CN101984571B

CN101984571B - 多用户mimo系统的预编码方法

Info

Publication number: CN101984571B
Application number: CN 201010539846
Authority: CN
Inventors: 李立华; 张平; 高向川; 宋磊; 王化磊; 王朝炜
Original assignee: Beijing University of Posts and Telecommunications
Current assignee: Beijing University of Posts and Telecommunications
Priority date: 2010-11-09
Filing date: 2010-11-09
Publication date: 2013-01-09
Anticipated expiration: 2030-11-09
Also published as: CN101984571A

Abstract

本发明提供的一种多用户MIMO系统的预编码方法，包括如下步骤：通过反馈或TDD系统信道互惠性，获取系统各用户的信道矩阵；根据最小均方误差准则，获取系统各用户的信道伪逆矩阵；依据系统各用户的信道伪逆句子，获取系统各用户的正交化向量基矩阵；依据系统各用户的信道矩阵以及信道伪逆的正交化向量基矩阵，结合最大化信号泄露噪声比准则，获取系统各用户的预编码合并矩阵；依据系统各用户的正交化向量基以及最优化合并矩阵，获取系统各用户的预编码矩阵。本发明的方案在保持原MSLNR准则方案性能的同时能够有效地降低该方案的计算复杂度，性能优于传统的对角化方案且计算复杂度更低，降低了基站端的操作复杂度。

Description

多用户MIMO系统的预编码方法

技术领域

本发明涉及通信技术领域，特别是涉及一种多用户MIMO系统的低复杂度预编码方法。

背景技术

多输入多输出(Multiple-Input Multiple-Output，MIMO)技术是无线移动通信领域技术的重大突破。MIMO技术是指数据的和接收都采用了多根天线。研究表明，利用MIMO技术可以提高无线通信系统的容量。随着多天线技术研究的深入，MIMO技术已从点对点的单用户MIMO技术扩展到了点对多点的多用户MIMO系统(MultipleUser MIMO，MU-MIMO)。MU-MIMO技术中，多天线分集增益可以有效降低系统误码率，多天线复用增益使多用户系统容量容量区域扩大。MU-MIMO通常采用端MIMO预编码技术，利用空分多址(Spatial Division Multiple Access，SDMA)技术在相同时间、频率资源上传送多个用户的信息。

MU-MIMO系统中，基站同时向多个用户终端各自的数据，多个用户共享同一时频资源，系统中必然存在用户间的共道干扰(Co-Channel Interference，CCI)，因此MU-MIMO预编码系统不仅要获取较大的预编码增益，还需有效降低用户间的干扰。信道块对角化(Block Diagonolization，BD)预编码技术便是用来解决用户间干扰问题的，在基站端采用BD预编码技术，可以完全消除用户间的干扰，但是此技术受限于系统的天线配置，即必须满足于端的天线数大于或等于所有用户的接收天线数之和，而且该技术只是消除了用户间的干扰，没有考虑噪声的影响，在低、中信噪比时性能较差。针对信道块对角化技术的缺点，提出了最大信号泄漏噪声比(或简称为最大信漏噪比)(Max-Signal-to-Leakage-and-Noise-Ratio，MSLNR)预编码技术，此技术的实质是让用户的预编码增益与该用户的干扰泄漏和噪声之和的比值最大化，在消除多用户干扰和抑制噪声之间取得了平衡，且不受收发天线配置的限制，得到了更好的系统性能，但是此技术使用广义特征值分解来求取各用户的预编码矩阵，和块对角化技术一样，复杂度仍然较高，不利于在实际系统中的应用。

发明内容：

(一)要解决的技术问题

本发明要解决的技术问题是如何提供一种MU-MIMO系统的低复杂度预编码方法，以解决MSLNR技术计算复杂度高的问题，从而降低基站端的操作复杂度。

(二)技术方案

为解决上述技术问题，本发明提供了一种多用户MIMO系统的预编码方法，该方法包括：

S101：通过反馈的方式或利用系统的信道互惠性，获取系统中各用户的信道矩阵；

S102：根据最小均方误差准则获取系统中各用户的信道伪逆矩阵；

S103：依据系统中各用户的信道伪逆矩阵，获取系统中各用户的信道伪逆的正交化向量基矩阵；

S104：依据系统各用户的信道矩阵以及信道伪逆的正交化向量基矩阵，根据最大信号泄漏噪声比准则，获取系统中各用户的预编码合并矩阵；

S105：依据系统中各用户的信道伪逆的正交化向量基矩阵以及所述预编码合并矩阵，获取系统中各用户的预编码矩阵。

其中，所述步骤S101中，

通过反馈的方式获取系统中各用户的信道矩阵的步骤具体为：

基站端存储t时刻经过预编码处理的下行导频符号信息，并存储t-τ时刻的系统中各用户的预编码矩阵w_t-τ；终端利用所述下行导频符号信息进行信道估计得到等效信道估计结果H_t，equ；该结果为t-τ时刻传输的预编码矩阵w_t-τ与t时刻的信道矩阵H_t的积H_t，equ＝H_tw_t-τ，然后移动台向基站端反馈所述等效信道估计结果H_t，equ；基站端接收由终端所反馈的等效信道估计结果H_t，equ，提取所存储的预编码矩阵w_t-τ；将H_t，equ与预编码矩阵w_t-τ的共轭转置

相乘，恢复出t时刻的信道矩阵

H_{t} = H_{t, equ} w_{t - τ}^{H} = H_{t} w_{t - τ} w_{t - τ}^{H} .

其中，在所述步骤S101中利用时分双工系统的上下行信道互惠性获取t时刻的信道矩阵，具体步骤如下：

基站端利用终端所上传的上行导频符号信息进行信道估计得到t-τ时刻等效信道估计结果H_t-τ，equ；把该结果作为t时刻的下行链路的等效信道矩阵H_t，equ＝H_t-τ，equ。

其中，所述步骤S102具体包括：

设系统的用户个数为K，系统基站端的发射天线数为N_t，系统各用户的信道矩阵为H_i，i＝1，…，K，系统的信道矩阵为H，系统的最小均方误差矩阵为

系统各用户的信道伪逆矩阵为

i＝1，…，K，系统的噪声系数为σ，I为单位矩阵，系统各用户的接收天线数为n_i，i＝1，…，K；

首先依据所述系统各用户的信道矩阵H_i，i＝1，…，K，获得系统的信道矩阵为

根据最小均方误差准则，有

从而获得系统的信道伪逆矩阵

然后依据所述信道伪逆矩阵获得系统各用户的信道伪逆矩阵

其中，

表示从矩阵

中选出其第

列至第

列。

其中，所述步骤S103具体包括：

设系统各用户的码流个数为n_i，i＝1，…，K，系统各用户的信道伪逆的正交化向量基矩阵为Q_i，i＝1，…，K；

对所述系统各用户的信道伪逆矩阵

按照公式

进行QR分解，其中，

为上三角阵，

为酉矩阵，依据QR分解结果i＝1，…，K，获得系统各用户的信道伪逆的正交化向量基矩阵

i＝1，…，K。

其中，所述步骤S104具体为：基于最大化信干燥比原则对一个降维之后的矩阵做广义特征值分解获得所述系统中各用户的预编码合并矩阵，其中所述降维之后的矩阵通过将各用户的信道矩阵H_i与信道伪逆的正交化向量基矩阵Q_i相乘得到。

其中，所述步骤S104具体包括：

首先依据所获得的系统各用户的信道矩阵得到各用户的扩展信道矩阵

然后将系统各用户的信道矩阵H_i与信道伪逆的正交化向量基矩阵Q_i相乘，获得系统各用户的降维之后的等效信道矩阵H_i，new＝H_i*Q_i；

依据最大化系统各用户的信号泄露噪声比准则表达式

其中C表示实数矩阵，将最优化的预编码合并矩阵

取使得SLNR(T_i)最大的矩阵，即等价于

其中tr(.)代表矩阵的迹，对式(2)使用广义特征值分解来获取最优化的预编码合并矩阵

其中广义特征值分解的求解过程如下：

T_{i}^{O} = \arg \max_{T_{i} &Element; C^{n_{i} \times n_{i}}} \frac{tr (T_{i}^{H} (Q_{i}^{1 H} H_{i}^{H} H_{i} Q_{i}^{1}) T_{i})}{tr (T_{i}^{H} (Q_{i}^{1 H} {\tilde{H}}_{i}^{H} {\tilde{H}}_{i} Q_{i}^{1} + n_{i} σ^{2} I) T_{i})}

= \arg \max_{T_{i} &Element; C^{n_{i} \times n_{i}}} \frac{tr (T_{i}^{H} {(Q_{i}^{1 H} {\tilde{H}}_{i}^{H} {\tilde{H}}_{i} Q_{i}^{1} + n_{i} σ^{2} I)^{- 1} (Q_{i}^{1 H} H_{i}^{H} H_{i} Q_{i}^{1})} T_{i})}{tr (T_{i}^{H} T_{i})} - - - (3)

由于

所以式(3)等价于

T_{i}^{O} = \arg \max_{T_{i} &Element; C^{n_{i} \times n_{i}}} tr (T_{i}^{H} {(Q_{i}^{1 H} {\tilde{H}}_{i}^{H} {\tilde{H}}_{i} Q_{i}^{1} + n_{i} σ^{2} I)^{- 1} (Q_{i}^{1 H} H_{i}^{H} H_{i} Q_{i}^{1})} T_{i})

然后对矩阵

进行特征值分解：

A_{i} = U_{i} Σ_{i} U_{i}^{H}

当T_i＝U_i时，SLNR(T_i)可以得到最大值：

\max_{T_{i} &Element; C^{n_{i} \times n_{i}}} SLNR (T_{i}) = tr (U_{i}^{H} A_{i} U_{i})

= tr (U_{i}^{H} U_{i} Σ_{i} U_{i}^{H} U_{i})

= tr (Σ_{i})

从而得到最优化的预编码合并矩阵为

其中，所述步骤S105具体包括：

将系统中各用户的信道伪逆的正交化向量基矩阵

i＝1，…，K与预编码合并矩阵U_i相乘，获得系统中各用户的预编码矩阵为

w_{i} = Q_{i}^{1} U_{i} .

(三)有益效果

本发明的多用户MIMO系统的低复杂度预编码方法中采用了依据最大化信干燥比(Signal to Interference Noise Ratio，SINR)以及信号泄露噪声比(Signal-to-Leakage-and-Noise-Ratio，SLNR)准则来确定子信道选择矩阵以及预编码矩阵，基站端通过反馈或上行导频信道估计，获得系统各用户的信道矩阵，并依据MMSE准则获得系统各用户的信道伪逆矩阵，通过对系统各用户的信道伪逆矩阵进行QR分解，获取系统各用户的信道伪逆正交化向量基矩阵，根据系统各用户的信道矩阵与正交化向量基矩阵，得到系统各用户的等效信道矩阵；对获得的等效信道矩阵使用基于最大化系统各用户SLNR准则，获取系统各用户的预编码合并矩阵；根据系统各用户的正交化向量基矩阵与合并矩阵，得到系统各用户的预编码矩阵。由于使用了MMSE准则以及QR分解的正交化方法，因此降低了系统各用户信道矩阵的维度，从而使基于MSLNR准则在低维度进行，有效降低了MSLNR技术的计算复杂度。因此本发明在保持原MSLNR准则性能的同时，降低了端的复杂度，从而提升了此方法在实际应用中的可行性。

附图说明

图1为本发明的多用户MIMO系统的低复杂度预编码方法流程图；

图2为采用本发明的低复杂度预编码方法的多用户MIMO系统的一个实施例的示意图，其中，发送端利用反馈获得系统各用户的信道矩阵；

图3为采用本发明的低复杂度预编码方法的多用户MIMO系统的另一个实施例的示意图，其中，发送端利用TDD(Time DivisionDuplexing，时分双工)系统的信道互惠性获得系统各用户的信道矩阵；

图4给出了在不同用户数的条件下，基于本发明的预编码方法和基于传统BD、传统MSLNR预编码方法的端的运算复杂度对比图；

图5给出了在不同信噪比的条件下，基于本发明的预编码方法和基于传统BD、传统MSLNR预编码方法的多用户MIMO系统的平均容量比较曲线图；

图6给出了在不同信噪比的条件下，基于本发明的预编码方法和基于传统BD、传统MSLNR预编码方法的多用户MIMO系统的平均误码率比较曲线图。

具体实施方式

为使本发明的目的、内容、和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本发明提出的一种多用户MIMO系统的低复杂度的预编码方法，结合附图和实施例说明如下：

如图1所示，本发明的多用户MIMO系统的子信道选择与预编码的方法包括以下步骤：

S101：基站端通过反馈或TDD系统特有的信道互惠性，获取系统中各用户的信道矩阵，信道矩阵携带的是信道信息；

S102：依据系统所有用户的信道矩阵，使用MMSE准则，获取系统各用户的信道的伪逆矩阵；

S103：依据系统各用户的信道伪逆矩阵，获取系统各用户的信道伪逆的正交化向量基矩阵；

S104：依据系统各用户的信道矩阵以及信道伪逆的正交化向量基矩阵，使用MSLNR准则，获取系统各用户的预编码合并矩阵，预编码合并矩阵为按MSLNR准则选取合并的正交化向量基矩阵的矩阵；

S105：依据系统各用户的信道伪逆的正交化向量基矩阵以及预编码合并矩阵，获取系统各用户的预编码矩阵；

下面将结合附图分别对基于本发明的低复杂度预编码方法，利用反馈获得信道矩阵的FDD MU-MIMO系统以及利用上下行导频符号(信息)获得信道矩阵的TDDMU-MIMO系统进行详细说明。

本发明的两个实施例的方法均应用于多用户MIMO预编码系统，如图2、3所示，多用户MIMO系统包含1个基站和K个用户(用户1，用户2，......，用户K)，基站有N_t根发射天线，用户i有n_i(i＝1，…，K)根接收天线，且用户i的码流数为n_i。图中w_i为用户i的预编码矩阵，G_i为用户i的译码矩阵，x_i为要发给用户i的数据，y_i为用户i的接收数据，z_i为用户i译码后的数据。

实施例一

如图2所示为本发明第一实施例的系统模型图，本实施例中，基站端利用反馈获得信道矩阵，具体步骤包括：

S401：基站端存储经过预编码处理的下行导频符号，并存储此时系统所有用户的预编码矩阵w_t-τ；终端利用所述下行导频符号信息进行信道估计得到等效信道估计结果H_t，equ；该结果为t-τ时刻传输的预编码矩阵w_t-τ与t时刻信道矩阵H_t的积H_t，equ＝H_tw_t-τ，然后移动台向基站反馈等效信道估计结果H_t，equ；基站端接收由终端所反馈的t时刻的等效信道估计结果H_t，equ，提取所存储的t-τ时刻预编码矩阵w_t-τ；将H_t，equ与预编码矩阵w_t-τ的共轭转置

相乘，恢复出t时刻的信道矩阵

H_{t} = H_{t, equ} w_{t - τ}^{H} = H_{t} w_{t - τ} w_{t - τ}^{H} .

S402：基站端将各用户的信道矩阵组合为系统的信道矩阵上标T表示转置。系统的最小均方误差矩阵

依据最小均方误差准则公式

获得，式中σ为系统的噪声系数，I为与HH^H同大小的单位矩阵。

进一步，依据系统基于MMSE准则的信道伪逆矩阵

获得系统各用户的信道伪逆矩阵

其中，

表示从矩阵中选出其第

列至第列。

S403：对所述系统各用户的信道伪逆矩阵

按照公式

进行QR分解，其中，

为上三角阵，

为酉矩阵。依据QR分解结果(i＝1，…，K)，获得系统各用户信道伪逆的正交化向量基矩阵

(i＝1，…，K)。

S404：基站端首先依据所获得的系统各用户的信道矩阵得到各用户的扩展信道矩阵

然后通过对系统各用户的信道矩阵H_i与正交化向量基矩阵

相乘，获得系统各用户的降维之后的等效信道矩阵

此处基于MMSE准则和使用QR分解的正交化方法对信道矩阵进行降维处理，可以有效地降低使用MSLNR准则时广义特征值分解的复杂度，从而降低系统整体的运算复杂度。

进一步地，依据最大化系统各用户的SLNR准则表达式

最优化的预编码合并矩阵应取使SLNR(T_i)最大的矩阵，等价于

(2)，其中tr(.)代表矩阵的迹，对上式(2)使用广义特征值分解来获取最优化的预编码合并矩阵

其中广义特征值分解的求解过程如下：

T_{i}^{O} = \arg \max_{T_{i} &Element; C^{n_{i} \times n_{i}}} \frac{tr (T_{i}^{H} (Q_{i}^{1 H} H_{i}^{H} H_{i} Q_{i}^{1}) T_{i})}{tr (T_{i}^{H} (Q_{i}^{1 H} {\tilde{H}}_{i}^{H} {\tilde{H}}_{i} Q_{i}^{1} + n_{i} σ^{2} I) T_{i})}

= \arg \max_{T_{i} &Element; C^{n_{i} \times n_{i}}} \frac{tr (T_{i}^{H} {(Q_{i}^{1 H} {\tilde{H}}_{i}^{H} {\tilde{H}}_{i} Q_{i}^{1} + n_{i} σ^{2} I)^{- 1} (Q_{i}^{1 H} H_{i}^{H} H_{i} Q_{i}^{1})} T_{i})}{tr (T_{i}^{H} T_{i})}

由于

所以上式等价于

T_{i}^{O} = \arg \max_{T_{i} &Element; C^{n_{i} \times n_{i}}} tr (T_{i}^{H} {(Q_{i}^{1 H} {\tilde{H}}_{i}^{H} {\tilde{H}}_{i} Q_{i}^{1} + n_{i} σ^{2} I)^{- 1} (Q_{i}^{1 H} H_{i}^{H} H_{i} Q_{i}^{1})} T_{i})

从而把广义特征值分解转化为普通特征值分解的问题，对矩阵

进行特征值分解：

A_{i} = U_{i} Σ_{i} U_{i}^{H}

当T_i＝U_i时，SLNR(T_i)可以得到最大值

\max_{T_{i} &Element; C^{n_{i} \times n_{i}}} SLNR (T_{i}) = tr (U_{i}^{H} A_{i} U_{i})

= tr (U_{i}^{H} U_{i} Σ_{i} U_{i}^{H} U_{i})

= tr (Σ_{i})

因此，可以得到最优化的预编码合并矩阵为

S405：依据系统各用户的信道伪逆的正交化向量基矩阵

以及最优化预编码合并矩阵U_i，获取系统各用户的预编码矩阵

至此完成了预编码工作，以下进行译码工作。

S406：接收端同时对发送给各用户的数据x_i以及导频做预编码，即将系统各用户的预编码矩阵w_i与数据x_i及导频同时相乘，得到经预编码后的数据符号和导频符号；随后发送这些符号；

S407：接收端各用户分别利用自己的天线接收数据y_i，并利用经预编码后的导频符号进行信道估计，获得各自的等效信道矩阵H_equ，i(i＝1，…，K)，采用ZF(迫零)准则对接收数据y_i进行译码，获得z_i。

实施例二：

如图3所示为本发明第二实施例的系统模型图，本实施例中，基站端利用上行导频信道估计获取信道矩阵，具体步骤包括：

8501：基站端利用TDD信道的互惠性直接获得系统各用户的信道矩阵H_i：

基站端利用所述终端所上传的上行导频符号信息进行信道估计得到t-τ时刻的等效信道估计结果H_t-τ，equ；把该结果作为t时刻的下行链路的等效信道矩阵H_t，equ＝H_t-τ，equ；

S502：基站端将各用户的信道矩阵组合为系统的信道矩阵系统的最小均方误差矩阵

是依据最小均方误差准则公式获得，式中σ为系统的噪声系数，I为与HH^H同大小的单位矩阵。

进一步，依据系统的最小均方误差矩阵

获得系统各用户的信道伪逆矩阵

其中，

表示从矩阵

中选出其第

列至第列。

S503：对所述系统各用户的信道伪逆矩阵

按照公式进行QR分解，其中，

为上三角阵，

(i＝1，…，K)。

S504：基站端通过对系统各用户的信道矩阵H_i与正交化向量基矩阵

相乘，获得系统各用户的等效信道

基于MMSE准则和使用QR分解的正交化方法对信道矩阵进行降维处理，可以有效地降低使用MSLNR准则时广义特征值分解的复杂度，从而降低系统整体的运算复杂度。

进一步地，依据最大化系统各用户的SLNR准则表达式最优化的预编码合并矩阵

应取使SLNR(T_i)最大的矩阵，等价于

对上式使用广义特征值分解来获取最优化的预编码合并矩阵

其中广义特征值分解的求解过程如下：

T_{i}^{O} = \arg \max_{T_{i} &Element; C^{n_{i} \times n_{i}}} \frac{tr (T_{i}^{H} (Q_{i}^{1 H} H_{i}^{H} H_{i} Q_{i}^{1}) T_{i})}{tr (T_{i}^{H} (Q_{i}^{1 H} {\tilde{H}}_{i}^{H} {\tilde{H}}_{i} Q_{i}^{1} + n_{i} σ^{2} I) T_{i})}

= \arg \max_{T_{i} &Element; C^{n_{i} \times n_{i}}} \frac{tr (T_{i}^{H} {(Q_{i}^{1 H} {\tilde{H}}_{i}^{H} {\tilde{H}}_{i} Q_{i}^{1} + n_{i} σ^{2} I)^{- 1} (Q_{i}^{1 H} H_{i}^{H} H_{i} Q_{i}^{1})} T_{i})}{tr (T_{i}^{H} T_{i})}

由于

所以上式等价于

T_{i}^{O} = \arg \max_{T_{i} &Element; C^{n_{i} \times n_{i}}} tr (T_{i}^{H} {(Q_{i}^{1 H} {\tilde{H}}_{i}^{H} {\tilde{H}}_{i} Q_{i}^{1} + n_{i} σ^{2} I)^{- 1} (Q_{i}^{1 H} H_{i}^{H} H_{i} Q_{i}^{1})} T_{i})

进行特征值分解：

A_{i} = U_{i} Σ_{i} U_{i}^{H}

当T_i＝U_i时，SLNR(T_i)可以得到最大值：

\max_{T_{i} &Element; C^{n_{i} \times n_{i}}} SLNR (T_{i}) = tr (U_{i}^{H} A_{i} U_{i})

= tr (U_{i}^{H} U_{i} Σ_{i} U_{i}^{H} U_{i})

= tr (Σ_{i})

因此，可以得到最优化的预编码合并矩阵为

S505：依据系统各用户的信道伪逆的正交化向量基矩阵

以及最优化的预编码合并矩阵U_i，获取系统各用户的预编码矩阵

至此完成了预编码工作，以下进行译码工作。

S506：接收端同时对给各用户的数据以及导频做预编码，即将系统各用户的预编码矩阵w_i与数据x_i及导频同时相乘，得到经预编码后的数据符号和导频符号；随后发送这些符号；

S508：接收端各用户分别利用自己的天线接收数据y_i，并利用经预编码后的导频符号进行信道估计，获得各自的H_equ，i(i＝1，…，K)，采用ZF准则对接收数据y_i进行译码，获得z_i。

综上所述，本发明提出的一种多用户MIMO系统的低复杂度预编码方法，对于任何天线配置的系统均适用。在降维操作时，依据最小系统均方误差准则

获得最小均方误差矩阵，在此基础上，利用QR分解获得系统各用户信道伪逆的正交化向量基矩阵，用此向量基矩阵可获得降维的等效信道矩阵

然后利用降维的等效信道矩阵使用最大化信号泄露噪声比准则(MSLNR)

获得系统各用户的预编码合并矩阵

由于广义特征值分解是在降低了的维度上进行，复杂度将会降低；最后利用系统各用户的正交化向量基矩阵和预编码合并矩阵，得到各用户的预编码矩阵。这样，获得的预编码矩阵，与传统的MSLNR算法获得的预编码矩阵相比，会较大地降低计算复杂度；与传统的BD算法相比，有着更好的系统性能而复杂度也更低。

下面将给出本发明的低复杂度预编码方案与现有的其它预编码方案的比较，以使本发明的优势及特征更加明显。

对大小为m×n的实数矩阵C^m×n而言，SVD(奇异值分解)只需要得到奇异值矩阵A和右奇异空间V的操作过程的计算复杂度为4n²m+13m³(flops)；QR分解的计算复杂度为2n²(m-n/3)(flops)；对m×m实数矩阵而言，伪逆运算的计算复杂度为4m³/3(flops)，广义特征值分解的计算复杂度为(4m³/3+17m³)(flops)；对m×n和n×p矩阵乘法而言的计算复杂度为2mnp。其中1个flop表示一次浮点操作。为了简便，可以近似认为复数矩阵操作的复杂度为实数矩阵相应操作复杂度的6倍。这样，对于传统的基于BD、MSLNR预编码多用户MIMO传输方法，以及本发明所提算法，可以比较各自的运算复杂度(由于各传输方案在接收端端有相同的复杂度，所以只需比较它们在端的运算复杂度)。

对于N_t根天线，有K个用户的MIMO系统而言，各种算法的运算复杂度比较如图4所示。为方便对比，设定每个用户都同样配有n根接收天线且N_t＝K*n。

传统BD预编码传输方案的端运算复杂度为：

K (17 N_{t}^{3} - 43 n N_{t}^{2} + 43 n^{2} N_{t} + 4 n^{3});

传统MSLNR预编码传输方案的端运算复杂度为：

K (64 / 3 N_{t}^{3} - 2 n N_{t}^{2});

本发明的传输方法中端的运算复杂度为：

16 / 3 N_{t}^{3} + K (2 n N_{t}^{2} + 4 n^{2} N_{t} + 61 / 3 n^{3}) .

在不同系统配置的情况下，各方案的端运算复杂度比较如表1所示。

表1

由表1可知，与传统的基于BD和MSLNR为准则的预编码传输方法相比较，本发明技术方案大大降低了端的运算复杂度，这将有利于本发明的方法在实际中的应用。

各种方法的系统平均容量对比图及系统平均误码率对比图分别如图7、8所示。图5是在基站端8根发射天线，系统4个用户，每个用户2根接收天线，每个用户两个数据流，每个用户等功率分配，在不同的信噪比条件下，本发明方案与传统BD、MSLNR方法的系统平均容量的对比图。图6是在基站端4根天线，系统4个用户，每个用户2根接收天线，接收端采用ZF译码准则，数据符号采用QPSK调制，每个用户一个数据流，每个用户等功率分配；在不同的信噪比条件下，本发明方法与传统BD、MSLNR方法的系统平均误码率的对比图。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims

1.一种多用户MIMO系统的预编码方法，其特征在于，该方法包括：

S105：依据系统中各用户的信道伪逆的正交化向量基矩阵以及所述预编码合并矩阵，获取系统中各用户的预编码矩阵；

所述步骤S103具体包括：

设系统各用户的码流个数为n_i，i＝1,…，K,系统各用户的信道伪逆的正交化向量基矩阵为Q_i;

对所述系统各用户的信道伪逆矩阵

按照公式进行QR分解，其中，

为上三角阵，

为酉矩阵，依据QR分解结果

获得系统各用户的信道伪逆的正交化向量基矩阵

2.如权利要求1所述的方法，其特征在于，所述步骤S101中，通过反馈的方式获取系统中各用户的信道矩阵的步骤具体为：

基站端存储t时刻经过预编码处理的下行导频符号信息，并存储t-τ时刻的系统中各用户的预编码矩阵w_t-τ；终端利用所述下行导频符号信息进行信道估计得到等效信道估计结果H_t，equ；该结果为t-τ时刻传输的预编码矩阵w_t-τ与t时刻的信道矩阵H_t的积H_t，equ＝H_tw_t-τ,然后移动台向基站端反馈所述等效信道估计结果H_t，equ；基站端接收由终端所反馈的等效信道估计结果H_t，equ，提取所存储的预编码矩阵w_t-τ；将