CN102340336B - 一种基于slnr的mu-mimo的用户配对方法 - Google Patents

Abstract

本发明公开了一种基于SLNR的MU-MIMO的用户配对方法，其中，确定已配对用户的步骤为：计算未配对用户的索引集合A2中当前未配对用户的第一SLNR值；计算已配对用户的索引集合A1中每个已配对用户与A2中当前未配对用户配对时的第二SLNR值；计算当前未配对用户的第一SLNR值与A1中每个已配对用户的第二SLNR值的乘积，将乘积作为当前未配对用户的SLNR值；按照上述方法计算A2中每个未配对用户的SLNR值，将SLNR值最大的用户作为新的已配对用户。采用本发明公开的方法能够提高系统性能。

Description

一种基于SLNR的MU-MIMO的用户配对方法

技术领域

本发明涉及移动通讯领域，特别涉及一种基于SLNR的MU-MIMO的用户配对方法。

背景技术

与传统的单输入单输出(SISO)系统相比，多输入多输出(MIMO)系统能实现更高的数据传输速率和分集增益。在多用户MIMO(MU-MIMO)下行链路中，基站通过空分多址(SDMA)在相同的时频资源服务多个用户。利用多用户分集增益和多路数据流的复用增益，MU-MIMO能获得比单用户MIMO(SU-MIMO)更高的数据吞吐量。

当MU-MIMO系统在相同的时频资源上服务于多个用户时，为了降低不同用户之间的干扰和提高系统的整体性能，通常对所能的服务的用户数目有一定限制。当系统中同时存在较多用户时，就需要采用用户配对算法选取出一定数目的用户集合作为服务对象。同时，为了抑制用户间干扰并提高系统的吞吐量，基站还需要采用预编码技术。

从信息论的角度来说，采用脏纸编码(DPC)可以实现系统和容量的最大化。但是脏纸编码作为一种非线性的预编码方案，实现复杂度非常高，不适合实际应用，而在实际系统中通常采用低复杂度的线性预编码，例如，迫零预编码和基于信漏噪比(SLNR)的预编码，相对于迫零预编码，SLNR预编码的优势是对基站和用户的天线数没有限制且性能更好。通常，为优化性能，用户配对方法取决于系统所采用的预编码算法。

基于SLNR预编码，现有技术中的用户配对方法的原理是：

第一，建立两个集合：已配对用户的索引集合A1和未配对用户的索引集合A2，当在初始状态时，A1为空，A2包括所有用户的索引。

第二，将A2中信道能量最大的用户作为第一个已配对用户，并将第一个已配对用户的索引增加至A1，同时将第一个已配对用户的索引从A2中删除。

通常，确定信道能量最大的用户的方法为：计算每个用户的下行信道矩阵的Frobenius范数，将最大下行信道矩阵的Frobenius范数对应的用户作为信道能量最大的用户。具体地说，计算

其中，H_k为索引为k的用户的下行信道矩阵，H_k的具体算法现有技术中已有成熟的计算方法，||·||_F表示计算Frobenius范数，max表示求解最大||H_k||_F，arg表示将最大||H_k||_F所对应的k值作为结果。

第三，分别计算A2中每个用户的SLNR值，SLNR值等于当前未配对用户接收的信号能量与该用户泄露到已配对用户集合中所有用户(第一个已配对用户)的干扰及噪声能量的和之比，将SLNR值最大的用户作为第二个已配对用户，并将第二个已配对用户的索引放入A1，同时将第二个已配对用户的索引从A2中删除。

通常， ${\mathrm{SLNR}}_k=\frac{w_k^{*}{H}_k^{*}{H}_k{w}_k}{w_k^{*}\underset{i\∈A1}{\mathrm{\Σ}}{H}_i^{*}{H}_i{w}_k+N_k{\mathrm{\α}}_k}---\left(1\right),$

其中，SLNR_k为索引为k的用户的SLNR值，w_k为索引为k的用户的预编码矢量，

为w_k的共轭转置，

为H_k的共轭转置，i为用户的索引，A1为已配对用户集合中所有用户的索引的集合，H_i为索引为i的用户的下行信道矩阵，

为H_i的共轭转置，N_k为索引为k的用户的接收天线数，α_k表示索引为k的用户每根天线上的平均噪声方差；在等式(1)中，

是索引为k的用户接收到的信号能量，是索引为k的用户泄露到已配对用户集合中所有用户的干扰能量的总和，N_kα_k是索引为k的用户的噪声能量。

而等式(1)又可变形为：

其中I为对角线为1的单位矩阵。

于是，最大化用户k的SLNR即等效为求解(2)式的最大广义瑞利商(Generalised Rayleigh quotient)，用户k的最大SLNR值为：

即为采用SLNR预编码时用户k的SLNR值，其中，λ_max(·)表示求矩阵的最大特征值。

可见，当A1中只有第一个配对用户，则A2中索引为k的用户的SLNR值等于

其中，π(1)表示第一个已配对用户的索引。

第四，还是重复第三步骤：分别计算A2中每个用户的SLNR值，SLNR值等于当前未配对用户接收的信号能量与该用户泄露到已配对用户集合中所有用户(第一个已配对用户和第二个已配对用户)的干扰及噪声能量的和之比，将SLNR值最大的用户作为第三个已配对用户，并将第三个已配对用户的索引放入A1，同时将第三个已配对用户的索引从A2删除；其中，每个用户的SLNR值的计算方法可参照等式(3)。

以此类推，直至A1中用户的索引数量等于预先设定的配对用户数量时结束流程，其中，配对用户数量根据用户的实际需求而定，表示A1中最终用户索引数量。

然而，在实际应用中，当A1中每加入一个配对用户后，之前所有已配对用户泄露到其他用户的干扰能量会发生改变，也就是说，之前的已配对用户的SLNR值都会受到影响。现有技术的用户配对方法只是将当前进行配对的用户的SLNR值作为配对的依据，而并没有考虑加入一个新的配对用户后会对之前的已配对用户的SLNR值也会造成影响，换句话说，现有技术并没有从整个系统的角度来进行用户配对，因此采用现有技术中的用户配对方法会影响系统性能。

发明内容

有鉴于此，本发明提供一种基于SLNR的MU-MIMO的用户配对方法，能够提高系统性能。

为解决上述技术问题，本发明的技术方案是这样实现的：

一种基于SLNR的MU-MIMO的用户配对方法，该方法包括：

步骤A、建立已配对用户的索引集合A1和未配对用户的索引集合A2，当在初始状态时，A1为空，A2包括所有用户的索引；

步骤B、确定A2中信道能量最大的用户，将A2中信道能量最大的用户作为第一个已配对用户；

步骤C、将已配对用户的索引增加至A1，并从A2删除；

步骤D、判断A1中已配对用户的索引数量和是否等于预先设置的配对用户数量，如果是，则结束流程，否则，执行步骤E；

步骤E、计算A2中当前未配对用户的第一SLNR值，其中，对于A2中索引为k的未配对用户，其第一SLNR值为SLNR_{_k}；计算A1中每个已配对用户与A2中当前未配对用户配对时的第二SLNR值，其中，对于A1中索引为j的已配对用户，其与索引为k的未配对用户配对时的第二SLNR值为SLNR_{_j，k}；计算所述当前未配对用户的第一SLNR值与A1中每个已配对用户的第二SLNR值的乘积，将乘积作为当前未配对用户的SLNR值，其中，索引为k的未配对用户的SLNR值为SLNR_k；按照上述方法计算A2中每个未配对用户的SLNR值，将SLNR值最大的用户作为已配对用户，并返回执行步骤C。

步骤B中所述确定A2中信道能量最大的用户的方法包括：

获取每个用户的下行信道矩阵；

计算每个用户的下行信道矩阵的Frobenius范数，将最大下行信道矩阵的Frobenius范数对应的用户作为信道能量最大的用户。

所述索引为k的未配对用户的第一SLNR值SLNR_k为：

${\mathrm{SLNR}}_{\_k}={\mathrm{\λ}}_{\max }\left\{{(\underset{i\∈A1}{\mathrm{\Σ}}{H}_i^{*}{H}_i+N_k{\mathrm{\α}}_{k}I)}^{-1}{H}_k^{*}{H}_k\right\},$

其中，λ_max(·)表示求矩阵的最大特征值，H_i为索引为i的用户的下行信道矩阵，

为H_i的共轭转置，H_k为索引为k的用户的下行信道矩阵，为H_k的共轭转置，N_k为索引为k的用户的接收天线数，α_k为索引为k的用户每根天线上的平均噪声方差，I为对角线为1的单位矩阵。

所述索引为j的已配对用户与索引为k的未配对用户配对时的第二SLNR值SLNR_{_j，k}为：

$\mathrm{SLNR}\_j,k={\mathrm{\λ}}_{\max }\left\{{(\underset{i\≠j,i\∈A1}{\mathrm{\Σ}}{H}_i^{*}{H}_i+H_k^{*}{H}_k+N_j{\mathrm{\α}}_{j}I)}^{-1}{H}_j^{*}{H}_j\right\},$

其中，H_j为索引为j的用户的下行信道矩阵，

为H_j的共轭转置，N_j为索引为j的用户的接收天线数，α_j为索引为j的用户每根天线上的平均噪声方差。

可见，根据本发明所提供的技术方案，在进行用户配对时，以当前未配对用户的SLNR值与之前所有已选择的用户的SLNR值的乘积作为配对的依据，因此，这就考虑到了加入一个新的配对用户后会对之前的已配对用户的SLNR值造成的影响，从而能够提高系统性能。

附图说明

图1为本发明所提供的一种基于SLNR的MU-MIMO的用户配对方法的流程图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明所述方案作进一步地详细说明。

图1为本发明所提供的一种基于SLNR的MU-MIMO的用户配对方法的流程图。如图1所示，该方法包括以下步骤：

步骤101，建立已配对用户的索引集合A1和未配对用户的索引集合A2，当在初始状态时，A1为空，A2包括所有用户的索引。

步骤102，确定A2中信道能量最大的用户，将A2中信道能量最大的用户作为第一个已配对用户。

其中，确定A2中信道能量最大的用户的方法与现有技术相同，此处不予赘述。

步骤103，将已配对用户的索引增加至A1，并从A2删除。

步骤104，判断A1中已配对用户的索引数量和是否等于预先设置的配对用户数量，如果是，则结束流程，否则，执行步骤105。

步骤105，计算A2中当前未配对用户的第一SLNR值，其中，对于A2中索引为k的未配对用户，其第一SLNR值为SLNR_{_k}；计算A1中每个已配对用户与A2中当前未配对用户配对时的第二SLNR值，其中，对于A1中索引为j的已配对用户，其与索引为k的未配对用户配对时的第二SLNR值为SLNR_{_j，k}；计算所述当前未配对用户的第一SLNR值与A1中每个已配对用户的第二SLNR值的乘积，将乘积作为当前未配对用户的SLNR值，其中，索引为k的未配对用户的SLNR值为SLNR_k；按照上述方法计算A2中每个未配对用户的SLNR值，将SLNR值最大的用户作为已配对用户，并返回执行步骤103。

其中，A2中索引为k的未配对用户的第一SLNR值SLNR_{_k}的计算方法为：

${\mathrm{SLNR}}_{\_k}={\mathrm{\λ}}_{\max }\left\{{(\underset{i\∈A1}{\mathrm{\Σ}}{H}_i^{*}{H}_i+N_k{\mathrm{\α}}_{k}I)}^{-1}{H}_k^{*}{H}_k\right\}---\left(4\right),$

可见，索引为k的未配对用户的第一SLNR值SLNR_{_k}与现有技术中等式(3)的物理意义相同，SLNR_{_k}的物理意义为当前未配对用户k接收的信号能量与该用户泄露到已配对用户集合中所有用户的干扰及噪声能量的和之比。

其中，A1中索引为j的已配对用户与索引为k的未配对用户配对时的第二SLNR值SLNR_{_j，k}的计算方法为：

$\mathrm{SLNR}\_j,k={\mathrm{\λ}}_{\max }\left\{{(\underset{i\≠j,i\∈A1}{\mathrm{\Σ}}{H}_i^{*}{H}_i+H_k^{*}{H}_k+N_j{\mathrm{\α}}_{j}I)}^{-1}{H}_j^{*}{H}_j\right\}---\left(5\right),$

等式(5)又可记作：

$\mathrm{SLNR}\_j,k={\mathrm{\λ}}_{\max }\left\{{(\underset{i\≠j,i\∈A3}{\mathrm{\Σ}}{H}_i^{*}{H}_i+N_j{\mathrm{\α}}_{j}I)}^{-1}{H}_j^{*}{H}_j\right\}---\left(6\right),$

其中，A3为当前索引为k的未配对用户与当前所有已配对用户的集合。

可见，索引为j的已配对用户与索引为k的未配对用户配对时的第二SLNR值SLNR_{_j，k}的物理意义为：已配对用户j接收的信号能量与该用户泄露到已配对用户集合中除自身之外的所有用户以及当前未配对用户k的干扰及噪声能量的和之比。

至此，本流程结束。

下面通用一个实施例对上述方法进行详细说明。

在本实施例中，假设预先设置的配对用户数量为2，该实施例包括以下步骤：

步骤201，建立已配对用户的索引集合A1和未配对用户的索引集合A2，当在初始状态时，A1为空，A2包括所有用户的索引：u1、u2、u3。

步骤202，确定A2中信道能量最大的用户，假设信道能量最大的用户索引为u1，将索引为u1的用户作为第一个已配对用户。

步骤203，将u1增加至A1，并从A2删除，更新后的A1包括u1，更新后的A2包括：u2、u3。

步骤204，判断A1中已配对用户的索引数量和1不等于预先设置的配对用户数量2，则执行步骤205。

步骤205，对于A2中索引为u2的未配对用户，计算其第一SLNR值：

${\mathrm{SLNR}}_{\_u2}={\mathrm{\λ}}_{\max }\left\{{(H_{u1}^{*}{H}_{u1}+N_{u2}{\mathrm{\α}}_{u2}I)}^{-1}{H}_{u2}^{*}{H}_{u2}\right\},$

对于A1中索引为u1的已配对用户，计算其与u2配对时的第二SLNR值

将SLNR_{_u2}与SLNR_{_u1，_u2}相乘，将乘积作为索引为u2的未配对用户的SLNR值SLNR_u2；

同理，对于A2中索引为u3的未配对用户，计算其第一SLNR值：

${\mathrm{SLNR}}_{\_u3}={\mathrm{\λ}}_{\max }\left\{{(H_{u1}^{*}{H}_{u1}+N_{u3}{\mathrm{\α}}_{u3}I)}^{-1}{H}_{u3}^{*}{H}_{u3}\right\},$

对于A1中索引为u1的已配对用户，计算其与u3配对时的第二SLNR值

将SLNR_{_u3}与SLNR_{_u1，_u3}相乘，将乘积作为索引为u3的未配对用户的SLNR值SLNR_u3；

然后比较SLNR_u2与SLNR_u3的大小，假设SLNR_u2较大，则将索引为u2的用户作为新的已配对用户。

然后将索引u2增加至A1，并从A2删除，更新后的A1包括u1、u2，更新后的A2包括u3。

接着，判断A1中已配对用户的索引数量和2等于预先设置的配对用户数量2，则结束流程。

至此，本实施例结束。

综上，在本发明中，在进行用户配对时，以当前未配对用户的SLNR值与之前所有已选择的用户的SLNR值的乘积作为配对的依据，因此，这就考虑到了加入一个新的配对用户后会对之前的已配对用户的SLNR值造成的影响，从而能够提高系统性能。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于SLNR的MU-MIMO的用户配对方法，其特征在于，该方法包括：

步骤A、建立已配对用户的索引集合A1和未配对用户的索引集合A2，当在初始状态时，A1为空，A2包括所有用户的索引；

步骤B、确定A2中信道能量最大的用户，将A2中信道能量最大的用户作为第一个已配对用户；

步骤C、将已配对用户的索引增加至A1，并从A2删除；

步骤D、判断A1中已配对用户的索引数量和是否等于预先设置的配对用户数量，如果是，则结束流程，否则，执行步骤E；

步骤E、计算A2中当前未配对用户的第一SLNR值，其中，对于A2中索引为k的未配对用户，其第一SLNR值为SLNR_{_k}；计算A1中每个已配对用户与A2中当前未配对用户配对时的第二SLNR值，其中，对于A1中索引为j的已配对用户，其与索引为k的未配对用户配对时的第二SLNR值为SLNR__j,k；计算所述当前未配对用户的第一SLNR值与A1中每个已配对用户与A2中当前未配对用户配对时的第二SLNR值的乘积，将乘积作为当前未配对用户的SLNR值，其中，索引为k的未配对用户的SLNR值为SLNR_k；按照上述方法计算A2中每个未配对用户的SLNR值，将SLNR值最大的用户作为已配对用户，并返回执行步骤C。

2.根据权利要求1所述的方法，其特征在于，步骤B中所述确定A2中信道能量最大的用户的方法包括：

获取每个用户的下行信道矩阵；

计算每个用户的下行信道矩阵的Frobenius范数，将最大下行信道矩阵的Frobenius范数对应的用户作为信道能量最大的用户。

3.根据权利要求2所述的方法，其特征在于，所述索引为k的未配对用户的第一SLNR值SLNR_{_k}为：

${\mathrm{SLNR}}_{\_k}={\mathrm{\λ}}_{\max }\left\{{(\underset{i\∈A1}{\mathrm{\Σ}}{H}_i^{*}{H}_i+N_k{\mathrm{\α}}_{k}I)}^{-1}{H}_k^{*}{H}_k\right\},$

其中，λ_max(·)表示求矩阵的最大特征值，H_i为索引为i的用户的下行信道矩阵，为H_i的共轭转置，H_k为索引为k的用户的下行信道矩阵，

为H_k的共轭转置，N_k为索引为k的用户的接收天线数，α_k为索引为k的用户每根天线上的平均噪声方差，I为对角线为1的单位矩阵。

4.根据权利要求3所述的方法，其特征在于，所述索引为j的已配对用户与索引为k的未配对用户配对时的第二SLNR值SLNR__j,k为:

$\mathrm{SLNR}\_j.k={\mathrm{\λ}}_{\max }\left\{{(\underset{i\≠j,i\∈A1}{\mathrm{\Σ}}{H}_i^{*}{H}_i+H_k^{*}{H}_k+N_j{\mathrm{\α}}_{j}I)}^{-1}{H}_j^{*}{H}_j\right\},$

其中，H_j为索引为j的用户的下行信道矩阵，

为H_j的共轭转置，N_j为索引为j的用户的接收天线数，α_j为索引为j的用户每根天线上的平均噪声方差。

Images