CN102752077B - 单小区多播mimo移动通信系统的下行多业务预编码方法 - Google Patents

Abstract

本发明涉及单小区多播MIMO移动通信系统的下行多业务预编码方法，其主要步骤包括：基站获得所有希望接收多播业务用户反馈的信道矢量及不同业务间的干扰系数；建立以组播信漏噪比为优化目标的优化模型，优化不同业务的波束赋形矢量；之后建立以最大化最小SINR为优化目标的优化模型，利用黄金分割法进行搜索，以优化不同业务之间的功率分配。单小区多播MIMO移动通信系统使用本发明提出的预编码方法可以有效地降低不同业务之间的干扰，提高系统的整体性能。

Description

单小区多播MIMO移动通信系统的下行多业务预编码方法

技术领域

本发明涉及一种下行多业务预编码方法。

背景技术

在未来移动通信系统中，多媒体业务将成为主要业务。因此，作为点到多点的传输技术，多播技术近年来受到人们的广泛关注。由于业务的多样性，在同一小区内一般存在多组多播业务，通过一定多址方式进行区分，如OFDMA，CDMA，SDMA等，多址方式的不同影响不同业务之间的干扰情况。在传统的单播多用户MIMO系统中，对于这样的预编码问题已经进行了大量分析，而由于多播业务同时向多个用户发送相同数据，因此不能将单播中的技术直接应用到多播之中，传统的单播多用户MIMO系统可以看作每一个多播业务仅包含一个用户，是多播系统的特例；而开环传输则无法消除不同业务之间的干扰，因此研究适用于单小区多播MIMO移动通信系统的下行多业务预编码方法也就成为了学术界研究的重点。

近年来，大量学者研究了单小区多播MIMO移动通信系统的下行多业务预编码问题，目前提出的单小区多播MIMO移动通信系统的下行多业务预编码方案主要有以下几个：

方案一是E.Karipidis等人在如下文献中提出的：

E.Karipidis,N.D.Sidiropoulos,and Z.Q.Luo,Far-field multicast beamformingfor uniform linear antenna arrays IEEE Transactions on Signal Processing，vol.55,pp.4916-4927，2007.”

该方案针对远景LOS情况下的均匀线性天线阵列场景，最大化最小用户SINR，将问题转化为一个半正定规划问题；

方案二是E.Karipidis等人在如下文献中提出的：

E.Karipidis,N.D.Sidiropoulos,and Z.Q.Luo,Quality of service and max-minfair transmit beamforming to multiple cochannel multicast groups,IEEETransactions on Signal Processing，vol.56，pp.1268-1279,2008.

该方案讨论了一般场景下的最大化最小用户SINR问题，证明了该问题是一个NP-hard问题，需要通过松弛求得次优解；

方案三是E.Matskani等人在如下文献中提出的：

E.Matskani，N. D.Sidiropoulos,Z.Q.Luo,and L.Tassiulas,Efficient batch andadaptive approximation algorithms for joint multicast beamforming andadmission control.IEEE Transactions on Signal Processing，vol.57，pp.4882-4894,2009.

该方案提出首先优化满足SINR约束的最大用户数，之后再最小化发送功率，并将原有多用户空分复用有关预编码算法用于该场景。

由以上叙述可知，适用于一般场景下并且复杂度较低的单小区多业务预编码问题仍没有得到解决。

发明内容

本发明的目的在于提供一种用于单小区多播MIMO移动通信系统的下行多业务预编码方法，该编码方法可以有效的提高系统整体覆盖性能，降低不同业务之间的干扰。

为了实现以上目的，本发明的单小区多播MIMO移动通信系统的下行多业务预编码方法包含以下步骤：

1）首先基站获得所有希望接收多播业务用户反馈的信道矢量及不同业务间的干扰系数；

2）以组播信漏噪比（GSLNR）为优化目标的优化模型，优化不同业务的波束赋形矢量；（在同时存在多种业务的情况下，组播信漏噪比用来衡量某业务的整体接收性能与该业务对接收其他业务用户造成的干扰情况之间的关系，某业务的组播信漏噪比越大则表明以较小的干扰为代价保证该业务的接收性能，反之则意味着以较大的干扰为代价保证该业务接收性能。）

3）以最大化最小SINR为优化目标的优化模型，利用黄金分割法进行搜索，以优化不同业务之间的功率分配。

有益效果：与现有技术方案相比，本发明提出的适用于单小区多播MIMO移动通信系统的下行多业务预编码方法首先以GSLNR为优化目标进行下行预编码优化，并利用黄金分割法求解功率分配方案，算法复杂度较低。单小区多播MIMO移动通信系统使用本发明提出的预编码方法可以有效地降低不同业务之间的干扰，提高系统的整体性能。

附图说明

图1为本发明所提预编码方法流程图。

图2为本发明应用场景示意图。

图3为本发明的系统框图。

具体实施方式

1.本发明实施典型场景举例：

本发明可用于基站配置了多个天线，移动台配置单天线的MIMO多播蜂窝系统，小区内存在多种不同的多播业务，不同多播业务之间存在干扰，此外要求基站可以知道每个移动台下行信道信息以及不同业务间的干扰系数，场景示意图如图2所示。

2.本技术方案所应用设备

本发明所提出的方案可以用于系统的基站发送机模块中，本发明系统框图如图3所示。

3.实施步骤：

a)基站设备的电路设计：对基站设备进行电路设计，提供专用芯片的运行环境；

b)专用芯片中的算法电路设计：在这一步中，将本发明所对应的算法与基站的其它算法一起，用该专用芯片所对应的硬件描述语言（如VHDL语言）描述；

c)将硬件描述语言所描述的专用芯片的结构固化到专用芯片之上；

d)将芯片安装到相应的基站设备电路板上，即可运行。

本发明的具体编码方法如下：

第一步：基站获得所有希望接收多播业务用户反馈的信道矢量h_ki表示基站与第k组业务第i个用户之间的信道矢量，k=1，…，K，i=1，…，N_k，K表示业务数量，N_k表示第k组业务的用户数，N表示总用户数；h_ki可以表示为其中M为基站发送天线数目，表示基站第j根天线与第k组业务第i个用户之间的信道衰落系数，令第k组业务基站的下行预编码矢量为k=1，…，K。

第二步：基站获得不同业务间的干扰系数α_ij，i=1，…，K，j=1，…，K，其中α_ij表示第i种业务对第j种业务的干扰系数，满足0≤α_ij≤1，当通过多址方式可以完全消除业务间干扰时α_ij=0，而当不同业务采用相同的时频及码道资源进行发送时，a_ij=1。

第三步：建立以组播信漏噪比（GSLNR）为优化目标的优化模型，优化不同业务的波束赋形矢量，步骤如下：

A.建立以GSLNR为优化目标的优化模型，对不同业务的预编码矢量分别进行优化，其中第k组业务的优化问题可以表示为

$\max {\mathrm{GSLNR}}_k=\frac{\underset{i=1}{\overset{N_k}{\mathrm{\Σ}}}{\left|h_{\mathrm{ki}}{\mathrm{\ω}}_k\right|}^2}{\underset{m=1,m\≠k}{\overset{K}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_m}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{mk}}{\left|h_{\mathrm{mi}}{\mathrm{\ω}}_k\right|}^2+\underset{i=1}{\overset{N_k}{\mathrm{\Σ}}}{\mathrm{\σ}}_{\mathrm{ki}}^2}$

s.t. ||w_k||²=1

其中表示第k组业务第i个用户接收的噪声功率谱密度；

B.构造矩阵 $A_k={(\underset{m=1,m\≠k}{\overset{K}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_m}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{mk}}{h}_{\mathrm{mi}}^H{h}_{\mathrm{mi}}+\underset{i=1}{\overset{N_k}{\mathrm{\Σ}}}{\mathrm{\σ}}_{\mathrm{ki}}^2{I}_{N_t})}^{-1}\left(\underset{i=1}{\overset{N_k}{\mathrm{\Σ}}}{h}_{\mathrm{ki}}^H{h}_{\mathrm{ki}}\right),$

其中I_M表示维度为M×M的单位矩阵，对A_k进行SVD分解，得到将U_k记作U_k=(u_k1，…，u_kM)，u_ki表示矩阵U_k的第i列；

C.在步骤A与步骤B的基础之上，第k组业务的最优波束赋形矢量

w_k，opt表示为w_k，opt=u_k1/||u_k1||。

第四步：建立以最大化最小SINR为优化目标的优化模型，利用黄金分割法进行搜索，以优化不同业务之间的功率分配，步骤如下：

①得到波束赋形矢量优化结果之后，再以最大化最小用户SINR为优化目标优化各个多播组之间的功率分配问题，将优化问题表示为：

$\max \underset{k,i}{\min }{\mathrm{SINR}}_{\mathrm{ki}}=\frac{P_k{\left|h_{\mathrm{ki}}{\mathrm{\ω}}_k\right|}^2}{\underset{m=1,m\≠k}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{mk}}{P}_m{\left|h_{\mathrm{ki}}{\mathrm{\ω}}_m\right|}^2+{\mathrm{\σ}}_{\mathrm{ki}}^2}$

s.t.    k=1，…，K，i=1，…，N_k

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{P}_k=P$

P_k≥0，k=1，…，K

其中P为基站的总发射功率，P_k为第k种业务的发射功率。

②将步骤①的问题转化为：

max t

$s.t.\frac{P_k{\left|h_{\mathrm{ki}}{\mathrm{\ω}}_k\right|}^2}{\underset{m=1,m\≠k}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{mk}}{P}_m{\left|h_{\mathrm{ki}}{\mathrm{\ω}}_m\right|}^2+{\mathrm{\σ}}_{\mathrm{ki}}^2}\≥t,$ k=1，…，K，i=1，…，N_k

t≥0

P_k≥0，k=1，…，K

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{P}_k=P$

③在步骤②的基础上，建立如下可解性分析的问题为：

min s

$s.t.t(\underset{m=1,m\≠k}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{mk}}{P}_m{\left|h_{\mathrm{ki}}{\mathrm{\ω}}_m\right|}^2+{\mathrm{\σ}}_{\mathrm{ki}}^2)-P_k{\left|h_{\mathrm{ki}}{\mathrm{\ω}}_k\right|}^2\≤s,$ k=1，…，K，i=1，…，Nk

-P_k≤s，k=1，…，K

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{P}_k=P$

④将步骤③中t作为已知数，此时问题转化为寻找最大的t使得步骤③中优化问题有解，步骤③中优化问题记作F(t)，当t给定某数值时，优化后得到的s若满足s<0则表示当前的t对于问题步骤②有解，问题步骤③此时为线性规划问题，可以利用路径跟踪法进行求解，其迭代步骤如下：

表1路径跟踪法迭代步骤

⑤利用黄金分割法寻找最大的t使得步骤③中优化问题有解，首先设定查找区间[a₁，b₁]，其中：

${\mathrm{\&alpha;}}_1=\underset{k,i}{\min }\left\{\frac{\frac{P}{K}{\left|h_{\mathrm{ki}}{\mathrm{\&omega;}}_k\right|}^2}{\underset{m=1,m\&NotEqual;k}{\overset{K}{\mathrm{\&Sigma;}}}\frac{P}{K}{\mathrm{\&alpha;}}_{\mathrm{mk}}{\left|h_{\mathrm{ki}}{\mathrm{\&omega;}}_m\right|}^2+{\mathrm{\&sigma;}}_{\mathrm{ki}}^2}\right\},k=1,...,K,i=1,...,N_k$

$b_1=\underset{k,i}{\max }\left\{\frac{P{\left|h_{\mathrm{ki}}{\mathrm{\&omega;}}_k\right|}^2}{{\mathrm{\&sigma;}}_{\mathrm{ki}}^2}\right\},k=1,...,K,i=1,...,N_k$

精度要求设为L>0，此时可以保证F(a₁)有解，F(b₁)无解，设定迭代次数为n=1。

⑥计算试探点λ_n，μ_n，其中

λ_n=a_n+0.382(b_n-a_n)

μ_n=a_n+0.618(b_n-a_n)

若b_n-a_n<L则终止迭代，否则迭代次数加1，会有以下三种可能

A:F(λ_n)有解，F(μ_n)无解，区间更新为a_n=λ_n，b_n=μ_n

B:F(λ_n)有解，F(μ_n)有解，区间更新为a_n=μ_n，b_n=b_n-1

C:F(λ_n)无解，F(μ_n)无解，区间更新为a_n=a_n-1，b_n=λ_n更新后转入第⑥步继续进行迭代。

⑦将最终得到的a_n作为最优的t，求解③中优化问题得到最终功率分配方案。

Claims (4)

1.单小区多播MIMO移动通信系统的下行多业务预编码方法，其特征在于，包括如下步骤：

1)首先基站获得所有希望接收多播业务用户反馈的不同业务间的干扰系数及信道矢量；

2)以组播信漏噪比即GSLNR为优化目标的优化模型，优化不同业务的波束赋形矢量；

3)以最大化最小SINR为优化目标的优化模型，利用黄金分割法进行搜索，以优化不同业务之间的功率分配；

所述步骤1)中，基站获得所有希望接收多播业务用户反馈的信道矢量h_ki表示基站与第k组业务的第i个用户之间的信道矢量，k＝1,…,K，i＝1,…,N_k，K表示业务数量，N_k表示第k组业务的用户数，N表示总用户数；

h_ki表示为其中M为基站发送天线数目，表示基站第j根天线与第k组业务第i个用户之间的信道衰落系数；

令第k组业务基站的下行预编码矢量为k＝1,…,K；基站获得不同业务间的干扰系数α_ij,i＝1,…,K,j＝1,…,K，其中α_ij表示第i种业务对第j种业务的干扰系数，满足0≤α_ij≤1；当通过多址方式可以完全消除业务间干扰时，α_ij＝0；当不同业务采用相同的时频及码道资源进行发送时，α_ij＝1。

2.根据权利要求1所述的下行多业务预编码方法，其特征在于，所述的步骤2)中，优化不同业务的波束赋形矢量的步骤包括：

2.1)以GSLNR为优化目标的优化模型，对不同业务的预编码矢量分别进行优化，第k组业务的优化问题可以表示为

$\begin{array}{cc}\max & {\mathrm{GSLNR}}_k=\frac{\underset{i=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{\left|h_{\mathrm{ki}}{w}_k\right|}^2}{\underset{m=1,m\&NotEqual;k}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{N_m}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{\mathrm{mk}}{\left|h_{\mathrm{mi}}{w}_k\right|}^2+\underset{i=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{\mathrm{\&sigma;}}_{\mathrm{ki}}^2};\end{array}$

s.t.||w_k||²＝1

其中表示第k组业务第i个用户接收的噪声功率谱密度；

2.2)构造矩阵

$A_k={(\underset{m=1,m\&NotEqual;k}{\overset{K}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{N_m}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{\mathrm{mk}}{h}_{\mathrm{mi}}^H{h}_{\mathrm{mi}}+\underset{i=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{\mathrm{\&sigma;}}_{\mathrm{ki}}^2{I}_M)}^{-1}\left(\underset{i=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{h}_{\mathrm{ki}}^H{h}_{\mathrm{ki}}\right),$

其中I_M表示维度为M×M的单位矩阵，对A_k进行SVD分解，得到

将U_k记作U_k＝(u_k1,…,u_kM)，u_ki表示矩阵U_k的第i列；

2.3)在步骤2.1)与步骤2.2)的基础之上，第k组业务的最优波束赋形矢量w_k,opt表示为w_k,opt＝u_k1/||u_k1||。

3.根据权利要求2所述的下行多业务预编码方法，其特征在于，所述的步骤3)中，优化不同业务之间的功率分配包括以下步骤：

3.1)得到波束赋形矢量优化结果之后，再以最大化最小用户SINR为优化目标优化各个多播组之间的功率分配问题，将优化问题表示为：

$\max \underset{k,i}{\min }{\mathrm{SINR}}_{\mathrm{ki}}=\frac{P_k{\left|h_{\mathrm{ki}}{w}_k\right|}^2}{\underset{m=1,m\&NotEqual;k}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{\mathrm{mk}}{P}_m{\left|h_{\mathrm{ki}}{w}_m\right|}^2+{\mathrm{\&sigma;}}_{\mathrm{ki}}^2}$

s.t.k＝1,…,K,i＝1,…,N_k

$\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{P}_k=P$

P_k≥0,k＝1,…,K

其中P为基站的总发射功率，P_k为第k种业务的发射功率；

3.2)将步骤3.1)的问题转化为：

max  t

$\begin{array}{cc}s.t.& \frac{P_k{\left|h_{\mathrm{ki}}{w}_k\right|}^2}{\underset{m=1,m\&NotEqual;k}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{\mathrm{mk}}{P}_m{\left|h_{\mathrm{ki}}{w}_m\right|}^2+{\mathrm{\&sigma;}}_{\mathrm{ki}}^2}\&GreaterEqual;t,k=1,\&CenterDot;\&CenterDot;\&CenterDot;,K,i=1,\&CenterDot;\&CenterDot;\&CenterDot;,N_k\end{array}$

t≥0；

P_k≥0,k＝1,…,K

$\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{P}_k=P$

3.3)在步骤3.2)结论的基础上，建立如下可解性分析的问题为

min  s

$\begin{array}{cc}s.t.& t(\underset{m=1,m\&NotEqual;k}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{\mathrm{mk}}{P}_m{\left|h_{\mathrm{ki}}{w}_m\right|}^2+{\mathrm{\&sigma;}}_{\mathrm{ki}}^2)-P_k{\left|h_{\mathrm{ki}}{w}_k\right|}^2\&le;s,k=1,\&CenterDot;\&CenterDot;\&CenterDot;,K,i=1,\&CenterDot;\&CenterDot;\&CenterDot;,N_k\\ & -P_k\&le;s,k=1,\&CenterDot;\&CenterDot;\&CenterDot;,K\end{array};$

$\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{P}_k=P$

3.4)将步骤3.3)中t作为已知数，此时问题转化为寻找最大的t使得步骤3.3)中优化问题有解；步骤3.3)中优化问题记作F(t)，当t给定某数值时，优化后得到的s若满足s<0，则表示当前的t对于步骤3.2)的问题有解，步骤3.3)此时为线性规划问题，利用路径跟踪法进行求解；

3.5)利用调整的黄金分割法寻找最大的t，使得步骤3.3)中优化问题有解。

4.根据权利要求3所述的下行多业务预编码方法，其特征在于，所述步骤3.5)中，寻找最大的t所使用的调整的黄金分割法的步骤包括：

首先，设定查找区间[a₁,b₁]，其中：

$a_1=\underset{k,i}{\min }\left\{\frac{\frac{P}{K}{\left|h_{\mathrm{ki}}{w}_k\right|}^2}{\underset{m=1,m\&NotEqual;k}{\overset{K}{\mathrm{\&Sigma;}}}\frac{P}{K}{\left|h_{\mathrm{ki}}{w}_m\right|}^2+{\mathrm{\&sigma;}}_{\mathrm{ki}}^2}\right\},k=1,\&CenterDot;\&CenterDot;\&CenterDot;,K,i=1,\&CenterDot;\&CenterDot;\&CenterDot;,N_k$

$b_1=\underset{k,i}{\max }\left\{\frac{P{\left|h_{\mathrm{ki}}{w}_k\right|}^2}{{\mathrm{\&sigma;}}_{\mathrm{ki}}^2}\right\},k=1,\&CenterDot;\&CenterDot;\&CenterDot;,K,i=1,\&CenterDot;\&CenterDot;\&CenterDot;,N_k$

精度要求设为L>0，此时可以保证F(a₁)有解，F(b₁)无解，设定迭代次数为n＝1；然后，计算试探点λ_n,μ_n，其中

λ_n＝a_n+0.382(b_n-a_n)

μ_n＝a_n+0.618(b_n-a_n)

若b_n-a_n<L则终止迭代，否则迭代次数加1，会有以下三种可能

A.F(λ_n)有解，F(μ_n)无解，区间更新为a_n＝λ_n,b_n＝μ_n

B.F(λ_n)有解，F(μ_n)有解，区间更新为a_n＝μ_n,b_n＝b_n-1

C.F(λ_n)无解，F(μ_n)无解，区间更新为a_n＝a_n-1,b_n＝λ_n

更新后转入继续计算下一组试探点进行迭代。