mathrm{\τ})H_i(t+\mathrm{\τ})+M_k{\mathrm{\σ}}_e^{2}I)\right)---\left(16\right)$

上述预测t+τ时刻的CSI需要预测每个用户的信道矩阵H_i(t+τ)，H_i(t+τ)矩阵中共有M_i×N个天线对，预测时要对这M_i×N个天线对分别预测。由于各个天线对采用相同的信道预测算法，可以近似地认为各个天线对上得到的预测方差相等。

FDD系统下的预测预编码方案与TDD系统类似，区别在于基站获取CSI的方式不同。FDD需要基站在下行信道发送导频信息，用户信道估计后通过反馈信道把CSI反馈给基站。FDD系统的时延主要是由反馈信道的反馈时延产生的。

图4为本发明的多输入多输出系统中的预编码方法的另一个实施例的流程图。

如图4所示，在步骤402，获得信道预测的均方误差。信道预测均方误差根据信道估计的CSI和信道预测的CSI得到的。信道预测均方误差作为一个统计值，在一段时间内保持不变。

在步骤404，通过信道估计获得t时刻的CSI。

在步骤406，根据历史CSI和t时刻的CSI预测发送时刻的CSI。历史CSI可以存储在基站中。

在步骤408，根据发送时刻的CSI和信道预测均方误差，通过代价函数获得预编码向量。根据预测的CSI生成预编码代价函数，可以基于最大信干噪比(SINR)、迫零(ZF)、最小均方误差(MMSE)以及最大信号泄漏噪声比(SLNR)准则设计预编码代价函数。根据信道预测误差对预编码代价函数进行修正，获得预编码代价函数对应的预编码向量。

在步骤410，根据发送数据和预编码向量生成发送信号，通过基站的多条天线发送出去。

图5为本发明的多输入多输出系统中的预编码装置的一个实施例的流程图。如图5所示，该预编码装置包括预测模块51、向量生成模块52和信号生成模块53。其中，预测模块51用于根据先前时刻的CSI预测发送时刻的CSI，将预测的CSI发送给向量生成模块52。向量生成模块52，用于根据预测模块51预测的发送时刻的CSI来获得预编码向量，将该预编码向量发送给信号生成模块53。信号生成模块53，用于根据发送数据和向量生成模块52获得的预编码向量生成发送信号。预测模块51通过线性预测器或者非线性预测器来预测发送时刻的CSI。

图6为本发明的多输入多输出系统中的预编码装置的另一个实施例的流程图。如图6所示，该预编码装置包括预测模块51、向量生成模块62、均方误差获取模块64和信号生成模块53。其中，预测模块51和信号生成模块53的描述参见图5中的对应描述，为简洁起见在此不再详述。均方误差获取模块64用于获取CSI的预测均方误差，将该预测均方误差发送给向量生成模块62。向量生成模块64根据均方误差获取模块64获取的预测均方误差和预测模块51预测的发送时刻的CSI获得预编码向量，将获得的预编码向量发送给信号生成模块53。

其中，向量生成模块可以基于最大信干噪比、迫零、最小均方误差、或最大信号泄漏噪声比准则设计的预编码代价函数，根据均方误差获取模块获取的预测均方误差和预测模块预测的发送时刻的CSI获得预编码向量。

下面通过一个应用例来说明该发明的具体实现。

假设TDD系统下基站有4根天线，小区内有2个用户同时发送信息，每个用户配置2根天线，即N＝4，k＝2，M₁＝M₂＝2。预编码算法采用最大SLNR准则。用户1和2的信道矩阵分别为：

$H_1\left(t\right)=\left[\begin{array}{cccc}{h}_1^{\mathrm{1,1}}\left(t\right)& h_1^{\mathrm{1,2}}\left(t\right)& h_1^{\mathrm{1,3}}\left(t\right)& h_1^{\mathrm{1,4}}\left(t\right)\\ h_1^{\mathrm{2,1}}\left(t\right)& h_1^{\mathrm{2,2}}\left(t\right)& h_1^{\mathrm{2,3}}\left(t\right)& h_1^{\mathrm{2,4}}\left(t\right)\end{array}\right],$ $H_2\left(t\right)=\left[\begin{array}{cccc}{h}_2^{\mathrm{1,1}}\left(t\right)& h_2^{\mathrm{1,2}}\left(t\right)& h_2^{\mathrm{1,3}}\left(t\right)& h_2^{\mathrm{1,4}}\left(t\right)\\ h_2^{\mathrm{2,1}}\left(t\right)& h_2^{\mathrm{2,2}}\left(t\right)& h_2^{\mathrm{2,3}}\left(t\right)& h_2^{\mathrm{2,4}}\left(t\right)\end{array}\right],$

假设采用线性滤波预测算法对CSI进行预测，历史样本点个数k_p＝50。

(1)通过信道估计获得用户1在t时刻的CSI H₁(t)。在基站还保存K_p组t时刻之前的CSI H₁(t-1)…H₁(t-K_p)。

(2)根据K_p组历史CSI及t时刻的CSI预测发送时刻的CSI。中共有8个天线对的信道参数，分别对这8个天线对的信道参数进行预测。下面以中的一个天线对的信道参数

为例说明预测过程：

(a)已知t时刻的信道参数

及一组历史样本信道参数

预测t+τ时刻的信道参数

(b)令

$\mathrm{\θ}={[{\mathrm{\θ}}_1,{\mathrm{\θ}}_2,...,{\mathrm{\θ}}_{k_p+1}]}^T,$ θ表示横向滤波器的系数，每个滤波器对应一个时刻的信道参数，符号(·)^T表示对转置操作。t+τ时刻的预测函数表示为

预测的误差函数为

$e\left(t\right)=h_1^{\mathrm{1,1}}(t+\mathrm{\τ})-\widehat{h_1^{\mathrm{1,1}}}(t+\mathrm{\τ}/t)---\left(18\right)$

均方误差为

${\mathrm{\σ}}_e^2=E{\left[e\left(t\right)\right]}^2=E{[h_1^{\mathrm{1,1}}(t+\mathrm{\τ})-\widehat{h_1^{\mathrm{1,1}}}(t+\mathrm{\τ})]}^2---\left(19\right)$

(c)根据MMSE准则及Durbin和Schur的递推算法，可以得到各个滤波器的系数θ为：

其中

为

与

的协方差

为

的自相关矩阵

由(20)(21)(22)计算出滤波器的系数，带入(17)得预测的信道参数

(3)重复2)的步骤完成其他天线对信道参数的预测，就得到发送时刻的CSI，即信道矩阵

同时，也得到了预测均方误差

(4)重复3)的步骤完成用户2信道矩阵

的预测。

(5)根据SLNR准则的代价函数及预测均方误差

将M₁、M₂、 ${\hat{H}}_1(t+\mathrm{\τ}),\widetilde{{\hat{H}}_1(t+\mathrm{\τ})},{\hat{H}}_2(t+\mathrm{\τ}),\widetilde{{\hat{H}}_2(t+\mathrm{\τ})}$ 带入(16)式分别得预编码向量F₁、F₂。

(6)用户1和2的发送数据S₁(t)，S₂(t)分别与各自的预编码向量相乘，叠加后在N根天线上发送出去。

(7)用户采用ZF接收机，检测出各自的等效信道H₁(t+τ)F₁，H₂(t+τ)F₂后，左乘等效信道的逆矩阵得到各自信号的估计值。

根据上述应用例来进行仿真，观察了理想信道下的预编码(方案1)、基于信道预测的预编码(方案2)、基于预测误差修正的预编码(方案3)和没有信道预测的预编码(方案4)的BER性能。仿真中基站发射天线N＝4，用户数k＝2，每个用户配2根接收天线，M₁＝M₂＝2。没有使用信道编码技术，调制方式采用BPSK，预编码采用最大SLNR准则，信道预测采用横向滤波预测算法，预测时延为5ms。

图7为车速为30km/h时几种预编码方案误码率性能的仿真。车速为30km/h时，方案4的误码率已经接近10^-1，并且出现了地板效应，说明时延带来的信道误差很大，预编码无法消除用户间干扰，必须要对信道进行预测。信道预测后，方案2的误码率性能与方案4相比有了大幅度的提高；与方案1的理想信道相比，在10^-4误码率下有0.8dB的性能损失。经过预测误差修正后，方案3比方案2的性能有了进一步提高，在10^-4误码率下与方案1相比仅有0.4dB的性能损失。

图8为车速为60km/h时几种预编码方案误码率性能的仿真。车速60km/h时，由于车速较快，信道预测带来了较大的预测误差。方案2与方案1相比，在10^-3误码率时，误码率性能损失4dB。经过误差修正后，性能有了较大幅度的提高，在10^-3误码率时，方案3比方案2有1.5dB的增益。这说明在快速衰落信道下，误差修正能够带来更大的性能增益。

需要指出，本发明的MU-MIMO系统中预编码的方法和装置，不仅适用于单小区系统，也适用于多小区系统；信道预测所使用的预测算法可以为线性预测算法或者非线性预测算法；该方法和装置不仅适用于下行预编码，也适用于上行预编码。本领域的技术人员根据本发明的教导，可以实现上述情况下的本发明的技术方案。

MU-MIMO系统中，发送端根据CSI进行预编码向量设计。由于TDD系统和FDD系统存在着上下行的处理延时和反馈延时，时变信道下通过带延时的信道状态信息进行预编码设计会对系统性能带来较大损失。本发明提出的基于信道预测及预测误差修正的发送端预编码的设计方案，在该方案中，根据当前CSI及历史CSI对发送时刻的信道进行预测，利用预测得到的CSI对预编码向量进行设计，减小了信道延时带来的用户间干扰；根据信道预测误差对预编码向量进行修正，进一步提高系统性能。

本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims (9)

1.一种多输入多输出系统中的预编码方法，其特征在于，包括；

发送端根据先前时刻t，t-1，......，t-K_p的信道状态信息CSI预测发送时刻的CSI；其中K_p为历史样本点个数；

发送端根据所述预测的CSI和信道预测误差获得预编码向量；

发送端根据发送数据和所述预编码向量生成发送信号。

2.根据权利要求1所述的多输入多输出系统中的预编码方法，其特征在于，

在时分双工系统中，用户在上行信道发送导频序列，基站根据导频估计出上行信道的CSI，然后用上行信道的CSI作为下行信道的CSI进行下行预编码；

在频分双工系统中基站在下行信道发送导频序列，用户根据导频序列对各自的CSI进行估计，然后通过上行的反馈信道反馈给基站进行下行预编码。

3.根据权利要求1所述的多输入多输出系统中的预编码方法，其特征在于，根据所述预测的CSI和信道预测误差获得所述预编码向量的步骤包括：

根据所述预测的CSI生成预编码代价函数；

根据所述信道预测误差对所述预编码代价函数进行修正；

获得所述预编码代价函数对应的预编码向量。

4.根据权利要求3所述的多输入多输出系统中的预编码方法，其特征在于，还包括：

基于最大信干噪比、迫零、最小均方误差、或最大信号泄漏噪声比准则设计所述预编码代价函数。

5.根据权利要求1至4中任意一项所述的多输入多输出系统中的预编码方法，其特征在于，根据先前时刻的CSI预测发送时刻的CSI的步骤包括：

通过信道估计获得所述先前时刻的CSI；

根据所述先前时刻的CSI通过线性预测或者非线性预测获得所述发送时刻的CSI。

6.根据权利要求5所述的多输入多输出系统中的预编码方法，其特征在于，在时分双工系统中根据信道对称性获得所述先前时刻的CSI；在频分双工系统中通过反馈信道获得所述先前时刻的CSI。

7.一种多输入多输出系统中的预编码装置，其特征在于，包括；

预测模块，用于根据先前时刻t，t-1，......，t-K_p的CSI预测发送时刻的CSI；其中K_p为历史样本点个数；

均方误差获取模块，用于获取CSI的预测均方误差；

向量生成模块，用于根据所述均方误差获取模块获取的预测均方误差和所述预测模块预测的所述发送时刻的CSI获得预编码向量；

信号生成模块，用于根据发送数据和所述向量生成模块获得的预编码向量生成发送信号。

8.根据权利要求7所述的多输入多输出系统中的预编码装置，其特征在于，所述预测模块通过线性预测器或者非线性预测器来预测所述发送时刻的CSI。

9.根据权利要求7所述的多输入多输出系统中的预编码装置，其特征在于，所述向量生成模块基于最大信干噪比、迫零、最小均方误差、或最大信号泄漏噪声比准则设计的预编码代价函数，根据所述均方误差获取模块获取的预测均方误差和所述预测模块预测的所述发送时刻的CSI获得预编码向量。

Images