CN102457951A - 一种多小区协作通信中链路联合波束成形的方法和基站 - Google Patents

Abstract

本发明实施例公开了一种多小区协作通信中链路联合波束成形的方法和基站。本发明实施例采用在各个基站之间传递虚拟上行链路功率分配向量，对虚拟上行链路功率分配向量进行迭代计算，得到优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小SINR，然后利用上行链路和下行链路的对偶性得到下行链路功率分配向量和下行链路波束成形向量。由于各个基站之间不需要完全共享CSI和数据信息，而仅仅需要传递少量有关虚拟上行链路功率分配向量的参数，所以可以降低基站之间信息交换的开销，可以在基站间有限信息共享的前提下实现多小区协同优化，从而可以提高频谱效率。

Description

一种多小区协作通信中链路联合波束成形的方法和基站

技术领域

本发明涉及通信技术领域，具体涉及一种多小区协作通信中链路联合波束成形的方法和基站。

背景技术

随着通信技术的发展，蜂窝网络的应用越来越广泛，然而，传统蜂窝网络中的多小区多用户系统是一个受干扰限制的系统，特别是边缘用户，由于距中心基站较远而离干扰小区较近，所以所受的干扰更为明显，导致其链路可靠性不强，为了解决该问题，仅仅只依靠采取抗干扰技术是不够的，因此，现有技术提出了多小区协作处理技术。

多小区协作处理技术可以通过小区间基站的协作来达到分布式多输入多输出(MIMO，Multiple-Input Multiple-Out-put)的目的并通过将原本是相邻小区的干扰转变为有用信息，从理论上突破了单点非协作系统的干扰受限容量，实现了链路可靠性和码率的增加。具体实现时，需要通过多基站对信道状态信息(CSI，Channel State Information)和数据信息的完全共享，来实现多基站之间的协作传输，例如，现有技术提出在基站间完全共享CSI和数据信息的情况下，通过对最小化最小均方差(LMMSE)的估计来进行下行链路波束成形向量和下行链路功率分配向量的计算，等等。

在对现有技术的研究和实践过程中，本发明的发明人发现，在现有技术所提出的多小区协作处理方案中，由于基站间需要进行大量的CSI信息和数据信息的交换，尤其是数据信息，所以对信道造成了较大开销，将会显著降低频谱效率。

发明内容

本发明实施例提供一种多小区协作通信中链路联合波束成形的方法和基站，可以降低基站之间信息交换的开销，以提高频谱效率。

一种多小区协作通信中链路联合波束成形的方法，包括：

获取基站协作簇中其他基站的虚拟上行链路功率分配向量；

对所述虚拟上行链路功率分配向量进行迭代计算，得到优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小信干噪比(SINR，Signal to Interference plus Noise Ratio)；

根据优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小信干噪比确定下行链路功率分配向量和下行链路波束成形向量。

一种基站，包括：

获取单元，用于获取基站协作簇中其他基站的虚拟上行链路功率分配向量；

迭代单元，用于对获取单元获取到的虚拟上行链路功率分配向量进行迭代计算，获取优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小SINR；

换算单元，用于根据迭代单元得到的优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小SINR确定下行链路功率分配向量和下行链路波束成形向量。

本发明实施例采用在各个基站之间传递虚拟上行链路功率分配向量，然后通过迭代计算，以及利用上行链路和下行链路的对偶性，最终得到下行链路功率分配向量和下行链路波束成形向量。由于基站主要是通过迭代计算来得到下行链路功率分配向量和下行链路波束成形向量的，而各个基站进行迭代计算时所需的多数信道信息又可以通过信道估计得到，所以它们之间不需要完全共享CSI和数据信息，而仅仅需要传递少量有关虚拟上行链路功率分配向量的参数即可，所以，采用该方案可以降低基站之间信息交换的开销，可以在基站间有限信息共享的前提下实现多小区协同优化，从而提高频谱效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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是本发明实施例一提供的多小区协作通信中链路联合波束成形的方法的流程图；

图2是本发明实施例二提供的多小区协作通信中链路联合波束成形的方法的流程图；

图3a是本发明实施例提供的基站的结构示意图；

图3b是本发明实施例提供的基站的另一结构示意图；

图3c是本发明实施例提供的基站的又一结构示意图；

图4是K＝2时的分布式多小区系统的最差小区平均速率仿真图；

图5是K＝3时的分布式多小区系统的最差小区平均速率仿真图；

图6为所得速率与最优性能比例随外层迭代次数变化的仿真图；

图7为功率参数量化后分布式多小区系统中最差小区的平均速率随发射功率变化的仿真图；

图8为功率参数量化后分布式多小区系统中最差小区的平均速率随发射功率变化的仿真图；

图9本发明实施例所提供迭代算法所需基站间信息交互比特数随发射天线数的变化的仿真图；

图10为本发明实施例所提供迭代算法所需基站间信息交互比特数随发射功率的变化的仿真图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，

本发明实施例提供一种多小区协作通信中链路联合波束成形的方法和基站。以下分别进行详细说明。

实施例一、

本实施例将从基站的角度进行描述。

一种多小区协作通信中链路联合波束成形的方法，包括：获取基站协作簇中其他基站的虚拟上行链路功率分配向量；对虚拟上行链路功率分配向量进行迭代计算，获得优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小SINR；根据优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小SINR确定下行链路功率分配向量和下行链路波束成形向量。

参见图1，具体流程可以如下：

101、获取基站协作簇中其他基站的虚拟上行链路功率分配向量；

具体可以直接获取基站协作簇中其他基站的虚拟上行链路功率分配向量，也可以只接收基站协作簇中其他基站发送的功率量化值或功率差分值，然后根据该功率量化值或功率差分值修改前一次虚拟上行链路功率分配向量，以得到当前的虚拟上行链路功率分配向量。

其中，虚拟上行链路指是在给定的最大化最小SINR的基础上，所建立的一个虚拟的上行链路，其性能及属性等同于实际的上行链路；虚拟上行链功率分配向量指的是该虚拟上行链路的功率分配向量，该虚拟上行链功率分配向量的性能及属性等同于实际的上行链路功率分配向量；虚拟上行链波束成形向量指的是该虚拟上行链路的波束成形向量，该虚拟上行链波束成形向量的性能及属性等同于实际的上行链路波束成形向量。

需说明的是，这里的最大化最小SINR指的是最大化多个用户中最差性能用户的SINR，其中，最小SINR指的就是最差用户的SINR。另外，本发明实施例中所谓的最优就是在这个最大化的最小SINR准则下的最优。本方案中的最大、最小、最优等理解为在实施中具体系统条件和计算资源下尽可能的接近理论的最值，或者理解为以获得最值为原则进行计算，所以实际结果与理论最值有偏差是允许的，也在本方案实施中可采取的。

102、对步骤101中获取到的虚拟上行链路功率分配向量进行迭代计算，获得迭代计算后的虚拟上行链路功率分配向量、迭代计算后的虚拟上行链路波束成形向量以及迭代计算后的最大化最小SINR。在本发明实施例中，将迭代计算后的虚拟上行链路功率分配向量称为优化的虚拟上行链路功率分配向量；将迭代计算后的虚拟上行链路波束成形向量称为优化的虚拟上行链路波束成形向量；将迭代计算后的最大化最小SINR称为优化的最大化最小SINR。

例如，具体可以如下：

A1、搜索最优的最大化最小SINR并进行外层迭代，该最大化最小SINR的迭代初始值为当前的最大化最小SINR上界(以下简称SINR上界)的一半。

A2、根据当前外层迭代的最大化最小SINR对步骤101中获取到的虚拟上行链路功率分配向量进行内层迭代，得到当前外层迭代的虚拟上行链路波束成形向量。例如，其中，内层迭代具体可以如下：

A2-1、根据虚拟上行链路功率分配向量计算出对应的波束成形向量，其中，虚拟上行链路功率分配向量的迭代初始值为上一次内层迭代中指示为可行的虚拟上行链路功率分配向量中最大的一个向量，或者，若不存在上一次内层迭代中指示为可行的虚拟上行链路功率分配向量，则该虚拟上行链路功率分配向量的迭代初始值为零向量；

A2-2、根据计算出的波束成形向量和当前外层迭代的最大化最小SINR更新虚拟上行链路功率分配向量；

A2-3、若更新后的虚拟上行链路功率分配向量大于基站簇的总功率约束，则表示当前外层迭代的最大化最小SINR是不可以达到的(简称为不可达)，于是将当前的波束成形向量作为当前外层迭代的虚拟上行链路波束成形向量，并返回内层迭代不可行的指示；

A2-4、若更新后的虚拟上行链路功率分配向量与更新前的虚拟上行链路功率分配向量的差小于等于预置阈值，则表示当前外层迭代的最大化最小SINR是可以达到的(简称为可达)，于是将当前的波束成形向量作为当前外层迭代的虚拟上行链路波束成形向量，并返回表示内层迭代可行的指示。

需说明的是，上述SINR上界和SINR下界的初始化值可以根据实际应用的需求进行预置，并在外层迭代的过程进行更新。

A3、若内层迭代可行，比如，若步骤A2-4中返回表示内层迭代可行的指示，则根据SINR上界和上一次最大化最小SINR更新当前外层迭代的最大化最小SINR，并更新SINR上界和SINR下界(即最大化最小SINR下界，为了描述方便，以下均简称SINR下界)，然后执行步骤B3；

其中，根据SINR上界和上一次最大化最小SINR更新当前外层迭代的最大化最小SINR具体可以采用对分法，即更新当前外层迭代的最大化最小SINR为当前的SINR上界和上一次最大化最小SINR的和的一半，

A4、若内层迭代不可行，比如，若步骤A2-3中返回表示内层迭代不可行的指示，则根据SINR下界和上一次最大化最小SINR更新当前外层迭代的最大化最小SINR，并更新SINR上界和SINR下界，然后执行步骤A5；

其中，根据SINR下界和上一次最大化最小SINR更新当前外层迭代的最大化最小SINR具体可以采用对分法，即更新当前外层迭代的最大化最小SINR为当前的SINR下界和上一次最大化最小SINR的和的一半。

A5、判断SINR上界和SINR下界的差是否小于预置阈值，若小于预置阈值，则执行步骤A6；若大于等于预置阈值，则返回执行步骤A2，即返回执行根据当前外层迭代的最大化最小SINR对该虚拟上行链路功率分配向量进行内层迭代的步骤。

A6、将当前外层迭代的虚拟上行链路波束成形向量作为优化的虚拟上行链路波束成形向量，将当前的虚拟上行链路功率分配向量作为优化的虚拟上行链路功率分配向量，将当前外层迭代的最大化最小SINR作为优化的最大化最小SINR。

需说明的是，本发明实施例所说的外层迭代是指用二分法/对分法迭代搜索可达的最小SINR值，对于外层迭代计算得到的每个SINR值，都需要再迭代计算它对应的虚拟上行链路功率分配向量和虚拟上行链路波束成形向量，该再迭代计算过程在本发明实施例中称为内层迭代。其中，迭代搜索可达的最小SINR值的上限和下限分别称为SINR上界和SINR下界，即SINR上界和SINR下界是不断更新的SINR的搜索范围。

103、根据优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小SINR确定下行链路功率分配向量和下行链路波束成形向量。

由于上行链路和下行链路具有对偶性，而在此，虚拟上行链路又相当于上行链路，所以虚拟上行链路与下行链路同样具有对偶性，由此，利用虚拟上行链路与下行链路的对偶性，根据优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小SINR很容易就可以得到下行链路功率分配向量和下行链路波束成形向量。

可选的，为了进一步优化系统，使得基站协作簇内的各个小区根据实际应用的需求获得不同的速率，还可以通过加权来对虚拟上行链路功率分配向量和虚拟上行链路波束成形向量进行调整，从而实现对下行链路功率分配向量和下行链路波束成形向量进行调整的目的，即该功率分配和波束成形方法还可以包括：

根据小区用户的服务质量(QoS，Quality of Service)的优先级差异对优化的最大化最小SINR进行加权

则，步骤103具体可以为：

根据优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及加权后的优化的最大化最小SINR确定下行链路功率分配向量和下行链路波束成形向量。

由上可知，本实施例采用在各个基站之间传递虚拟上行链路功率分配向量，然后通过迭代计算，以及利用上行链路和下行链路的对偶性，最终得到下行链路功率分配向量和下行链路波束成形向量。由于基站主要是通过迭代计算来得到下行链路功率分配向量和下行链路波束成形向量的，而各个基站进行迭代计算时所需的多数信道信息又可以通过信道估计得到，所以它们之间不需要完全共享CSI和数据信息即可，而仅仅需要传递少量有关虚拟上行链路功率分配向量的参数，所以采用该方案可以降低基站之间信息交换的开销，可以在基站间有限信息共享的前提下实现多小区协同优化，从而提高频谱效率。

实施例二、

根据实施例一所描述的方法，下面将举例作进一步详细说明。

场景：多小区通信系统的一个基站协作簇内包含K个基站，并拥有N个用户，其中，基站配备M根天线，用户端配备单根天线。基站协作簇内采用全频率复用技术，基站协作簇内所有基站同时参与服务用户的协作波束成形和功率控制，并且，各基站之间同步。

参见图2，具体流程可以如下：

201、各个基站获取基站协作簇中其他基站的虚拟上行链路功率分配向量；

例如，基站k要向基站协作簇中所有基站广播它的虚拟上行链路功率分配向量

其中，上标m表示次数，即

表示第m次内部迭代的上行链路功率分配向量(内部迭代稍后将会进行详细说明)，m为正整数。

在实际系统中，我们可以先量化需要交换的参数信息，然后进行广播。因为更新的虚拟上行链路功率分配向量是单调非递减的，即所以我们可以在给定精度下，采用差分量化器量化功率参数以降低广播所需比特数。也就是说，基站k除了可以直接向基站协作簇中所有基站广播它的虚拟上行链路功率分配向量

之外，也可以向基站协作簇中所有基站广播一个关于功率分配向量的功率量化值或功率差分值，然后根据该功率量化值或功率差分值修改前一次虚拟上行链路功率分配向量以得到当前的上行链路功率分配向量

也就是说，基站协作簇中的每个基站都可以接收到基站协作簇中其他(K-1)个基站所发送的虚拟上行链路功率分配向量，以及获知每个基站自身的上行链路功率分配向量，所以，基站协作簇中的每个基站都可以获知上行链路功率分配向量

202、各个基站搜索最优的最大化最小SINRω⁽ⁿ⁾，并进行外层迭代；

该ω⁽ⁿ⁾表示总功率约束下，第n次外层迭代的暂定最大化最小SINR，其中，并且，该最大化最小SINRω⁽ⁿ⁾的初始值为当前的SINR上界的一半；比如，若SINR上界为

SINR下界为C，则

其中，虚拟上行链路的最大化最小SINR可以表示为：

$\begin{array}{cc}\underset{W,p}{\max }\underset{1\≤k\≤K}{\min }{\mathrm{SINR}}_k^{\mathrm{UL}}(W,p)& s.t.{\left|\right|p\left|\right|}_1\≤P\end{array};$

下行链路的最大化最小SINR可以表示为：

$\begin{array}{cc}\underset{W,p}{\max }\underset{1\≤k\≤K}{\min }{\mathrm{SINR}}_k^{\mathrm{DL}}(W,p)& s.t.{\left|\right|p\left|\right|}_1\≤P\end{array};$

其中，||·||₁表示输入向量的一维范数，P为基站簇的总功率约束。因为基站间不共享数据信息，所以w应为块对角阵或W＝diag(f₁，K，f_K)，其中，diag(f₁，K，f_K)表示以“f1，......fK”为对角元素的块对角矩阵，式中f_K为基站k的波束成形向量。

由于虚拟上行链路和下行链路的对偶性，所以可以推出，虚拟上行链路的最大化最小SINR与下行链路的最大化最小SINR相等，所以，为了描述方便，在本发明实施例中，将虚拟上行链路的最大化最小SINR与下行链路的最大化最小SINR均统一称为最大化最小SINR，并将给定的最大化最小SINR的值作为最大化最小SINR。

203、各个基站根据当前外层迭代的最大化最小SINRω⁽ⁿ⁾对虚拟上行链路功率分配向量q^[m]进行内层迭代，得到当前外层迭代的虚拟上行链路波束成形向量；若内层迭代可行，则执行步骤204，若内层迭代不可行，则执行步骤205；

其中，内层迭代具体可以如下：

各个基站根据虚拟上行链路功率分配向量q^[m]计算出对应的波束成形向量

其中：

需说明的是，m的初始值为0，虚拟上行链路功率分配向量的迭代初始值q^[0]为上一次内层迭代中指示为可行的虚拟上行链路功率分配向量中最大的一个向量，或者，若不存在“上一次内层迭代中指示为可行的虚拟上行链路功率分配向量”，则该虚拟上行链路功率分配向量的迭代初始值q^[0]为零向量；比如，将上一次内层迭代中指示为可行的虚拟上行链路功率分配向量作为一个集合G^(n-1)，则q^[0]选择集合G^(n-1)中最大的一个向量，或者，若集合G^(n-1)为空，则q^[0]选择零向量。

在各个基站计算出对应的波束成形向量f^[m]后，各个基站根据该波束成形向量f^[m]和最大化最小SINRω⁽ⁿ⁾迭代更新虚拟上行链路功率分配向量，得到第(m+1)次内部迭代的虚拟上行链路功率分配向量q^[m+1]，该

其中：

若更新后的虚拟上行链路功率分配向量q^[m+1]大于基站簇的总功率约束P，即||q^[m+1]||1＞P，则表示内层迭代不可行，于是将当前的波束成形向量

作为当前外层迭代的虚拟上行链路波束成形向量

并返回内层迭代不可行的指示，然后执行步骤205；

若更新后的虚拟上行链路功率分配向量q^[m+1]与更新前的虚拟上行链路功率分配向量q^[m]的差小于等于预置阈值ε_inner，即||q^[m+1]-q^[m]||1≤ε_inner，则表示内层迭代可行，于是将当前的波束成形向量

作为当前外层迭代的虚拟上行链路波束成形向量

并返回表示内层迭代可行的指示，然后执行步骤204；其中，ε_inner为非常接近于0的一个值。

204、各个基站更新当前外层迭代的最大化最小SINRω⁽ⁿ⁺¹⁾为当前的SINR上界和上一次最大化最小SINRω⁽ⁿ⁾的和的一半，并更新SINR上界

和SINR下界

C；如下：

$\left\{\begin{array}{c}{\mathrm{\ω}}^{(n+1)}=\frac{{\mathrm{\ω}}^{\left(n\right)}+\stackrel{\‾}{C}}{2}\\ \underset{\‾}{C}={\mathrm{\ω}}^{\left(n\right)}\end{array}\right.$

205、各个基站更新当前外层迭代的最大化最小SINRω⁽ⁿ⁺¹⁾为当前的SINR下界C和上一次最大化最小SINRω⁽ⁿ⁾的和的一半，并更新SINR上界

和SINR下界C；如下：

$\left\{\begin{array}{c}{\mathrm{\ω}}^{(n+1)}=\frac{{\mathrm{\ω}}^{\left(n\right)}+\underset{\‾}{C}}{2}\\ \underset{\‾}{C}={\mathrm{\ω}}^{\left(n\right)}\end{array}\right.$

206、各个基站判断SINR上界

和SINR下界C的差是否小于预置阈值ε_outer，即判断是否满足条件

其中，ε_outer为非常接近于0的一个值；若满足，则认为外层迭代已收敛，停止迭代(包括内层迭代和外层迭代)，然后执行步骤207；否则，若不满足，则返回执行步骤203，即返回执行根据上行链路功率分配向量q^[m]和SINRω⁽ⁿ⁾进行内层迭代的步骤。

207、将当前外层迭代的虚拟上行链路波束成形向量作为优化的虚拟上行链路波束成形向量(f_k)_opt，将当前的虚拟上行链路功率分配向量

作为优化的虚拟上行链路功率分配向量(q_k)_opt，将当前外层迭代的最大化最小SINRω^(k)作为优化的最大化最小SINR。

208、各个基站根据优化的虚拟上行链路功率分配向量(q_k)_opt和优化的虚拟上行链路波束成形向量(f_k)_opt，以及优化的最大化最小SINR得到下行链路功率分配向量p和下行链路波束成形向量。如下：

利用虚拟上行链路和下行链路的对偶性，根据优化的最大化最小SINR，由虚拟上行链路波束成形向量(f_k)_opt即可得到下行链路波束成形向量，然后根据虚拟上行链路功率分配向量(q_k)_opt和下行链路波束成形向量计算出下行链路功率分配向量p，具体的计算方法可参见现有技术，在此不再赘述。

由上可知，本实施例采用在各个基站之间传递虚拟上行链路功率分配向量，对虚拟上行链路功率分配向量和虚拟上行链路波束成形向量进行迭代优化，得到优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小SINR指标，然后利用上行链路和下行链路的对偶性得到下行链路功率分配向量和下行链路波束成形向量。由于基站主要是通过迭代计算来得到下行链路功率分配向量和下行链路波束成形向量的，而各个基站进行迭代计算时所需的多数信道信息又可以通过信道估计得到，所以它们之间不需要完全共享CSI和数据信息，而仅仅需要传递少量有关功率分配向量的参数即可，所以采用该方案可以降低基站之间信息交换的开销，可以在基站间有限信息共享的前提下实现多小区协同优化，从而提高频谱效率。

实施例三、

根据实施例二的方法，基站协作簇内所有小区都会获得相同的速率，在实施例二的基础上，为了进一步优化系统，使得簇内的各个小区根据实际应用的需求获得不同的速率，还可以通过对预置的最大化最小SINR进行加权来进行调整。如下：

根据小区用户的QoS的优先级差异对优化的最大化最小SINR进行加权，然后根据优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及加权后的优化的最大化最小SINR来计算下行链路功率分配向量和下行链路波束成形向量。即可以将实施例二中的步骤202中的公式：

$\begin{array}{cc}\underset{W,p}{\max }\underset{1\≤k\≤K}{\min }{\mathrm{SINR}}_k^{\mathrm{UL}}(W,p)& s.t.{\left|\right|p\left|\right|}_1\≤P\end{array}$ 替代为：

$\begin{array}{cc}\underset{W,p}{\max }\underset{1\≤k\≤K}{\min }{{\mathrm{\α}}_k\mathrm{SINR}}_k^{\mathrm{UL}}(W,p)& s.t.{\left|\right|p\left|\right|}_1\≤P\end{array};$

以及将

代替为：

$\begin{array}{cc}\underset{W,p}{\max }\underset{1\≤k\≤K}{\min }{{\mathrm{\α}}_k\mathrm{SINR}}_k^{\mathrm{DL}}(W,p)& s.t.{\left|\right|p\left|\right|}_1\≤P\∀k\end{array};$

其中，α_k为小区k(即基站k所覆盖的小区)的权重因子。具有较小权重因子的小区可获得较大的速率，通过该权重因子可充分考虑基站协作簇内部小区的优先级差异。这里所说的小区的优先级主要指的是小区内用户的服务质量(QoS，Quality of Service)。

需说明的是，由于上行链路和下行链路具有对偶性的缘故，

和

本质上是相等的，所以在本发明实施例中，均以

为例进行说明。

根据优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及加权后的优化的最大化最小SINR来计算下行链路功率分配向量和下行链路波束成形向量，与实施例二中根据优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小SINR来计算下行链路功率分配向量和下行链路波束成形向量的步骤相同，仅仅只在于最大化最小SINR的值不同，所以在此不再赘述，具体实施可参见实施例二。

此外，基站还可以接收基站协作簇中其他基站发送D和ψ中的非零元素，根据D和ψ中的非零元素优化下行链路功率分配向量。即各个基站之间可以互相传递D和ψ中的非零元素，由于这些元素的数量并不多，所以并不会对基站之间造成太大的开销。

具体可以如下，首先，定义：

以及定义矩阵ψ(W)，其中，矩阵ψ(W)的第(i，j)个元素表示为：

然后，构建向量和如下的耦合矩阵：

$\mathrm{\Λ}(W_{\mathrm{opt}},P)=\left[\begin{array}{cc}{\mathrm{\ω}}_{\mathrm{opt}}D\left(W_{\mathrm{opt}}\right)\mathrm{\ψ}\left(W_{\mathrm{opt}}\right)& {\mathrm{\ω}}_{\mathrm{opt}}D\left(W_{\mathrm{opt}}\right)1\\ \frac{1}{P}{1}^T{\mathrm{\ω}}_{\mathrm{opt}}D\left(W_{\mathrm{opt}}\right)\mathrm{\ψ}\left(W_{\mathrm{opt}}\right)& \frac{1}{P}{1}^T{\mathrm{\ω}}_{\mathrm{opt}}D\left(W_{\mathrm{opt}}\right)1\end{array}\right];$

其中，1表示全1向量。由现有技术可知，最优扩展功率向量，即给定SINRω_opt下的平衡SINR问题的功率向量解，与矩阵Λ(W_opt，P)主特征向量成比例关系。的缩放因子是为了使由此产生的结果向量的最后一个元素为1。

根据上述向量

和耦合矩阵即可优化下行链路功率分配向量。

由上可知，本实施例采用在各个基站之间传递虚拟上行链路功率分配向量，对虚拟上行链路功率分配向量和虚拟上行链路波束成形向量进行迭代计算，得到优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小SINR，对优化的最大化最小SINR进行加权，然后利用上行链路和下行链路的对偶性，根据优化的虚拟上行链路功率分配向量和优化虚拟上行链路波束成形向量，以及加权后的优化的最大化最小SINR得到下行链路功率分配向量和下行链路波束成形向量。由于基站主要是通过迭代计算来得到下行链路功率分配向量和下行链路波束成形向量的，而各个基站进行迭代计算时所需的多数信道信息又可以通过信道估计得到，所以它们之间不需要完全共享CSI和数据信息，而仅仅需要传递少量有关功率分配向量的参数即可，所以采用该方案可以降低基站之间信息交换的开销，可以在基站间有限信息共享的前提下实现多小区协同优化，从而提高频谱效率。而且，由于是根据小区用户的QoS的优先级差异对最大化最小SINR进行加权，然后根据加权后的最大化最小SINR得到下行链路功率分配向量，所以基站协作簇内的各个小区可以根据实际应用的需求获得不同的速率。

实施例四、

本发明实施例还相应地提供一种基站，该基站用以实施上述的方法，参见图3a，该基站包括获取单元301、迭代单元302和换算单元303。

获取单元301，用于获取基站协作簇中其他基站的虚拟上行链路功率分配向量；

迭代单元302，用于对获取单元301获取到的虚拟上行链路功率分配向量和进行迭代计算，获得优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小SINR；

换算单元303，用于根据迭代单元302得到的优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小SINR确定下行链路功率分配向量和下行链路波束成形向量。

其中，在获取基站协作簇中其他基站的虚拟上行链路功率分配向量时，具体可以直接获取基站协作簇中其他基站的虚拟上行链路功率分配向量，也可以只接收基站协作簇中其他基站发送的功率量化值或功率差分值，然后根据该功率量化值或功率差分值修改前一次虚拟上行链路功率分配向量，以得到当前的虚拟上行链路功率分配向量。即如图3b所示，其中，获取单元301可以包括接收子单元3011和功率更新子单元3012；

接收子单元3011，用于接收基站协作簇中其他基站发送的功率量化值或功率差分值；

功率更新子单元3012，用于根据接收子单元3011接收到的功率量化值或功率差分值修改前一次虚拟上行链路功率分配向量，以得到当前的虚拟上行链路功率分配向量。

参见图3b，其中，迭代单元302可以包括搜索子单元3021、计算子单元3022、更新子单元3023和判断子单元3024；

搜索子单元3021，用于搜索最优的最大化最小SINR并进行外层迭代，该最大化最小SINR的初始值为当前的SINR上界的一半；如下：

用ω⁽ⁿ⁾表示总功率约束下，第n次外层迭代的暂定最大化最小SINR，其中，

并且，该最大化最小SINRω⁽ⁿ⁾的初始值为当前的SINR上界的一半；比如，若SINR上界为

SINR下界为C，则

需说明的是，上述SINR上界和SINR下界的值可以根据实际应用的需求进行预置。

计算子单元3022，用于根据搜索子单元3021得到的最大化最小SINR对获取单元301获取到的虚拟上行链路功率分配向量进行内层迭代，得到当前外层迭代的虚拟上行链路波束成形向量；例如，具体可以根据搜索子单元3021得到的最大化最小SINR对功率更新子单元3012得到的虚拟上行链路功率分配向量进行内层迭代，得到当前外层迭代的虚拟上行链路波束成形向量；

更新子单元3023，用于在计算子单元3022所进行的内层迭代可行时，根据SINR上界和上一次SINR更新当前外层迭代的最大化最小SINR，并更新最大化最小SINR上界和SINR下界；在计算子单元3022所进行的内层迭代不可行时，根据SINR下界和上一次SINR更新当前外层迭代的最大化最小SINR，并更新SINR上界和SINR下界。

其中，根据SINR上界和上一次SINR更新当前外层迭代的最大化最小SINR，以及根据SINR下界和上一次SINR更新当前外层迭代的最大化最小SINR具体可以采用对分法，比如更新当前外层迭代的最大化最小SINR为当前的SINR上界和上一次SINR的和的一半，即

更新当前外层迭代的最大化最小SINR为当前的SINR下界和上一次SINR的和的一半

判断子单元3024，用于判断更新子单元3023更新后的SINR上界和SINR下界的差是否小于预置阈值，即判断是否满足条件

其中，ε_outer为非常接近于0的一个值；若小于预置阈值，则将当前外层迭代的虚拟上行链路波束成形向量作为优化的虚拟上行链路波束成形向量，将当前的虚拟上行链路功率分配向量作为优化的虚拟上行链路功率分配向量，将当前外层迭代的最大化最小SINR作为优化的最大化最小信干噪比；若大于等于预置阈值，则触发计算子单元执行根据当前外层迭代的最大化最小SINR对虚拟上行链路功率分配向量进行内层迭代的步骤。

则换算单元303，具体用于根据判断子单元3024得到的优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小SINR得到下行链路功率分配向量和下行链路波束成形向量。

此时，计算子单元3022可以包括运算子级单元、更新子级单元和处理子级单元；

运算子级单元，用于根据获取单元301获取到的虚拟上行链路功率分配向量计算出对应的波束成形向量，其中，虚拟上行链路功率分配向量的迭代初始值为上一次内层迭代中指示为可行的虚拟上行链路功率分配向量中最大的一个向量，或，若不存在上一次内层迭代中指示为可行的虚拟上行链路功率分配向量，则该虚拟上行链路功率分配向量的迭代初始值为零向量；

比如，将上一次内层迭代中指示为可行的虚拟上行链路功率分配向量作为一个集合G^(n-1)，则虚拟上行链路功率分配向量的迭代初始值q^[0]选择集合G^(n-1)中最大的一个向量，或者，若集合G^(n-1)为空，则虚拟上行链路功率分配向量的迭代初始值q^[0]选择零向量。

更新子级单元，用于根据运算子级单元得到的波束成形向量和当前外层迭代的SINR迭代更新虚拟上行链路功率分配向量；

处理子级单元，用于在更新子级单元更新后的虚拟上行链路功率分配向量大于基站簇的总功率约束时，将当前的波束成形向量作为当前外层迭代的虚拟上行链路波束成形向量，并返回内层迭代不可行的指示；在更新子级单元更新后的上行链路功率分配向量与更新前的虚拟上行链路功率分配向量的差小于等于预置阈值时，将当前的波束成形向量作为当前外层迭代的虚拟上行链路波束成形向量，并返回表示内层迭代可行的指示。

此外，参见图3c，该基站还可以包括元素接收单元304和优化单元305。

元素接收单元304，用于接收基站协作簇中其他基站发送D和ψ中的非零元素；其中，D和ψ具体可参见实施例二，在此不再赘述。

优化单元305，用于根据元素接收单元304接收到的D和ψ中的非零元素优化换算单元303得到的下行链路的功率分配向量。

为了进一步优化系统，使得基站协作簇内的各个小区根据实际应用的需求获得不同的速率，还可以通过加权来对下行链路功率分配向量进行调整，即该基站还可以包括加权单元306；参见图3c。

加权单元306，用于根据小区用户的QoS的优先级差异对优化的最大化最小SINR进行加权；

则换算单元303，还用于根据优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及加权单元306加权后的优化的最大化最小SINR得到下行链路功率分配向量和下行链路波束成形向量。

以上各个单元的具体实施可参见前面的实施例，在此不再赘述。

由上可知，本实施例的基站采用在各个基站之间传递虚拟上行链路功率分配向量，由迭代单元302对虚拟上行链路功率分配向量进行迭代计算，得到优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小SINR，然后利用上行链路和下行链路的对偶性，由换算单元303根据优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小SINR得到下行链路功率分配向量和下行链路波束成形向量。由于基站主要是通过迭代计算来得到下行链路功率分配向量和下行链路波束成形向量的，而各个基站进行迭代计算时所需的多数信道信息又可以通过信道估计得到，所以各个基站之间不需要完全共享CSI和数据信息，而仅仅需要传递少量有关功率分配向量的参数即可，所以可以降低基站之间信息交换的开销，可以在基站间有限信息共享的前提下实现多小区协同优化，从而提高频谱效率。

进一步的，加权单元306还可以根据小区用户的QoS的优先级差异对下行链路的最大化最小SINR进行加权，然后换算单元303再根据加权后的最大化最小SINR得到下行链路功率分配向量，使得在降低基站之间信息交换的开销的同时，基站协作簇内的各个小区可以获得不同的速率。

根据上述实施例所描述的方法和基站，以下将对该方案的可实现性进行详细分析。

为了便于分析，首先，可以根据实际场景建立系统模型。

场景：多小区通信系统的一个基站协作簇内包含K个基站，并拥有N个用户，其中，基站配备M根天线，用户端配备单根天线。协作簇采用全频率复用技术，基站协作簇内所有基站同时参与服务用户的协作波束成形和功率控制，并且，各基站之间同步。

令基站k发往其所服务用户的信号为s_k，使得其中，E{·}为期望运算符。和p_k分别表示基站k的波束成形向量和发射功率。则用户k的接收信号可以表示为：

其中，

为噪声，表示厄密共轴(Hermitian)转置，向量γ_k，jh_k，j为基站j到用户k的有效信道，其中，h_k，j为小尺度衰落信道向量，γ_k，j为大尺度路径损耗系数，如下：

${\mathrm{\γ}}_{k,j}=\frac{{\mathrm{\β\χ}}_{k,j}}{d_{k,j}^{\mathrm{\α}}}---\left(2\right)$

其中，β是比例因子，α为路径损耗因子(通常α＞2)，d_k，j为用户k和基站j之间的距离，χ_k，j是对数正态衰落系数。

在时分双工(TDD，Time Division Dual)系统中，由于上下行信道的互易性，通过信道估计，基站可以完全已知下行链路的信道信息。因此，在一定范畴内的基站协作簇内，各基站均可以通过信道估计获得它与簇内各用户的信道状态信息。为了描述方便，在本发明实施例中，均以基站k完全已知本地信道状态信息{h_j，k}_{j＝1，2，K，K}为例。

由公式(1)和(2)可知，在上面所建立的系统模型中，各基站可以独立处理所服务用户的信号，即表明该算法不需要基站间共享数据信息，所以，采用该算法可以避免基站间交换大量数据信息造成的回程负担。

利用上下行链路的对偶性，可以将基站簇看成一个虚拟基站，将上述系统模型看成包含一个虚拟基站和K个用户终端的多用户通信系统。其中，该虚拟多用户系统的上下行链路仍然具有对偶性。

定义

为虚拟多用户系统中用户k的下行链路信道，上标T表示转置；w_k为虚拟基站对用户k的归一化波束成形向量。则此时用户k的上下行链路的接收端SINR分别为：

其中，W＝[w₁，K，w_K]，q＝[q₁，K，q_K]^T和p＝[p₁，K，p_K]^T分别为上行链路和下行链路的功率分配向量。根据现有技术可知，对于每一个用户k，给定相同的波束成形向量和总功率约束，那么它的上下行链路可以获得相同的SINR。即如果能获知上行链路的SINR，则下行链路的SINR也可以得到，而根据下行链路的SINR则可以计算出下行链路的功率分配向量。根据该分析可知，可以通过优化最大化用户的最小SINR(简称最大化最小SINR)来优化多小区系统的总体性能。

上述最大化最小SINR问题的数学形式可以写为：

$\begin{array}{cc}\underset{W,p}{\max }\underset{1\≤k\≤K}{\min }{\mathrm{SINR}}_k^{\mathrm{DL}}(W,p)& s.t.{\left|\right|p\left|\right|}_1\≤P\end{array}---\left(5\right)$

其中||·||₁表示输入向量的一维范数，P为基站簇的总功率约束。因为基站间不共享数据信息，所以w应为块对角阵或w＝diag(f₁，...，f_K)，式中f_K为基站k的发射波束成形向量。将w代入式(3-4)可得：

上式中

为了简便起见，在本发明实施例中，

式(5)可以看成是平衡SINR的问题，即满足给定SINR条件下的最小化总发射功率问题。以下将针对该问题给出一种多基站联合波束成形和功率分配问题的分布式算法。

首先，建立一个虚拟上行链路，其中w可以作为基站的接收波束成形向量。此时，用户端发送功率向量q和虚拟接收机波束成形向量的联合优化问题可以写为如下形式

${(W,q)}_{\mathrm{opt}}=\arg \{\underset{W,q}{\max }\underset{1\≤k\≤K}{\min }{\mathrm{SINR}}_k^{\mathrm{UL}}(f_k,q)s.t.{\left|\right|q\left|\right|}_1\≤P\}---\left(8\right)$

如前所述，在给定的波束成形向量和总功率约束条件下，式(8)和式(5)具有相同的可达SINR域。此外，我们将最大化最小SINR的可达值表示为：

$C(W_{\mathrm{opt}},P)=\underset{1\≤k\≤K}{\min }{\mathrm{SINR}}^{\mathrm{UL}}({\left(f_k\right)}_{\mathrm{opt}},q_{\mathrm{opt}})---\left(9\right)$

则它的上界为：

$C(W_{\mathrm{opt}},P)\≤\underset{1\≤k\≤K}{\min }P{\mathrm{\λ}}_{\max }\left(H_{k,k}\right)=\stackrel{\‾}{C}---\left(10\right)$

式中λ_max(H_k，k)为H_k，k的最大特征值。证明如下：

①由式(6)可知，用户k的下行链路SINR的上界为Pλ_max(H_k，k)，等式成立当且仅当各基站均采用最优的发射波束成形向量以全部功率发送，相邻小区间没有干扰。

②任意用户k的上下行链路SINR具有相同的可达域。

利用对偶性，可以在各基站端分布式地利用本地信道信息求解

的联合优化问题。但是功率分配向量q的优化仍然需要基站间进行协作。如下：

给定一组用户的SINR为最小化总功率问题可以表示为：

$\underset{q}{\min }{\left|\right|p\left|\right|}_1,s.t.\frac{{\max }_W\left\{{\mathrm{SINR}}_k^{\mathrm{DL}}(W,p)\right\}}{{\mathrm{\ω}}_k}\≥1,\∀k\∈\{\mathrm{1,2},K,K\}---\left(11\right)$

现有技术表明该问题的解法一般为平衡SINR算法，所有用户均正好达到其SINR。为了方便起见，本实施例中所有用户具有相同的SINR，如ω₁＝K＝ω_K＝ω。如果该指标可行，则我们将式(11)的解表示为P(ω)。因此，式(8)可以通过下式求解；

$\begin{array}{cc}\underset{W,q}{\max }\mathrm{\ω}& s.t.P\left(\mathrm{\ω}\right)\≤P\end{array}---\left(12\right)$

由式(5)的解总是起到平衡SINR的作用可知，式(5)和式(12)是等价的。而对于式(12)，可以利用分层迭代算法分布式地优化{f_k}和q。

该分层迭代算法包含内层迭代阶段和外层迭代阶段，仅需基站间进行有限数目的参数交换。在外层迭代阶段，我们采用对分搜索法获得最大可达SINR。对于每一个外层迭代候选参数，若它可达，则我们就可以通过内层迭代采用广义固定点法获得式(11)的最优功率分配向量和波束成形向量。该分层迭代算法具体可以如下：

(一)外层迭代

利用上标(n)表示第n次外部迭代的参数，如ω⁽ⁿ⁾表示总功率约束下，第n次迭代的暂定SINR，它将在稍后作为内层迭代的约束条件。由式(10)可知，在外层迭代中，我们利用对分搜索法不断更新SINR的上下界，分别表示为

和C。对于每次迭代，如果上次内部迭代是可行的，则更新算法如下：

$\left\{\begin{array}{c}{\mathrm{\ω}}^{(n+1)}=\frac{{\mathrm{\ω}}^{\left(n\right)}+\stackrel{\‾}{C}}{2}\\ \underset{\‾}{C}={\mathrm{\ω}}^{\left(n\right)}\end{array}\right.---\left(13\right)$

反之，即上次内层迭代是不可行的，则：

$\left\{\begin{array}{c}{\mathrm{\ω}}^{(n+1)}=\frac{{\mathrm{\ω}}^{\left(n\right)}+\underset{\‾}{C}}{2}\\ \underset{\‾}{C}={\mathrm{\ω}}^{\left(n\right)}\end{array}\right.---\left(14\right)$

若满足条件

则认为外层迭代已收敛，并停止迭代。其中ε_outer是一个非常接近于0的数。

(二)内层迭代

对于每一次外部迭代得到的SINR，各用户分别针对它的虚拟上行链路做如下迭代，令第m次内部迭代的虚拟上行链路功率分配向量和波束成形向量分别表示为

和

其中，m的初始值为0，虚拟上行链路功率分配向量的初始值q^[0]选择集合G^(n-1)中最大的一个向量，或者，若集合G^(n-1)为空，则q^[0]选择零向量，G^(n-1)为获取到的虚拟上行链路功率分配向量的集合。

对于给定的功率向量q^[m]，首先计算：

然后，用户k根据

和ω⁽ⁿ⁾更新它的功率值

具体算法如下：

若满足条件||q^[m+1]||1＞P或||q^[m+1]-q^[m]||1≤ε_inner(ε_inner的定义同ε_outer)，则停止迭代。此时，如果||q^[m+1]||1＞P，则返回结果为“不可行”；反之，即||q^[m+1]-q^[m]||1≤ε_inner，则返回结果为“可行”。

在进行以上的外层迭代和内层迭代后，需要将虚拟上行链路切换到下行链路，如下：

由式(8)的解，我们可以得到w_opt＝[(f₁)_opt，K，(f_K)_opt]，q_opt和最大可达SINR ω_opt。然后，我们利用上下行链路SINR的对偶性，我们可以很容易地优化下行链路的最优功率分配向量p_opt。具体步骤如下：

我们首先定义

及矩阵ψ(W)，它的第(i，j)个元素表示为

然后，构建向量和如下的耦合矩阵

$\mathrm{\Λ}(W_{\mathrm{opt}},P)=\left[\begin{array}{cc}{\mathrm{\ω}}_{\mathrm{opt}}D\left(W_{\mathrm{opt}}\right)\mathrm{\ψ}\left(W_{\mathrm{opt}}\right)& {\mathrm{\ω}}_{\mathrm{opt}}D\left(W_{\mathrm{opt}}\right)1\\ \frac{1}{P}{1}^T{\mathrm{\ω}}_{\mathrm{opt}}D\left(W_{\mathrm{opt}}\right)\mathrm{\ψ}\left(W_{\mathrm{opt}}\right)& \frac{1}{P}{1}^T{\mathrm{\ω}}_{\mathrm{opt}}D\left(W_{\mathrm{opt}}\right)1\end{array}\right]---\left(19\right)$

上式中1表示全1向量。由现有技术可知，最优扩展功率向量，即给定SINRω_opt下的平衡SINR问题的功率向量解，与矩阵Λ(W_opt，P)主特征向量成比例关系。

的缩放因子是为了使由此产生的结果向量最后一个元素为1。

虽然任意的q⁽⁰⁾均可保证算法的收敛性，但是如果能利用以前迭代的中间结果为功率分配向量提供更为合适的初始值，则可以提高迭代的总体收敛速率。例如，利用最近一次成功收敛的SINR对应的功率分配向量作为下一次SINR搜索的初始功率向量。具体如下：

将前N个

对应的功率向量表示为

由于对于每一个SINR，内部迭代都会给出“可行”或“不可行”的结果，所以可以用F^(N)表示搜索成功的集合。对应的功率向量的集合为

那么，第N+1次SINRω^(N+1)的搜索，将利用G⁽ⁿ⁾中的最近一次功率向量作为内部迭代的初始值。若F^(N)为空集，则用零向量作为初始功率向量。该方法可以加速迭代算法的收敛，从而降低参数交换的开销。

为了进一步提高各个小区的速率，还可以对式(5)，即对

作进一步优化。如下：

$\begin{array}{cc}\underset{W,p}{\max }\underset{1\≤k\≤K}{\min }{{\mathrm{\α}}_k\mathrm{SINR}}_k^{\mathrm{DL}}(W,p)& s.t.{\left|\right|p\left|\right|}_1\≤P\∀k\end{array}---\left(20\right)$

其中，α_k为小区k的权重因子。具有较小权重因子的小区可获得较大的速率，通过该权重因子可充分考虑基站协作簇内部小区的优先级差异。在所提迭代算法中用加权SINR代替SINR来即可求得式(20)解。

下面将对本发明实施例所提方法的分布式性能和基站之间所需进行的参数交换的问题进行分析。

每次迭代中，由于式(15)中波束成形向量的优化仅需本地信道信息，故可以在基站端分布式地进行；同样，我们利用式(16)可以分布式地不断迭代更新用户k的虚拟上行链路的功率向量直至满足条件。它在第n次外层迭代的第m+1次内层迭代中，需要基站端已知功率向量q^[m]，这就需要基站间进行功率参数交换。也就是说，基站k要向基站协作簇中所有基站广播它的功率值

在实际系统中，我们可以先量化需要交换的参数信息，然后进行广播。因为更新的功率值是单调非递减的，即

所以我们可以在给定精度下，采用差分量化器量化功率参数以降低广播所需比特数，即在各基站间只传递一个关于功率分配向量

的差分值，然后根据该差分值更新前一次上行链路功率分配向量

以得到当前的上行链路功率分配向量

最后，各基站在D和ψ已知的情况下，分别利用式(19)计算它的最优功率值。为了满足这一条件，基站间需要交换D和ψ中的非零元素。由于D和ψ仅包含K²个实值非零参数；故在实际系统中所需交换的参数数目，特别是协作基站不多的时候，是可以接受的。

为了显示本发明实施例所提方法的优势，在此将它与协作基站利用全部CSI的情况进行对比。量化普通实值标量所需的比特数为b，所提方法的总迭代次数为N。则本发明算法所需交换的参数为NKb+K²b比特，而对于利用全部CSI的情况则需要2MK(K-1)b比特，乘以因子2是因为信道系数为复值。由此可得，本发明实施例所提算法与完全CSI交换所需比特数的比值为

这将在稍后将作为衡量本发明实施例所提方法的小区间信息交互量的指标。仿真结果表明，本发明实施例所提方法显著降低了小区协作所需的信息交互量。

以下将通过计算机仿真来验证本发明实施例所提供的方案的性能。

仿真环境参数设置如下，小区半径0.5km，带宽10MHz，带内的平均功率为P_BS。本发明实施例考虑基站协作簇内分别包含2个和3个基站的情况，小区内用户距基站d₁＝400m，与相邻小区基站之间的距离为d₂＝600m。假定所有用户均位于小区边缘，受到较严重的小区间干扰。本发明实施例采用3GPP中的郊区非视距场景下的平衰落模型；其中大尺度路径损耗为38log₁₀(d)+34.5，小尺度衰落为单位方差的瑞利衰落。对于每次协作传输，基站协作簇的总功率为KP_BS，各用户的接收端噪声系数为9dB。

仿真本发明实施例所提供的迭代算法时可以定义ε_inner＝ε_outer＝10^-5。在实际系统中，更为关注的是基站间交换的比特数目。因此，本发明实施例仿真了所提算法经过固定次数迭代后的性能。针对固定次数外层迭代后，不能得到可行SINR的情况，仿真时将它的可达速率置零。作为对比，本发明实施例还仿真了现有技术所提信漏干噪比(SGINR，Signal to Generated Interference Plus NoiseRatio)准则的分布式多小区波束成形技术。

图4和图5为本发明实施例所提供算法和SGINR算法中最差小区的平均速率仿真图。其中，图4为K＝2时的分布式多小区系统的最差小区平均速率仿真图，图5为K＝3时的分布式多小区系统的最差小区平均速率仿真图。

在图4中，虚线4001为本发明实施例所提算法在M＝8时平均最差速率随发射功率改变的曲线，反应了本发明实施例所提算法的收敛性能；虚线4002为本发明实施例所提算法在M＝8时，经4次外层迭代后平均最差速率随发射功率改变的曲线；虚线4003为本发明实施例所提算法在M＝8时，经2次外层迭代后平均最差速率随发射功率改变的曲线；虚线4004为现有技术的SGINR算法在M＝8时的平均最差速率随发射功率改变的曲线；实线4011为本发明实施例所提算法在M＝4时平均最差速率随发射功率改变的曲线，反应了本发明实施例所提算法的收敛性能；实线4012为本发明实施例所提算法在M＝4时，经4次外层迭代后平均最差速率随发射功率改变的曲线；实线4013为本发明实施例所提算法在M＝4时，经2次外层迭代后平均最差速率随发射功率改变的曲线；虚线4014为现有技术的SGINR算法在M＝4时的平均最差速率随发射功率改变的曲线。

在图5中，虚线5001为本发明实施例所提算法在M＝8时平均最差速率随发射功率改变的曲线，反应了本发明实施例所提算法的收敛性能；虚线5002为本发明实施例所提算法在M＝8时，经4次外层迭代后平均最差速率随发射功率改变的曲线；虚线5003为本发明实施例所提算法在M＝8时，经2次外层迭代后平均最差速率随发射功率改变的曲线；虚线5004为现有技术的SGINR算法在M＝8时的平均最差速率随发射功率改变的曲线；实线4011为本发明实施例所提算法在M＝4时平均最差速率随发射功率改变的曲线，反应了本发明实施例所提算法的收敛性能；实线5012为本发明实施例所提算法在M＝4时，经4次外层迭代后平均最差速率随发射功率改变的曲线；实线5013为本发明实施例所提算法在M＝4时，经2次外层迭代后平均最差速率随发射功率改变的曲线；虚线5014为现有技术的SGINR算法在M＝4时的平均最差速率随发射功率改变的曲线。

根据图4和图5可以看出，在配置为(M，K)＝{(4，2)，(8，2)，(4，3)，(8，3)}的场景中，本发明实施例所提算法的性能均优于SGINR算法，高SINR下尤为明显。根据图4和图5还可以看出，在两次外部迭代(即2次外层迭代和4次外层迭代)的情况下，本发明实施例所提算法仍然优于SGINR算法；仅经过4次迭代就可以达到渐近最优的性能。值得一提的是，仿真只需要平均2次内层迭代即可满足条件。因此，以配置为(M，K)＝(8，3)为例，本发明实施例所提算法所需交换比特数与直接交换CSI的所需比特数之比为

显著降低了回程开销。

图6研究了固定外层迭代次数后，本发明实施例所提算法的性能损失，即仿真了所得速率与最优性能比例随外层迭代次数的改变情况。其中，虚线6001为K＝2，M＝4时的曲线；虚线6002为K＝2，M＝8时的曲线；实线6011为K＝3，M＝4时的曲线；虚线6012为K＝3，M＝8时的曲线。

由图6可以看出，在所有配置的场景中，本发明实施例所提算法在经过3次外层迭代后即可达到最优速率的90％，仅需6次迭代就可以达到接近最优的性能。这表明本发明实施例所提算法可以取得回程开销和性能增益的很好折衷。

图7和图8为功率参数量化后分布式多小区系统中最差小区的平均速率随发射功率变化的仿真图，反应了采用均匀线性量化器量化功率参数对系统性能的影响。其中，图7为M＝4，K＝2，且经过4次外层迭代时的曲线；图8为M＝4，K＝3，且经过4次外层迭代时的曲线。

在图7中，虚线7001为SGINR算法的曲线；实线7002为本发明实施例所提算法采用3比特参数量化时的曲线；实线7003为本发明实施例所提算法采用4比特参数量化时的曲线；实线7005为本发明实施例所提算法采用5比特参数量化时的曲线，以及无量化误差时的曲线(由于采用5比特参数量化和无量化误差的曲线几乎重叠，所以在图中没有表示出来)。

在图8中，虚线8001为SGINR算法的曲线；实线8002为本发明实施例所提算法采用3比特参数量化时的曲线；实线8003为本发明实施例所提算法采用4比特参数量化时的曲线；实线8004为本发明实施例所提算法采用5比特参数量化时的曲线；实线8005为本发明实施例所提算法在无量化误差时的曲线。

由图7和图8中的仿真结果表明，采用3比特参数量化对系统性能只会产生很小的影响，采用4比特参数量化对系统性能产生的影响较采用3比特参数量化更小，而增加到5比特参数量化后对系统性能已经基本没有影响。这是因为功率参数严格限制在[0，KP_BS]范围内。

最后仿真了基站发射天线数和发射功率不同时，本发明实施例所提算法进行基站间量化参数交换所需比特数，参见图9和图10。其中，图9为本发明实施例所提供迭代算法所需基站间信息交互比特数随发射天线数的变化的仿真图(P_BS＝46dBm，2次外层迭代)，图10为本发明实施例所提供迭代算法所需基站间信息交互比特数随发射功率的变化的仿真图(M＝4，2次外层迭代)。

在图9中，虚线9001为K＝3时，且采用3比特量化参数时交换所需比特数随着天线数改变的仿真曲线；虚线9002为K＝3时，且采用4比特量化参数时交换所需比特数随着天线数改变的仿真曲线；虚线9003为K＝3时，且采用5比特量化参数时交换所需比特数随着天线数改变的仿真曲线。实线9011为K＝2时，且采用3比特量化参数时交换所需比特数随着天线数改变的仿真曲线；实线9012为K＝2时，且采用4比特量化参数时交换所需比特数随着天线数改变的仿真曲线；实线9013为K＝2时，且采用5比特量化参数时交换所需比特数随着天线数改变的仿真曲线。

在图10中，虚线1001为K＝3时，且采用3比特量化参数时交换所需比特数随着天线数改变的仿真曲线；虚线1002为K＝3时，且采用4比特量化参数时交换所需比特数随着天线数改变的仿真曲线；虚线1003为K＝3时，且采用5比特量化参数时交换所需比特数随着天线数改变的仿真曲线。实线1011为K＝2时，且采用3比特量化参数时交换所需比特数随着天线数改变的仿真曲线；实线1012为K＝2时，且采用4比特量化参数时交换所需比特数随着天线数改变的仿真曲线；实线1013为K＝2时，且采用5比特量化参数时交换所需比特数随着天线数改变的仿真曲线。

如图9和图10所示，量化参数交换所需比特数随着功率和天线数的改变不会有太大变动，比较稳定。

综上，本发明实施例采用在各个基站之间传递虚拟上行链路功率分配向量，对虚拟上行链路功率分配向量和虚拟上行链路波束成形向量进行迭代计算，得到优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小SINR，对优化的最大化最小SINR进行加权，然后利用上行链路和下行链路的对偶性，根据优化的虚拟上行链路功率分配向量和优化虚拟上行链路波束成形向量，以及加权后的优化的最大化最小SINR得到下行链路功率分配向量和下行链路波束成形向量。由于基站主要是通过迭代计算来得到下行链路功率分配向量和下行链路波束成形向量的，而各个基站进行迭代计算时所需的多数信道信息又可以通过信道估计得到，所以它们之间不需要完全共享CSI和数据信息，而仅仅需要传递少量有关功率分配向量的参数即可，所以采用该方案可以降低基站之间信息交换的开销，可以在基站间有限信息共享的前提下实现多小区协同优化，从而提高频谱效率。而且，进一步，由于还可以根据小区用户的QoS的优先级差异对最大化最小SINR进行加权，然后根据加权后的最大化最小SINR得到下行链路功率分配向量，所以基站协作簇内的各个小区还可以根据实际应用的需求获得不同的速率。

本领域普通技术人员可以理解上述实施例的各种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来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

以上对本发明实施例所提供的一种多小区协作通信中链路联合波束成形的方法和基站进行了详细介绍，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)

1.一种多小区协作通信中链路联合波束成形的方法，其特征在于，包括：

获取基站协作簇中其他基站的虚拟上行链路功率分配向量；

对所述虚拟上行链路功率分配向量进行迭代计算，获得优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化的最小信干噪比；

根据所述优化的虚拟上行链路功率分配向量和所述优化的虚拟上行链路波束成形向量，以及优化的最大化最小信干噪比确定下行链路功率分配向量和下行链路波束成形向量。

2.根据权利要求1所述的方法，其特征在于，所述获取基站协作簇中其他基站的虚拟上行链路功率分配向量包括：

接收所述基站协作簇中其他基站发送的功率量化值或功率差分值；

根据所述功率量化值或功率差分值修改前一次虚拟上行链路功率分配向量，以得到当前的虚拟上行链路功率分配向量。

3.根据权利要求1所述的方法，其特征在于，还包括：

根据小区用户的服务质量QoS的优先级差异对优化的最大化的最小信干噪比进行加权。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述对所述虚拟上行链路功率分配向量进行迭代计算包括：

搜索最大化最小信干噪比并进行外层迭代计算，该最大化最小信干噪比的迭代初始值为当前的信干噪比上界的一半；

根据当前外层迭代的最大化最小信干噪比对所述虚拟上行链路功率分配向量进行内层迭代，得到当前外层迭代的虚拟上行链路波束成形向量；

若内层迭代可行，则根据当前的信干噪比上界和上一次信干噪比更新当前外层迭代的最大化最小信干噪比，并更新信干噪比上界和信干噪比下界；

若内层迭代不可行，则根据当前的信干噪比下界和上一次信干噪比更新当前外层迭代的最大化最小信干噪比，并更新信干噪比上界和信干噪比下界；

判断信干噪比上界和信干噪比下界的差是否小于预置阈值；

若小于预置阈值，则将当前外层迭代的虚拟上行链路波束成形向量作为优化的虚拟上行链路波束成形向量，将当前的虚拟上行链路功率分配向量作为优化的虚拟上行链路功率分配向量，将当前外层迭代的最大化最小信干噪比作为优化的最大化最小信干噪比；

若大于等于预置阈值，则返回执行所述根据当前外层迭代的最大化最小信干噪比对所述虚拟上行链路功率分配向量进行内层迭代的步骤。

5.根据权利要求4所述的方法，其特征在于，所述根据当前外层迭代的信干噪比对所述虚拟上行链路功率分配向量进行内层迭代，得到当前外层迭代的虚拟上行链路波束成形向量包括：

根据所述虚拟上行链路功率分配向量计算出对应的波束成形向量，其中，所述虚拟上行链路功率分配向量的迭代初始值为获取到的上一次内层迭代中指示为可行的虚拟上行链路功率分配向量中最大的一个向量，或，若不存在上一次内层迭代中指示为可行的虚拟上行链路功率分配向量，则该虚拟上行链路功率分配向量的迭代初始值为零向量；

根据计算出的波束成形向量和当前外层迭代的信干噪比迭代更新虚拟上行链路功率分配向量；

若更新后的虚拟上行链路功率分配向量大于基站簇的总功率约束，则将当前的波束成形向量作为当前外层迭代的虚拟上行链路波束成形向量，并返回内层迭代不可行的指示；

若更新后的虚拟上行链路功率分配向量与更新前的虚拟上行链路功率分配向量的差小于等于预置阈值，则将当前的波束成形向量作为当前外层迭代的虚拟上行链路波束成形向量，并返回表示内层迭代可行的指示。

6.根据权利要求1所述的方法，其特征在于，所述根据优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小信干噪比确定下行链路功率分配向量和下行链路波束成形向量具体为：

利用虚拟上行链路与下行链路的对偶性，根据所述优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小信干噪比确定下行链路功率分配向量和下行链路波束成形向量。

7.一种基站，其特征在于，包括：

获取单元，用于获取基站协作簇中其他基站的虚拟上行链路功率分配向量；

迭代单元，用于对获取单元获取到的虚拟上行链路功率分配向量进行迭代计算，获得优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小信干噪比；

换算单元，用于根据迭代单元得到的优化的虚拟上行链路功率分配向量和优化的虚拟上行链路波束成形向量，以及优化的最大化最小信干噪比确定下行链路功率分配向量和下行链路波束成形向量。

8.根据权利要求7所述的基站，其特征在于，所述获取单元包括：

接收子单元，用于接收基站协作簇中其他基站发送的功率量化值或功率差分值；

功率更新子单元，用于根据接收子单元接收到的功率量化值或功率差分值修改前一次虚拟上行链路功率分配向量，以得到当前的虚拟上行链路功率分配向量。

9.根据权利要求8所述的基站，其特征在于，还包括加权单元；

加权单元，用于根据小区用户的服务质量QoS的优先级差异对优化的最大化最小信干噪比进行加权。

10.根据权利要求7至9中任一项所述的基站，其特征在于，所述迭代单元包括：

搜索子单元，用于搜索最优的最大化最小信干噪比并进行外层迭代，该最大化最小信干噪比的迭代初始值为当前的信干噪比上界的一半；

计算子单元，用于根据搜索子单元得到的最大化最小信干噪比对获取单元获取到的虚拟上行链路功率分配向量进行内层迭代，得到当前外层迭代的虚拟上行链路波束成形向量；

更新子单元，用于在内层迭代可行时，根据当前的信干噪比上界和上一次信干噪比更新当前外层迭代的信干噪比，并更新最大化最小信干噪比上界和信干噪比下界；在内层迭代不可行时，根据当前的信干噪比下界和上一次信干噪比更新当前外层迭代的信干噪比，并更新信干噪比上界和信干噪比下界；

判断子单元，用于判断更新子单元更新后的信干噪比上界和信干噪比下界的差是否小于预置阈值；若小于预置阈值，则将当前外层迭代的虚拟上行链路波束成形向量作为优化后的虚拟上行链路波束成形向量，将当前的虚拟上行链路功率分配向量作为优化的虚拟上行链路功率分配向量，将当前外层迭代的最大化最小信干噪比作为优化的最大化最小信干噪比；若大于等于预置阈值，则触发计算子单元执行所述根据当前外层迭代的最大化最小信干噪比对所述虚拟上行链路功率分配向量进行内层迭代的步骤。

11.根据权利要求10所述的基站，其特征在于，所述计算子单元包括：

运算子级单元，用于根据获取单元获取到的虚拟上行链路功率分配向量计算出对应的波束成形向量，其中，所述虚拟上行链路功率分配向量的迭代初始值为获取到的上一次内层迭代中指示为可行的虚拟上行链路功率分配向量中最大的一个向量，或，若不存在上一次内层迭代中指示为可行的虚拟上行链路功率分配向量，则该虚拟上行链路功率分配向量的迭代初始值为零向量；

更新子级单元，用于根据运算子级单元得到的波束成形向量和当前外层迭代的信干噪比迭代更新虚拟上行链路功率分配向量；

处理子级单元，用于在更新子级单元更新后的虚拟上行链路功率分配向量大于基站簇的总功率约束时，将当前的波束成形向量作为当前外层迭代的虚拟上行链路波束成形向量，并返回内层迭代不可行的指示；在更新子级单元更新后的上行链路功率分配向量与更新前的虚拟上行链路功率分配向量的差小于等于预置阈值时，将当前的波束成形向量作为当前外层迭代的虚拟上行链路波束成形向量，并返回表示内层迭代可行的指示。

Images