CN102237974A - 预编码矩阵获取方法及装置 - Google Patents

Abstract

本发明实施例提供一种预编码矩阵获取方法及装置，其中，预编码矩阵获取方法包括：针对每个接收端，从所有干扰向量中选取作为干扰空间基向量的干扰向量，将剩余干扰向量表示为所述干扰空间基向量的线性组合；其中，所述剩余干扰向量为接收端的所有干扰向量中除去作为干扰空间基向量的干扰向量以外的干扰向量；根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合及当前的信道状况，确定当前采用的预编码矩阵。采用本发明实施例提供的技术方案，能够消除干扰，不会产生BER平层。

Description

预编码矩阵获取方法及装置

技术领域

本发明涉及通信技术领域，特别涉及一种预编码矩阵获取方法及装置。

背景技术

多入多出(Multi Input Multi Output，MIMO)技术是无线移动通信领域智能天线技术的重大突破，该技术能在不增加带宽的情况下成倍地提高通信系统的容量和频谱利用率，是应用于新一代移动通信系统的关键技术。MIMO系统的发送端和接收端均设置有多根天线。在传输信号时，发送端可以采用空分复用(spatial multiplexing，SM)的方式，将多个独立的信号通过不同的发射天线发送出去，接收端可以从不同的接收天线上接收信号，并从接收到的信号中获取发送端发射的信号。

现有技术中，发射端之间只共享各自的信道信息，然后采用干扰对齐(Interference Alignment，IA)的方法，基于接收端信号干扰噪声比(Signal-to-Interference and Noise Ratio，SINR)最大化的原则和发送端信号泄漏噪声比(Signal-to-Leakage and Noise Ratio，SLNR)最大化的原则，每个发射端将来自其他所有发射端的干扰归拢到对应接收端能处理的信号空间。

现有技术具有如下缺点：

现有技术是基于SINR和SLNR最大化的原则，每个发射端将来自其他所有发射端的干扰归拢到对应接收端能处理的信号空间中，不能完全消除干扰，这样会导致信噪比降低到一定程度时，比如40dB或者50dB，错误(Error，BER)不会再随着信噪比的降低而下降，出现BER平层。

发明内容

本发明实施例提供一种预编码矩阵获取方法及装置，能够消除信号干扰，避免BER平层。

有鉴于此，本发明实施例提供：

一种预编码矩阵获取方法，包括：

针对每个接收端，从所有干扰向量中选取作为干扰空间基向量的干扰向量，将剩余干扰向量表示为所述干扰空间基向量的线性组合；其中，所述剩余干扰向量为接收端的所有干扰向量中除去作为干扰空间基向量的干扰向量以外的干扰向量；

根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合及当前的信道状况，确定当前采用的预编码矩阵。

一种预编码矩阵获取装置，包括：

获取单元，用于针对每个接收端，从所有干扰向量中选取作为干扰空间基向量的干扰向量；

线性组合单元，用于将剩余干扰向量表示为所述干扰空间基向量的线性组合；其中，所述剩余干扰向量为接收端的所有干扰向量中除去作为干扰空间基向量的干扰向量以外的干扰向量；

计算单元，用于根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合及当前的信道状况，确定当前采用的预编码矩阵。

本发明实施例中，针对每个接收端，都将需要对齐的干扰向量表示为干扰空间基向量的线性组合，这样达到干扰完全对齐，能够完全消除干扰，不会产生BER平层。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例提供的一种预编码矩阵获取方法流程图；

图2是本发明实施例提供的干扰对齐示意图；

图3是本发明实施例提供的干扰对齐方案的仿真示意图；

图4A和图4B分别为预编码矩阵获取装置结构图。

具体实施方式

参阅图1，本发明实施例提供一种预编码矩阵获取方法，该方法包括：

101、针对每个接收端，从所有干扰向量中选取作为干扰空间基向量的干扰向量，将剩余干扰向量表示为所述干扰空间基向量的线性组合；其中，所述剩余干扰向量为接收端的所有干扰向量中除去作为干扰空间基向量的干扰向量以外的干扰向量。

102、根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合及当前的信道状况，确定当前采用的预编码矩阵。

其中，所述干扰向量可以表示为信道向量与预编码向量的乘积，此时针对第k个接收端，步骤101中确定干扰空间基向量的个数为N-L_K个，从L-L_K个干扰向量中选择N-L_K个干扰向量作为干扰空间基向量；N为第k个接收端的接收天线数，L_K为第k个接收端的信号流数；L为多个接收端的信号流总数。具体的，因为第k个接收端的接收天线数为N，而第k个接收端的信号流数为L_K，所以对于第k个接收端来说，其具有L_K维的信号空间，N-L_K维的干扰空间；由于多个接收端的信号流总数L，而第k个接收端的信号流数为L_K，可知针对该第k个接收端，干扰向量的总数为L-L_K个，从该L-L_K个中选择N-L_K个作为干扰空间基向量，那么剩余干扰向量(即需要对齐的干扰向量)为(L-L_K)-(N-L_K)＝L-N个。

这种情况下，该步骤102的具体实现过程包括：

根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合，得到矩阵

根据所述矩阵和当前的信道状况，利用最优化方法，得到第一拉格朗日函数；

其中，

n＝(k-1)(L-N)+n’，n’＝1，2，...，L-N，α_n，0＝-1，α_n，1、α_n，2、α_n，3、α_n(N-Lk)分别为第n个向量方程中第k个接收端的第n’个剩余干扰向量表示为干扰空间基向量线性组合时干扰空间基向量的系数；中的第一列为一剩余干扰向量，其余列为干扰空间基向量；

根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合，得到Aw＝0；根据所述Aw＝0和当前的信道状况，利用最优化方法，得到第二拉格朗日函数；其中，A中的每一个子矩阵A_nl的维度均为N×M，l≤L，L为数据流总数，第n个方程中的剩余干扰向量对应的A_nl为α_n，0与所述剩余干扰向量中的信道矩阵的乘积，第n个方程中的干扰空间基向量对应的A_nl为所述干扰空间基向量中信道矩阵与所述干扰空间基向量的系数的乘积；

利用第一拉格朗日函数和第二拉格朗日函数，得到向量a_n和预编码矩阵w的互相关函数；其中，第一拉格朗日函数和第二拉格朗日函数的具体形式见后续实施例的详细描述。

将预设的w初始值或者向量a_n的初始值代入所述互相关函数，得到w当前值或者向量a_n的当前值，将所述w当前值或者向量a_n的当前值再代入所述互相关函数，直到满足预设条件为止，所述预设条件为将得到的w当前值或者向量a_n的当前值本次代入第一或者第二拉格朗日函数得到的值与前一次代入时得到的值的差达到第一预设门限，或者，迭代次数达到第二门限。

或者，干扰向量可以表示为信道向量与均衡向量的乘积，此时针对第k个接收端，确定干扰空间基向量的个数为M-L_K个，从L-L_K个干扰向量中选择M-L_K个干扰向量作为干扰空间基向量；其中，M为与第k个接收端配对的发射端的发射天线数，L_K为第k个接收端的信号流数；L为多个接收端的信号流总数。具体的，因为与第k个接收端配对的发射端的发射天线数为M，而第k个接收端的信号流数为L_K，所以对于该发射端来说，其具有L_K维的信号空间，M-L_K维的干扰空间；根据多个接收端的信号流总数L，而第k个接收端的信号流数为L_K，可知针对该发送端，干扰向量的总数为L-L_K个，从该L-L_K个中选择M-L_K个作为干扰空间基向量，那么剩余干扰向量(即需要对齐的干扰向量)为(L-L_K)-(M-L_K)＝L-M个。

这种情况下，该步骤102的具体实现过程包括：

根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合，得到矩阵

根据所述矩阵和当前的信道状况，利用最优化方法，得到第三拉格朗日函数；

其中，

n＝(k-1)(L-M)+n’，n’＝1，2，...，L-N，β_n，0＝-1，β_n，1、β_n，2、β_n，3、β_n(M-Lk)分别为第n个向量方程中第k个接收端的第n’个剩余干扰向量表示为干扰空间基向量线性组合时干扰空间基向量的系数；

中的第一列为一剩余干扰向量，其余列为干扰空间基向量；

根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合，得到BG＝0；根据所述Bw＝0和当前的信道状况，利用最优化方法，得到第四拉格朗日函数；其中，B中的每一个子矩阵B_nl的维度均为M×N，l≤L，L为数据流总数，第n个方程中的剩余干扰向量对应的B_nl为β_n，0与所述剩余干扰向量中的信道矩阵的乘积，第n个方程中的干扰空间基向量对应的B_nl为所述干扰空间基向量中信道矩阵与所述干扰空间基向量的系数的乘积；其中，G为均衡矩阵，是由均衡向量组成的矩阵。

利用第三拉格朗日函数和第四拉格朗日函数，得到向量a_n和均衡矩阵的互相关函数；

将预设的均衡矩阵G的初始值或者向量β_n的初始值代入所述互相关函数，得到均衡矩阵G的当前值或者向量β_n的当前值，将所述均衡矩阵G的当前值或者向量β_n的当前值再代入所述互相关函数，直到满足预设收敛条件为止，所述预设收敛条件为将得到的均衡矩阵G的当前值或者向量β_n的当前值本次代入第三或者第四拉格朗日函数得到的值与前一次代入时得到的值的差达到第三预设门限，或者，迭代次数达到第四门限。

其中，本发明实施例中的发射端可以是基站，接收端可以是用户设备。

本发明实施例中，针对每个接收端，都将需要对齐的干扰向量表示为干扰空间基向量的线性组合，这样达到干扰完全对齐，能够完全消除干扰，不会产生BER平层。

一、为了说明步骤101中将需要对齐的干扰向量表示为干扰空间基向量的线性组合的思想，如下先以每个用户设备只接收一个信号流为例进行描述：

第k个接收端接收的信号可以表示为：

$y_k=H_{\mathrm{kk}}{W}_k{x}_k+\underset{i=1,i\≠k}{\overset{K}{\mathrm{\Σ}}}{H}_{\mathrm{ki}}{W}_i{x}_i+n_k---\left(1\right)$

其中，H_kkW_kx_k为接收的有用信号；

为接收的干扰信号，n_k是方差为σ²的噪声向量。这里，H_kk表示第k个基站到第k个用户设备的信道矩阵，H_ki表示第i个基站到第k个用户设备的信道矩阵，维数为N×M；

W_k为第k个基站的预编码矩阵，x_k为第k个基站发射的信号；W_i为第i个基站的预编码矩阵，x_i为第i个基站发射的信号。

其中，公式(1)中：

$W_i{x}_i=\underset{m=1}{\overset{L_i}{\mathrm{\Σ}}}{w}_{\mathrm{im}}{x}_{\mathrm{im}}$

L_i为第i个用户设备的预编码向量数，也即第i个用户设备传输的信号流的数目，所有用户设备(假定用户设备一种有K个)共有个信号流，不难理解，这L个预编码向量之间必须两两独立，w_im为第i个基站的第m个预编码向量，维数为M×1，x_im表示发送的信号，为一标量。

首先，以L_i＝1的情况来介绍本发明提供的干扰对齐方案，即每个用户设备都只有一个流，则(1)式变为：

y_k＝H_k1w₁x₁+H_k2w₂x₂+...+H_kkw_kx_k+...+n_k

则根据第k个用户设备的接收信号所估计出的发射信号为：

${\hat{x}}_k=g_k^H{y}_k=g_k^H{H}_{\mathrm{kk}}{w}_k{x}_k+(g_k^H{H}_{k1}{w}_1{x}_1+g_k^H{H}_{k2}{w}_2{x}_2+...)+g_k^H{n}_k---\left(2\right)$

其中，

为一个维度为1×N的均衡向量，用于加权。当||g_k||²＝1时，g_k的选择并不改变噪声的功率，则获得x_k的最佳估计的一个必要条件是：对所有i，k＝1，2，…，K，有：

$g_k^H{H}_{\mathrm{ki}}{w}_i=0,i\≠k---\left(3\right)$

$g_k^H{H}_{\mathrm{kk}}{w}_k=c_k,$ c_k为正数，

其中为了确保能最大化SINR，c_k需最大化，以达到最优的检测性能。

对于第k个用户设备，当w_i确定时，要满足

i＝1，2，…，K，可令a_i＝H_kiw_i，则有

其中a_i＝(a_i1，a_i2，…，a_iN)^T，可以得到如下含K-1个方程的线性方程组：

$\left\{\begin{array}{c}{a}_{11}{g}_{k1}^{*}+a_{12}{g}_{k2}^{*}+...+a_{1N}{g}_{\mathrm{kN}}^{*}=0\\ ...\\ a_{k-\mathrm{1,1}}{g}_{k1}^{*}+a_{k-\mathrm{1,2}}{g}_{k2}^{*}+...+a_{k-1,N}{g}_{\mathrm{kN}}^{*}=0\\ a_{k+\mathrm{1,1}}{g}_{k1}^{*}+a_{k+\mathrm{1,2}}{g}_{k2}^{*}+...+a_{k+1,N}{g}_{\mathrm{kN}}^{*}=0\\ ...\\ a_{K1}{g}_{k1}^{*}+a_{K2}{g}_{k2}^{*}+...+a_{\mathrm{KN}}{g}_{\mathrm{kN}}^{*}=0\end{array}\right.---\left(4\right)$

为了保证公式(4)有非零解，则必须使得上述K-1个方程中，至少有L-N个干扰迫零方程的系数向量是N-1个干扰迫零方程的系数向量的线性组合，即为干扰对齐的约束条件，其中，干扰迫零方程是指(4)中右边为零的方程。对于一个用户设备只接收一个信号流的情况，则：

$H_{k,i_m}{w}_{i_m}=\underset{n=1}{\overset{N-1}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{kn}}{H}_{{k,i}_n}{w}_{i_n}---\left(5\right)$

其中，k＝1，2，…，K，i_n|_{n＝1，2，...，N-1}∈S_k1，i_m|_{m＝1，2，...，K-N}∈S_k2，α_kn表示组合系数，S_k1表示干扰空间基向量的集合，该集合中包含N-1个元素，S_k2表示包含需要对齐的干扰向量的集合，该集合包括K-N个元素，且

S_k1∪S_k2∪{k}＝{1，2，…，K}。

上述方案为了描述简便，以单流为例，即每个用户设备只接收一路信号，也即每个用户设备的信号流数为1。若第k个用户设备的信号流数为L_K，则针对该用户设备，干扰向量总个数为L-L_K，干扰空间的基向量的个数为N-L_K，则在所有干扰向量中选择N-L_K个作为干扰空间的基向量，然后将剩余干扰向量表示为干扰空间的基向量的线性组合，其中，剩余干扰向量即是需要对齐的干扰向量，其为(L-L_K)-(N-L_K)＝L-N个。其中，N为第k个用户设备的接收天线数，L为所有用户设备的信号流总数。

为了使本发明实施例提供的干扰对齐方案更加清楚明白，如下举实例进行说明。图2为本发明实施例提供的干扰对齐示意图，假定M＝6，N＝3，K＝5，即有5个基站，5个用户设备，每个用户设备的接收天线数都为3，每个用户设备只接收一个信号流。则对每个用户设备来说，因接收天线数为3，则接收的信号向量呈3维，除去有用信号占1维之外，还剩2维，则要想实现干扰对齐，必须使4个干扰向量中的任意3个干扰向量线性相关，这样，就需要从4个干扰向量中任意挑出2个作为干扰空间的基向量，将剩下的两个干扰向量(即需要对齐的干扰向量)表示为干扰空间的基向量的线性组合。

参见图2，对于第1个用户设备，即第1行所示，H₁₄w₄是需要对齐的干扰向量，H₁₄w₄是H₁₂w₂和H₁₃w₃的线性组合，可以表示为：

H₁₄w₄＝α₁₁H₁₂w₂+α₁₂H₁₃w₃(6)

同理，H₁₅w₅是第二个需要对齐的干扰向量，H₁₅w₅是H₁₂w₂和H₁₃w₃的线性组合，可以表示为：

H₁₅w₅＝α₁₃H₁₂w₂+α₁₄H₁₃w₃(7)

对第1个用户设备，被对齐的干扰向量数为L-N＝2；剩余干扰向量个数为N-1＝2。同样，对第二、三、四、五个用户设备，可以得到多个形如(6)，(7)的方程，则得到方程组。

二、下面将每个用户设备只接收单信号流的情形推广到每个用户设备接收多个信号流，假定第k个用户设备接收的信号流数为L_k≥1，这样，由于该用户设备本身的信号流已经占用了L_k维空间(该L_k维空间称为信号空间)，所以需要将干扰向量压缩到剩余的N-L_k维空间中(该N-L_k维空间称为干扰空间)，即：

H_kiw_im，m＝1，2，…，L_i，i＝1，2，…，K，i≠k

换言之，对第k个用户设备，L-L_k个干扰向量必须对齐到N-L_k维的干扰空间里。假定用π_k表示从L-L_k个干扰向量中取出的作为干扰空间基向量的N-L_k个向量的集合，用π_k’来表示余下的(L-L_k)-(N-L_k)＝L-N个需要对齐的干扰向量的集合。例如，K＝3，M＝10，N＝15，L＝18，L₁＝L₂＝L₃＝6，则每个用户设备的干扰向量都是L-L_k＝12个，干扰空间均为N-L_k＝9维，即干扰空间基向量为9个，则各用户设备的π_k和π_k’可以表示为：

π₁＝{w₂₄，w₂₅，w₂₆，w₃₁，…，w₃₆}，π′₁＝{w₂₁，w₂₂，w₂₃}

π₂＝{w₁₄，w₁₅，w₁₆，w₃₁，…，w₃₆}，π′₂＝{w₁₁，w₁₂，w₁₃}

π₃＝{w₁₄，w₁₅，w₁₆，w₂₁，…，w₂₆}，π′₃＝{w₁₁，w₁₂，w₁₃}

采用这样的表示方法，则干扰对齐可表示为：

$\{H_{kj}{w}_{j{m}^{\′}}:w_{j{m}^{\′}}\∈{\mathrm{\π}}_k^{\′}\}\⋐\mathrm{span}[H_{\mathrm{ki}}{w}_{\mathrm{im}}:w_{\mathrm{im}}\∈{\mathrm{\π}}_k],k=\mathrm{1,2},...,K---\left(8\right)$

上述(8)式表示将π_k’中的向量表示成π_k中向量的线性组合，所以(8)等价为如下的向量方程：

$H_{\mathrm{kj}}{w}_{{\mathrm{jm}}^{\′}}=\underset{w_{\mathrm{im}}\∈{\mathrm{\π}}_k}{\mathrm{\Σ}}{\mathrm{\α}}_{\mathrm{nr}}{H}_{\mathrm{ki}}{w}_{\mathrm{im}}$

w_jm′∈π′_k，k＝1，2，…，K    (9)

其中r＝1，2，...，N-L_k，n＝(k-1)(L-N)+n’，n’＝1，2，...，L-N，α_nr表示第r个干扰向量在第n个向量方程中的系数，显然每个方程中α_nr不能全部为零。特别地，如果L_k＝N，此时第k个接收端没有干扰空间，则需要将M×1的零向量放入π_k。。

三、如下将详细描述步骤102的具体实现过程：

为了便于后的预编码矩阵的计算，则将公式(8)变为如下：

${\mathrm{\α}}_{n,0}{H}_{\mathrm{kj}}{w}_{{\mathrm{jm}}^{\′}}+\underset{w_{\mathrm{im}}\∈{\mathrm{\π}}_k}{\mathrm{\Σ}}{\mathrm{\α}}_{\mathrm{nr}}{H}_{\mathrm{ki}}{w}_{\mathrm{im}}=0---\left(11\right)$

公式(11)对每个w_jm′∈π′_k成立，其中k＝1，2，...，K，r＝1，2，...，N-L_k，n＝(k-1)(L-N)+n’，n’＝1，2，...，L-N，α_n，0＝-1，则用矩阵形式表示公式(11)为：

$\left[\begin{array}{c}{\stackrel{\‾}{H}}_1{\mathrm{\α}}_1\\ {\stackrel{\‾}{H}}_2{\mathrm{\α}}_2\\ .\\ .\\ .\\ {\stackrel{\‾}{H}}_{(L-N)K}{\mathrm{\α}}_{(L-N)K}\end{array}\right]=0---\left(12\right)$

其中，

为N×(N-L_k+1)的矩阵，其第一列为H_kjw_jm′，w_jm′∈π′_k，余下为π_k中的N-L_k个干扰向量，即H_kiw_im′w_im∈π_k。

公式(11)可以进一步重写为：

Aw＝0

其中， $w={\left[\begin{array}{ccccccccc}{w}_{11}^T& w_{12}^T& ...& w_{1,L_1}^T& ...& w_{K1}^T& W_{K2}^T& ...& W_{K,L_K}^T\end{array}\right]}^T$

为LM×1的级联预编码向量，其中，L₁为第1个用户设备接收的信号流数；L_K为第K个用户设备接收的信号流数；对应L个预编码向量，而A为(L-N)NK×LM的矩阵：

其中，每一个子矩阵A_nl的维度均为N×M，n＝(k-1)(L-N)+n’，n’＝1，2，...，L-N，l＝1，2，...，L，k＝1，2，...，K。由于每个w对应一个数据流l，则第n个方程中的剩余干扰向量对应的A_nl为α_n，0与所述剩余干扰向量中的信道矩阵的乘积，第n个方程中的干扰空间基向量对应的A_nl为所述干扰空间基向量中信道矩阵与所述干扰空间基向量的系数的乘积；具体的，对于第n个方程中对应的A_nl可以表示为：

其中，l→w_jm ′∈π′_k表示第n个方程中，第l个数据流对应的向量为剩余干扰向量，即第l个数据流对应的向量w_jm′∈π′_k；l→w_im∈π_k表示第n个方程中，第l个数据流对应的向量为干扰空间基向量，即第l个数据流对应的向量w_im∈π_k。

为了清楚的说明上述公式(11)的变形，如下举例说明：假定K＝4，L＝6，流分布为[2211]，即第1个用户设备和第2个用户设备分别有两个流，第3个用户设备和第4个用户设备分别有一个流，发射天线M和接收天线N均为4，这样，L-N就等于2，所以干扰对齐方程为：

$\left\{\begin{array}{c}{\mathrm{\α}}_{10}{H}_{12}{w}_{21}+{\mathrm{\α}}_{11}{H}_{13}{w}_3+{\mathrm{\α}}_{12}{H}_{14}{w}_4=0\\ {\mathrm{\α}}_{20}{H}_{12}{w}_{22}+{\mathrm{\α}}_{21}{H}_{13}{w}_2+{\mathrm{\α}}_{22}{H}_{14}{w}_4=0\\ {\mathrm{\α}}_{30}{H}_{21}{w}_{11}+{\mathrm{\α}}_{31}{H}_{23}{w}_3+{\mathrm{\α}}_{32}{H}_{24}{w}_4=0\\ {\mathrm{\α}}_{40}{H}_{21}{w}_{12}+{\mathrm{\α}}_{41}{H}_{23}{w}_3+{\mathrm{\α}}_{42}{H}_{24}{w}_4=0\\ {\mathrm{\α}}_{50}{H}_{31}{w}_{11}+{\mathrm{\α}}_{51}{H}_{32}{w}_{21}+{\mathrm{\α}}_{52}{H}_{22}{w}_{22}+{\mathrm{\α}}_{53}{H}_{34}{w}_4=0\\ {\mathrm{\α}}_{60}{H}_{31}{w}_{12}+{\mathrm{\α}}_{61}{H}_{32}{w}_{21}+{\mathrm{\α}}_{62}{H}_{32}{w}_{22}+{\mathrm{\α}}_{63}{H}_{34}{w}_4=0\\ {\mathrm{\α}}_{70}{H}_{41}{w}_{11}+{\mathrm{\α}}_{71}{H}_{42}{w}_{21}+{\mathrm{\α}}_{72}{H}_{42}{w}_{22}+{\mathrm{\α}}_{73}{H}_{43}{w}_3=0\\ {\mathrm{\α}}_{80}{H}_{41}{w}_{12}+{\mathrm{\α}}_{81}{H}_{42}{w}_{21}+{\mathrm{\α}}_{82}{H}_{42}{w}_{22}+{\mathrm{\α}}_{83}{H}_{43}{w}_3=0\end{array}\right.$

因此：

${\stackrel{\‾}{H}}_1=\left[\begin{array}{ccc}{H}_{12}{w}_{21}& H_{13}{w}_3& H_{14}{w}_4\end{array}\right],...$

${\stackrel{\‾}{H}}_4=\left[\begin{array}{ccc}{H}_{21}{w}_{12}& H_{23}{w}_3& H_{24}{w}_4\end{array}\right],$

${\stackrel{\‾}{H}}_5=\left[\begin{array}{ccc}{H}_{31}{w}_{11}& H_{32}{w}_{21}& H_{32}{w}_{22}{H}_{34}{w}_4\end{array}\right],...$

${\stackrel{\‾}{H}}_8=\left[\begin{array}{ccc}{H}_{41}{w}_{12}& H_{42}{w}_{21}& H_{42}{w}_{22}{H}_{43}{w}_3\end{array}\right]$

${\mathrm{\α}}_1=\left[\begin{array}{c}{\mathrm{\α}}_{10}\\ {\mathrm{\α}}_{11}\\ {\mathrm{\α}}_{12}\end{array}\right],...,{\mathrm{\α}}_4=\left[\begin{array}{c}{\mathrm{\α}}_{40}\\ {\mathrm{\α}}_{41}\\ {\mathrm{\α}}_{42}\end{array}\right],{\mathrm{\α}}_5=\left[\begin{array}{c}{\mathrm{\α}}_{50}\\ {\mathrm{\α}}_{51}\\ {\mathrm{\α}}_{52}\\ {\mathrm{\α}}_{53}\end{array}\right],...,{\mathrm{\α}}_8=\left[\begin{array}{c}{\mathrm{\α}}_{80}\\ {\mathrm{\α}}_{81}\\ {\mathrm{\α}}_{82}\\ {\mathrm{\α}}_{83}\end{array}\right]$

$w={[w_{11}^T,w_{12}^T,w_{21}^T,w_{22}^T,w_3^T,w_4^T]}^T$

$A=\left[\begin{array}{cccccc}0& 0& {\mathrm{\α}}_{10}{H}_{12}& 0& {\mathrm{\α}}_{11}{H}_{13}& {\mathrm{\α}}_{12}{H}_{14}\\ 0& 0& 0& {\mathrm{\α}}_{20}{H}_{12}& {\mathrm{\α}}_{21}{H}_{13}& {\mathrm{\α}}_{22}{H}_{14}\\ {\mathrm{\α}}_{30}{H}_{21}& 0& 0& 0& {\mathrm{\α}}_{31}{H}_{23}& {\mathrm{\α}}_{32}{H}_{24}\\ 0& {\mathrm{\α}}_{40}{H}_{21}& 0& 0& {\mathrm{\α}}_{41}{H}_{23}& {\mathrm{\α}}_{42}{H}_{24}\\ {\mathrm{\α}}_{50}{H}_{31}& 0& {\mathrm{\α}}_{51}{H}_{32}& {\mathrm{\α}}_{52}{H}_{32}& 0& {\mathrm{\α}}_{53}{H}_{34}\\ 0& {\mathrm{\α}}_{60}{H}_{31}& {\mathrm{\α}}_{61}{H}_{32}& {\mathrm{\α}}_{62}{H}_{32}& 0& {\mathrm{\α}}_{63}{H}_{34}\\ {\mathrm{\α}}_{70}{H}_{41}& 0& {\mathrm{\α}}_{71}{H}_{42}& {\mathrm{\α}}_{72}{H}_{42}& {\mathrm{\α}}_{73}{H}_{43}& 0\\ 0& {\mathrm{\α}}_{80}{H}_{41}& {\mathrm{\α}}_{81}{H}_{42}& {\mathrm{\α}}_{82}{H}_{42}& {\mathrm{\α}}_{83}{H}_{43}& 0\end{array}\right]$

如下将干扰对齐方案转化成最优化问题：

$J=\underset{n=1}{\overset{(L-N)K}{\mathrm{\Σ}}}{\mathrm{\α}}_n^H{\stackrel{\‾}{H}}_n^H{\stackrel{\‾}{H}}_n{\mathrm{\α}}_n=w^H{A}^H\mathrm{Aw}---\left(15\right)$

其中，约束条件为： $\begin{array}{c}{w}_{\mathrm{ki}}^H{w}_{\mathrm{ki}}=P_l,l=\mathrm{1,2},...,L\\ {\mathrm{\α}}_n^{T}b=-1,n=\mathrm{1,2},...,(L-N)K\end{array}$

这里b＝[1，0，...，0]^T，

表示第k个用户设备的第i个数据流对应的预编码向量的转置与所述预编码向量的乘积为该数据流的功率P_l，其中，k＝1，2，3...K；i＝1，2，....L_k，该P_l为总数据流中第l个数据流的功率。比如，L＝6，流分布为[2211]，即第1个用户设备和第2个用户设备分别有两个流，第3个用户设备和第4个用户设备分别有一个流，则第2个用户设备的第1个数据流为总数据流中的第3个流，该第2个用户设备的第1个数据流对应的预编码向量的转置与所述预编码向量的乘积为P₃。

当J足够小(趋近于零)的时候，可以认为找到了满足(15)的最优解，也就是(8)的解。

令D为一个L×LM的块矩阵：

$D=\mathrm{diag}\left\{\begin{array}{ccccccccc}{w}_{11}^H& w_{12}^H& ...& w_{1,L_1}^H& ...& w_{K1}^H& w_{K2}^H& ...& w_{K,L_K}^H\end{array}\right\}---\left(16\right)$

那么，功率限制可以表示为：

Dw＝e    (17)

其中，e＝[P₁，P₂，...，P_L]^T。因此(15)可以等效为最小化如下第一拉格朗日(Lagrange)函数：

$L_c(w,{\mathrm{\α}}_n)=w^H{A}^H\mathrm{Aw}+{\mathrm{\μ}}^T(e-\mathrm{Dw})+\underset{n=1}{\overset{(L-N)K}{\mathrm{\Σ}}}{\mathrm{\λ}}_n(1+{\mathrm{\α}}_n^{H}b)---\left(18\right)$

其中λ_n和μ为拉格朗日因子，将D看成已知矩阵，则可对w求复微分如下：

${\∂L}_c/\∂w^{*}=2A^H\mathrm{Aw}-D^H\mathrm{\μ}$

令(19)等于0，则得到

由(15)，可以把(18)重写成如下第二拉格朗日(Lagrange)函数：

$L_c(w,{\mathrm{\α}}_n)=\underset{n=1}{\overset{(L-N)K}{\mathrm{\Σ}}}{\mathrm{\α}}_n^H{\stackrel{\‾}{H}}_n^H{\stackrel{\‾}{H}}_n{\mathrm{\α}}_n+{\mathrm{\λ}}_n(1+{\mathrm{\α}}_n^{H}b)+{\mathrm{\μ}}^H(e-\mathrm{Dw})---\left(21\right)$

对α_n求复微分如下：

${\∂L}_c/\∂{\mathrm{\α}}_n^{*}=2{\stackrel{\‾}{H}}_n^H{\stackrel{\‾}{H}}_n{\mathrm{\α}}_n+{\mathrm{\λ}}_{n}b---\left(22\right)$

令(22)等于0，则得到

${\mathrm{\α}}_n=-\frac{{\left({\stackrel{\‾}{H}}_n^H{\stackrel{\‾}{H}}_n\right)}^{-1}}{b^T{\left({\stackrel{\‾}{H}}_n^H{\stackrel{\‾}{H}}_n\right)}^{-1}b}---\left(23\right)$

公式(23)需要矩阵

满秩，否则的话，可以直接令α_n为的零空间向量，比如取最小特征值向量，并归一化至其第一个元素为-1。

将预设的α_n或者w的初始值代入公式(23)和公式(20)，通过公式(23)和公式(20)的循环迭代可以依次更新α_n和w，可以在满足预设收敛条件时获得最优解，预设收敛条件可以是连续两次迭代的L_c值的差值小于第一预设门限值或者迭代次数达到一个预设的第二门限值，即达到了预设的迭代次数。

特别地，如果考虑发射总功率限制，最优化问题可以变为：

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{i=1}{\overset{L_k}{\mathrm{\Σ}}}{w}_{\mathrm{ki}}^H{w}_{\mathrm{ki}}=P_T---\left(24\right)$

${\mathrm{\α}}_n^{T}b=-1,n=\mathrm{1,2},...,(L-N)K$

其中，P_T表示发射端发送各数据流的总功率；其中，

表示第k个用户设备的第i个数据流对应的预编码向量的转置与所述预编码向量的乘积；

表示每个接收端的每个数据流对应的预编码向量的转置与所述预编码向量的乘积之和为各数据流的总功率。

不难得到，给定α_n时，可以得到最优的w为：

$w=\frac{1}{\sqrt{P_T}}{u}_m---\left(25\right)$

其中，u_m是A^//A最小特征值对应的单位特征向量。通过公式(23)和公式(25)的循环迭代可以依次更新α_n和w得到最优解。

如下简单说明如何通过迭代求解预编码矩阵。比如，把更新α_n和w作为一次迭代周期，可以看到，在第i次迭代过程中，对任意的α^(i-1)值，由公式(20)求得w_n ⁽ⁱ⁾值，然后将α_n ^(i-1)值和w⁽ⁱ⁾值代入拉格朗日函数(18)，将w_n ⁽ⁱ⁾值代入(23)就得到了α⁽ⁱ⁾值，然后利用将α_n ⁽ⁱ⁾值和w⁽ⁱ⁾值进行下一个迭代周期。因此，可以得到：

$\begin{array}{c}...\≥L_c({\mathrm{\α}}_n^{(i-1)},w^{(i-1)})\≥L_c({\mathrm{\α}}_n^{(i-1)},w^{\left(i\right)})\≥L_c({\mathrm{\α}}_n^{\left(i\right)},w^{\left(i\right)})\\ \≥L_c({\mathrm{\α}}_n^{\left(i\right)},w^{(i+1)})\≥L_c({\mathrm{\α}}_n^{(i+1)},w^{(i+1)})\≥...\end{array}$

这表明该算法单调不增，趋向于收敛到一个较小值，因此，可以使用上述收敛条件。

前面讨论的干扰对齐是在接收端的干扰空间进行干扰对齐，也可以在发射端的干扰空间进行干扰对齐。

具体而言，即对第k个用户设备，共有L-L_k个干扰向量：

m＝1，2，…，L_i，i＝1，2，…，K，i≠k

需要将L-L_k个干扰向量对齐到M-L_k维的干扰空间中，则表示为：

这里

和

的定义与π_k和π′_k的定义类似，这里不再赘述。类似地，可以获得如下干扰对齐方程：

其中r＝1，2，…，M-L_k，n＝(k-1)(L-M)+n’，n’＝1，2，…，L-M，β_nr表示对应于第n个向量方程中第r个干扰向量的系数，显然每个方程中不能全部为零，类似地，当L_k＝M时，没有干扰空间，此时，可令N×1的零向量为

的元素，这样，干扰对齐方法依然可以使用。

得到所有用户设备的所有均衡向量集合

(k＝1，2，...，K)后，可以用下式得到各用户设备的预编码向量w_k：

$w_k={(\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{H}_{\mathrm{ik}}^H{g}_i{g}_i^H{H}_{\mathrm{ik}}+\mathrm{\ϵ}{\mathrm{\σ}}^2{I}_M)}^{-1}{H}_{\mathrm{kk}}^H{g}_k$

其中ε＝0表示用迫零均衡方法，ε＝1表示用最小均方误差均衡方法，σ²为噪声功率，当然也可以用其他方法通过g_k求取w_k，不影响本发明的实现。

图3为依据本发明上述实施例所得到的频谱效率的数字仿真结果示意图，其中M为发射天线数，N为接收天线数，K为用户设备数，L为总流数，括号内各数字表示各用户设备的信号流数，可以看出在较高信噪比下，也不会出现BER平层。

参阅图4A和图4B，本发明实施例提供一种预编码矩阵获取装置，该装置可以为独立于发射端和接收端的中心控制设备，或者是位于发射端上，该装置具体包括：

获取单元401，用于针对每个接收端，从所有干扰向量中选取作为干扰空间基向量的干扰向量；

线性组合单元402，用于将剩余干扰向量表示为所述干扰空间基向量的线性组合；其中，所述剩余干扰向量为接收端的所有干扰向量中除去作为干扰空间基向量的干扰向量以外的干扰向量；

计算单元403，用于根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合及当前的信道状况，确定当前采用的预编码矩阵。

其中，干扰向量可以表示为信道向量与预编码向量的乘积；

此时获取单元401用于针对第k个接收端，确定干扰空间基向量的个数为N-L_K个，从L-L_K个干扰向量中选择N-L_K个干扰向量作为干扰空间基向量；其中，N为第k个接收端的接收天线数，L_K为第k个接收端的信号流数；L为多个接收端的信号流总数。

计算单元403包括：

第一函数获取子单元4031，用于根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合，得到矩阵

根据所述矩阵和当前的信道状况，利用最优化方法，得到第一拉格朗日函数；其中，

n＝(k-1)(L-N)+n’，n’＝1，2，...，L-N，α_n，0＝-1，α_n，1、α_n，2、α_n，3、α_n(N-Lk)分别为第n个向量方程中第k个接收端的第n’个剩余干扰向量表示为干扰空间基向量线性组合时基向量的系数；

中的第一列为一剩余干扰向量，其余列为干扰空间基向量；

第二函数获取子单元4032，用于根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合，得到Aw＝0；根据所述Aw＝0和当前的信道状况，利用最优化方法，得到第二拉格朗日函数；l≤L，L为数据流总数，第n个方程中的剩余干扰向量对应的A_nl为α_n，0与所述剩余干扰向量中的信道矩阵的乘积，第n个方程中的干扰空间基向量对应的A_nl为所述干扰空间基向量中信道矩阵与所述干扰空间基向量的系数的乘积；

第一迭代函数获取子单元4033，用于利用第一拉格朗日函数和第二拉格朗日函数，得到向量a_n和预编码矩阵w的互相关函数；

第一迭代子单元4034，用于将预设的w初始值或者向量a_n的初始值代入所述互相关函数，得到w当前值或者向量a_n的当前值，将所述w当前值或者向量a_n的当前值再代入所述互相关函数，直到满足预设条件为止，所述预设条件为将得到的w当前值或者向量a_n的当前值本次代入第一或者第二拉格朗日函数得到的值与前一次代入时得到的值的差达到第一预设门限，或者，迭代次数达到第二门限。

或者，干扰向量表示为信道向量与均衡向量的乘积；

此时，获取单元401用于针对第k个接收端，确定干扰空间基向量的个数为M-L_K个；从L-L_K个干扰向量中选择M-L_K个干扰向量作为干扰空间基向量；其中，M为与第k个接收端配对的发送端的发射天线数，L_K为第k个接收端的信号流数；L为多个接收端的信号流总数。

计算单元403包括：

第三函数获取子单元4036，用于根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合，得到矩阵

根据所述矩阵和当前的信道状况，利用最优化方法，得到第三拉格朗日函数；其中，

n＝(k-1)(L-M)+n’，n’＝1，2，...，L-N，β_n，0＝-1，β_n，1、β_n，2、β_n，3、

分别为第n个向量方程中第k个接收端的第n’个剩余干扰向量表示为干扰空间基向量线性组合时基向量的系数；

中的第一列为一剩余干扰向量，其余列为干扰空间基向量；

第四函数获取子单元4037，用于根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合，得到BG＝0；根据所述Bw＝0和当前的信道状况，利用最优化方法，得到第四拉格朗日函数；其中，B中的每一个子矩阵B_nl的维度均为M×N，l≤L，L为数据流总数，第n个方程中的剩余干扰向量对应的B_nl为β_n，0与所述剩余干扰向量中的信道矩阵的乘积，第n个方程中的干扰空间基向量对应的B_nl为所述干扰空间基向量中信道矩阵与所述干扰空间基向量的系数的乘积；

第二迭代函数获取子单元4038，用于利用第三拉格朗日函数和第四拉格朗日函数，得到向量a_n和均衡矩阵G的互相关函数；

第二迭代子单元4039，用于将预设的均衡矩阵G的初始值或者向量β_n的初始值代入所述互相关函数，得到均衡矩阵G的当前值或者向量β_n的当前值，将所述均衡矩阵G的当前值或者向量β_n的当前值再代入所述互相关函数，直到满足预设收敛条件为止，所述预设收敛条件为将得到的均衡矩阵G的当前值或者向量β_n的当前值本次代入第三或者第四拉格朗日函数得到的值与前一次代入时得到的值的差达到第三预设门限，或者，迭代次数达到第四门限。

本发明实施例中，针对每个接收端，都将需要对齐的干扰向量表示为干扰空间基向量的线性组合，这样达到干扰完全对齐，能够完全消除干扰，不会产生BER平层。

需要说明的是，本发明上述各实施例中的每对发射端和接收端都可以拥有不同的天线配置，不影响本发明的实现。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，例如只读存储器，磁盘或光盘等。

以上对本发明实施例所提供的预编码矩阵获取方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (11)

1.一种预编码矩阵获取方法，其特征在于，包括：

针对每个接收端，从所有干扰向量中选取作为干扰空间基向量的干扰向量，将剩余干扰向量表示为所述干扰空间基向量的线性组合；其中，所述剩余干扰向量为接收端的所有干扰向量中除去作为干扰空间基向量的干扰向量以外的干扰向量；

根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合及当前的信道状况，确定当前采用的预编码矩阵。

2.根据权利要求1所述的方法，其特征在于，

所述干扰向量表示为信道向量与预编码向量的乘积；

针对每个接收端，从所有干扰向量中选取作为干扰空间基向量的干扰向量包括：

针对第k个接收端，确定干扰空间基向量的个数为N-L_K个；

从L-L_K个干扰向量中选择N-L_K个干扰向量作为干扰空间基向量；

其中，N为第k个接收端的接收天线数，L_K为第k个接收端的信号流数；L为多个接收端的信号流总数。

3.根据权利要求2所述的方法，其特征在于，

根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合及当前的信道状况，确定当前采用的预编码矩阵包括：

根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合，得到矩阵

根据所述矩阵和当前的信道状况，利用最优化方法，得到第一拉格朗日函数；

其中，

n＝(k-1)(L-N)+n’，n’＝1，2，...，L-N，α_n，0＝-1，α_n，1、α_n，2、α_n，3、α_n(N-Lk)分别为第n个向量方程中第k个接收端的第n’个剩余干扰向量表示为干扰空间基向量线性组合时干扰空间基向量的系数；

中的第一列为一剩余干扰向量，其余列为干扰空间基向量；

根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合，得到Aw＝0；根据所述Aw＝0和当前的信道状况，利用最优化方法，得到第二拉格朗日函数；其中，A中的每一个子矩阵A_nl的维度均为N×M，l≤L，L为数据流总数，第n个方程中的剩余干扰向量对应的A_nl为α_n，0与所述剩余干扰向量中的信道矩阵的乘积，第n个方程中的干扰空间基向量对应的A_nl为所述干扰空间基向量中信道矩阵与所述干扰空间基向量的系数的乘积；

利用第一拉格朗日函数和第二拉格朗日函数，得到向量a_n和预编码矩阵w的互相关函数；

将预设的w初始值或者向量a_n的初始值代入所述互相关函数，得到w当前值或者向量a_n的当前值，将所述w当前值或者向量a_n的当前值再代入所述互相关函数，直到满足预设条件为止，所述预设条件为将得到的w当前值或者向量a_n的当前值本次代入第一或者第二拉格朗日函数得到的值与前一次代入时得到的值的差达到第一预设门限，或者，迭代次数达到第二门限。

4.根据权利要求1所述的方法，其特征在于，

所述干扰向量表示为信道向量与均衡向量的乘积；

针对每个接收端，从所有干扰向量中选取作为干扰空间基向量的干扰向量包括：

针对第k个接收端，确定干扰空间基向量的个数为M-L_K个；

从L-L_K个干扰向量中选择M-L_K个干扰向量作为干扰空间基向量；

其中，M为与第k个接收端配对的发送端的发射天线数，L_K为第k个接收端的信号流数；L为多个接收端的信号流总数。

5.根据权利要求4所述的方法，其特征在于，

根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合及当前的信道状况，确定当前采用的预编码矩阵包括：

根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合，得到矩阵

根据所述矩阵和当前的信道状况，利用最优化方法，得到第三拉格朗日函数；

其中，

n＝(k-1)(L-M)+n’，n’＝1，2，...，L-N，

分别为第n个向量方程中第k个接收端的第n’个剩余干扰向量表示为干扰空间基向量线性组合时干扰空间基向量的系数；

中的第一列为一剩余干扰向量，其余列为干扰空间基向量；

根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合，得到BG＝0；根据所述Bw＝0和当前的信道状况，利用最优化方法，得到第四拉格朗日函数；其中，B中的每一个子矩阵B_nl的维度均为M×N，l≤L，L为数据流总数，第n个方程中的剩余干扰向量对应的B_nl为β_n，0与所述剩余干扰向量中的信道矩阵的乘积，第n个方程中的干扰空间基向量对应的B_nl为所述干扰空间基向量中信道矩阵与所述干扰空间基向量的系数的乘积；

利用第三拉格朗日函数和第四拉格朗日函数，得到向量β_n和均衡矩阵G的互相关函数；

将预设的均衡矩阵G的初始值或者向量β_n的初始值代入所述互相关函数，得到均衡矩阵G的当前值或者向量β_n的当前值，将所述均衡矩阵G的当前值或者向量β_n的当前值再代入所述互相关函数，直到满足预设收敛条件为止，所述预设收敛条件为将得到的均衡矩阵G的当前值或者向量β_n的当前值本次代入第三或者第四拉格朗日函数得到的值与前一次代入时得到的值的差达到第三预设门限，或者，迭代次数达到第四门限。

6.根据权利要求3或者5所述的方法，其特征在于，

其中，最优化方法的约束条件包括每个接收端的每个数据流对应的预编码向量的转置与所述预编码向量的乘积为所述数据流的功率；

或者，最优化方法的约束条件包括每个接收端的每个数据流对应的预编码向量的转置与所述预编码向量的乘积之和为各数据流的总功率。

7.一种预编码矩阵获取装置，其特征在于，包括：

获取单元，用于针对每个接收端，从所有干扰向量中选取作为干扰空间基向量的干扰向量；

线性组合单元，用于将剩余干扰向量表示为所述干扰空间基向量的线性组合；其中，所述剩余干扰向量为接收端的所有干扰向量中除去作为干扰空间基向量的干扰向量以外的干扰向量；

计算单元，用于根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合及当前的信道状况，确定当前采用的预编码矩阵。

8.根据权利要求7所述的装置，其特征在于，

所述干扰向量表示为信道向量与预编码向量的乘积；

所述获取单元，用于针对第k个接收端，确定干扰空间基向量的个数为N-L_K个，从L-L_K个干扰向量中选择N-L_K个干扰向量作为干扰空间基向量；

其中，N为第k个接收端的接收天线数，L_K为第k个接收端的信号流数；L为多个接收端的信号流总数。

9.根据权利要求8所述的装置，其特征在于，

所述计算单元包括：

第一函数获取子单元，用于根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合，得到矩阵

根据所述矩阵和当前的信道状况，利用最优化方法，得到第一拉格朗日函数；其中，

n＝(k-1)(L-N)+n’，n’＝1，2，...，L-N，α_n，0＝-1，α_n，1、α_n，2、α_n，3、α_n(N-Lk)分别为第n个向量方程中第k个接收端的第n’个剩余干扰向量表示为干扰空间基向量线性组合时干扰空间基向量的系数；

中的第一列为一剩余干扰向量，其余列为干扰空间基向量；

第二函数获取子单元，用于根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合，得到Aw＝0；根据所述Aw＝0和当前的信道状况，利用最优化方法，得到第二拉格朗日函数；其中，A中的每一个子矩阵A_nl的维度均为N×M，l≤L，L为数据流总数，第n个方程中的剩余干扰向量对应的A_nl为α_n，0与所述剩余干扰向量中的信道矩阵的乘积，第n个方程中的干扰空间基向量对应的A_nl为所述干扰空间基向量中信道矩阵与所述干扰空间基向量的系数的乘积；

第一迭代函数获取子单元，用于利用第一拉格朗日函数和第二拉格朗日函数，得到向量a_n和预编码矩阵w的互相关函数；

第一迭代子单元，用于将预设的w初始值或者向量a_n的初始值代入所述互相关函数，得到w当前值或者向量a_n的当前值，将所述w当前值或者向量a_n的当前值再代入所述互相关函数，直到满足预设条件为止，所述预设条件为将得到的w当前值或者向量a_n的当前值本次代入第一或者第二拉格朗日函数得到的值与前一次代入时得到的值的差达到第一预设门限，或者，迭代次数达到第二门限。

10.根据权利要求7所述的装置，其特征在于，

所述干扰向量表示为信道向量与均衡向量的乘积；

所述获取单元，用于针对第k个接收端，确定干扰空间基向量的个数为M-L_K个；从L-L_K个干扰向量中选择M-L_K个干扰向量作为干扰空间基向量；

其中，M为与第k个接收端配对的发送端的发射天线数，L_K为第k个接收端的信号流数；L为多个接收端的信号流总数。

11.根据权利要求10所述的装置，其特征在于，

所述计算单元包括：

第三函数获取子单元，用于根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合，得到矩阵

根据所述矩阵和当前的信道状况，利用最优化方法，得到第三拉格朗日函数；其中，

n＝(k-1)(L-M)+n’，n’＝1，2，...，L-N，β_n，0＝-1，β_n，1、β_n，2、β_n，3、β_n(M-Lk)分别为第n个向量方程中第k个接收端的第n’个剩余干扰向量表示为干扰空间基向量线性组合时干扰空间基向量的系数；

中的第一列为一剩余干扰向量，其余列为干扰空间基向量；

第四函数获取子单元，用于根据每个接收端剩余干扰向量所表示成的干扰空间基向量的线性组合，得到BG＝0；根据所述Bw＝0和当前的信道状况，利用最优化方法，得到第四拉格朗日函数；其中，B中的每一个子矩阵B_nl的维度均为M×N，l≤L，L为数据流总数，第n个方程中的剩余干扰向量对应的B_nl为β_n，0与所述剩余干扰向量中的信道矩阵的乘积，第n个方程中的干扰空间基向量对应的B_nl为所述干扰空间基向量中信道矩阵与所述干扰空间基向量的系数的乘积；

第二迭代函数获取子单元，用于利用第三拉格朗日函数和第四拉格朗日函数，得到向量β_n和均衡矩阵G的互相关函数；

第二迭代子单元，用于将预设的均衡矩阵G的初始值或者向量β_n的初始值代入所述互相关函数，得到均衡矩阵G的当前值或者向量β_n的当前值，将所述均衡矩阵G的当前值或者向量β_n的当前值再代入所述互相关函数，直到满足预设收敛条件为止，所述预设收敛条件为将得到的均衡矩阵G的当前值或者向量β_n的当前值本次代入第三或者第四拉格朗日函数得到的值与前一次代入时得到的值的差达到第三预设门限，或者，迭代次数达到第四门限。

Images