CN102761882A - 广义分布式mimo系统中基站最优摆放位置的选择方法 - Google Patents

Abstract

本发明公开一种广义分布式MIMO系统中基站最优摆放位置的选择方法，首先，根据输入的用户分布特征，生成若干个用户位置坐标；然后，利用用户位置坐标，迭代搜索基站的初始摆放位置；最后，利用基站初始摆放位置，以容量为优化目标，迭代搜索最优的摆放位置。本发明能够解决任意凸的小区覆盖范围、任意用户分布下的基站最优摆放问题，可以应用于小区覆盖范围为二维平面上的任意联通凸集的场景，快速收敛到最优AP摆放位置，方案以优化小区的平均遍历容量为目标，有效地提高小区平均吞吐量。

Description

广义分布式MIMO系统中基站最优摆放位置的选择方法

技术领域

本发明涉及一种适用于广义分布式MIMO（Multiple-Input-Multiple-Output）系统网络规划中基站摆放位置的选择方法，属于无线通信网络规划领域。

背景技术

近年来，随着手机等移动通信技术设备的普及，用户需求不断提高，通讯网络需要能够提供更快的数据传输速率，更稳定的语音、数据服务以及多样化的服务等。MIMO技术可以有效的提高系统容量和频谱利用效率，成为当前移动通信研究的热点，目前已经在LTE（Long Term Evolution）、IEEE 802.11系列标准中采用。MIMO技术在点对点链路方面的研究已经比较成熟，但是在网络规划和无线资源管理方面还比较薄弱。在网络规划上，天线的布置主要有两种方式：集中式或分布式，二者在覆盖性能、信道容量性能和功率使用效率性能方面存在差异。目前，对分布式MIMO系统的研究主要集中在信道容量方面，在天线的最优放置问题上尚处在起步阶段。在实际环境当中，天线的放置受限于地理条件、通话业务分布等因素，不同的分布情况对系统的整体性能会产生很大的影响。

广义的分布式MIMO，也称为GDAS（Generalized Distributed AntennaSystem）。在GDAS中，小区基站可以连接多个AP（Antenna Port，有时也称为RRU，即Remote Radio Unit），这些AP分布式的摆放在小区的覆盖范围内，通过光纤或者同轴电缆与基站处理器相连。不同的AP摆放方案极大影响系统的覆盖性能。参考文献“W.Choi and J.Andrews，Downlink performance and capacity ofdistributed antenna systems in a multicell environment,IEEE Transactions onWireless Communications，vol.6，pp.69-73,2007”（多小区分布式天线系统的下行性能和容量研究）和“J.Zhang and J.Andrews，Distributed Antenna Systemswith Randomness，IEEE Transactions on Wireless Communications，vol.7，pp.3636-3646，2008”（随机性对分布式天线系统的影响）的研究结果表明，相对于集中式的AP摆放方案（AP集中摆放在小区的中心），分布式的摆放方案可以极大地提高小区覆盖性能。参考文献“Y.Shen,et al.，Optimal antenna location forSTBC-OFDM downlink with distributed transmit antennas in linear cells，IEEECommunications Letters，vol.11，pp.387-389,2007”（线形小区分布式天线系统下行链路采用STBC-OFDM时的最优天线摆放位置研究）研究了线性小区下最优的天线摆放位置，参考文献“X.Wang,et al.，Antenna location design forgeneralized distributed antenna systems，IEEE Communications Letters，vol.13,pp.315-317，2009”（广义分布式天线系统中的天线位置设计）和“Y.Qian,et al.，Antenna Location Design for Distributed antenna Systems with SelectiveTransmission，International Conference on Wireless Communications&SignalProcessing，2009”（采用选择传输方式的分布式天线系统中的天线位置设计）研究了圆形小区的场景，并提出了基于最大化下行链路小区平均遍历容量的天线摆放方法。参考文献“C.Zhang,et al.，Optimal Locations of Remote Radio Units inCoMP Systems for Energy Efficiency，in 2010 IEEE 72nd Vehicular TechnologyConference–Fall，2010”（CoMP系统下优化能量效率的远端射频单元摆放位置设计）研究了圆形小区下，基于优化功率效率的天线摆放方案，并得到了与X.Wang和Y.Qian相同的结论。

目前，前人的工作主要集中在特定的小区类型下，以小区平均遍历容量、中断概率和功率效率等位指标，优化天线的摆放位置。

发明内容

发明目的：针对GDAS网络规划中AP的摆放方案问题，本发明提出一种广义分布式MIMO系统中基站最优摆放位置的选择方法，该方法简单可行，适应于GDAS的AP摆放位置搜索算法，能够解决任意凸的小区覆盖范围、以上行链路平均遍历容量为优化指标给出任意用户分布下的AP最优摆放问题。

技术方案：一种广义分布式MIMO系统中基站最优摆放位置的选择方法，设小区的规划覆盖范围为S，S为二维平面上的一个连通的凸集。设S上用户位置坐标(x，y)满足一定概率分布p(x，y)。该MIMO系统中AP的个数为K，其位置坐标分别为(x_k，y_k)，k＝1，…，K。

下面介绍本方案中采用的路径损耗分析模型。设收、发信机间距离为d（m），则其间路劲损耗为

L(d)＝Cd^-α

其中d_o通常取20m，λ为载波波长，α为路径损耗因子，通常取值为2.0到5.0，需要根据小区的实际覆盖环境（如城市、郊区等）确定。位于(x，y)处的用户到K个AP的路径损耗可以分别表示为

L_i＝C[(x_i-x)²+(y_i-y)²+h²]^-α/2，i＝1，…，K

其中h表示AP天线距离地面的高度，通常在5-20m（市区）。

该方案的实施主要包含以下三个步骤：

第一步：生成用户位置。根据S上用户位置满足的概率分布p(x，y)，生成N个用户的位置坐标，设这些位置的集合为U。用户个数N需要足够大，以体现用户的位置分布特征，建议平均用户密度不小于0.01/m²；

第二步：生成AP摆放的初始位置

其中元素下标k表示第k个AP的x坐标或者y坐标，k＝1，…，K；(·)^T表示矩阵或者向量的转置；

第三步：对l⁽⁰⁾进行局部搜索，搜索最优AP摆放位置

$l^{(*)}={[x_1^{(*)},y_1^{(*)},...,x_K^{(*)},y_K^{(*)}]}^T.$

下面对算法的第二、三步进行详细的介绍。

在以上AP摆放位置搜索算法中，第二步采用的具体方法如下：

①任意给定AP的起始位置矢量l⁽⁰⁾，对l⁽⁰⁾进行排序操作l⁽⁰⁾＝∏(l⁽⁰⁾)，该排序操作将l⁽⁰⁾中的K个坐标，首先按照x坐标从小到大排序，若x坐标相同，则按照y坐标从小到大排序。设定算法收敛判决条件ε＝10^-2。定义AP摆放位置矢量l＝[x₁，y₁，…，x_K，y_K]^T和l′＝[x′₁，y′₁，…，x′_K，y′_K]^T之间的距离为：

${\left|\right|l-l^{\′}\left|\right|}_2=\sqrt{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}[{(x_k-x_k^{\′})}^2+{(y-y_k^{\′})}^2]}.$

②将U中的N个用户位置坐标分成K组，记为G₁，…，G_k。分组方法为：对每个用户的位置坐标(x，y)，计算其到K个AP的距离 $d_k=\sqrt{{(x_k^{\left(0\right)}-x)}^2+{(y_k^{\left(0\right)}-y)}^2},$ k＝1，…，K。令 $k^{*}=\arg \underset{k=1,...,K}{\min }\left\{d_k\right\},$ 并将该用户的位置坐标分到

③更新K个AP的位置矢量，记为l′＝[x′₁，y′₁，…，x′_K，y′_K]^T，计算方法如下

$\left\{\begin{array}{c}{x}_k^{\′}=\frac{1}{\left|G_k\right|}\underset{(x_i,y_i)\∈G_k}{\mathrm{\Σ}}{x}_i\\ y_k^{\′}=\frac{1}{\left|G_k\right|}\underset{(x_i,y_i)\∈G_k}{\mathrm{\Σ}}{y}_i\end{array}\right.,$ k＝1，…，K，

其中|G_k|表示G_k中元素的个数。可以将第k个AP的新位置看作G_k中所有用户的位置的平均值；

④令l′＝∏(l′)，计算‖l^(O)-l′||₂。若‖l⁽⁰⁾-l′||₂≤ε，则算法收敛，且AP的初始摆放位置矢量为l⁽⁰⁾＝l′；否则令l⁽⁰⁾＝l′，重新执行第②步。

本方案中，第三步需要利用第二步中获得的位置矢量l⁽⁰⁾，并再一次进行搜索，逐步收敛到局部最优解。设Δl＝[d_min，d_min]^T，定义l＝[x₁，y₁，…，x_K，y_K]^T的函数

$f\left(l\right)=-\frac{1}{\left|U\right|}\underset{(x,y)\∈U}{\mathrm{\Σ}}\ln (1+\frac{\mathrm{\γC}}{N}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{[{(x_i-x)}^2+{(y_i-y_i)}^2+h^2]}^{-\mathrm{\α}/2}),$

其中γ为发送功率与噪声功率之比，即发送信噪比。其对(x_k，y_k)的偏导数记为

${\mathrm{\Δf}}_k\left(l\right)={[\frac{\∂}{{\∂x}_k}f\left(l\right),\frac{\∂}{{\∂y}_k}f\left(l\right)]}^T.$

本步骤中采用迭代方法计算最优的位置矢量l^(*)。设第n次迭代的输入位置矢量为 $l^{(n-1)}={[x_1^{(n-1)},y_1^{(n-1)}...,x_K^{(n-1)},y_K^{(n-1)}]}^T,$ 迭代输出结果为 $l^{\left(n\right)}={[x_1^{\left(n\right)},y_1^{\left(n\right)}...,x_K^{\left(n\right)},y_K^{\left(n\right)}]}^T.$ 具体的迭代步骤如下：

①令l⁽ⁿ⁾＝l^(n-1)，a＝0.5，b＝0.5，t＝1；

②对于k＝1，...，K，执行如下操作，

a)令 $l_k^{\left(n\right)}=l^{\left(n\right)}+{[0_{1\×(2k-2)},{\mathrm{td}}_{\min },{\mathrm{td}}_{\min },0_{1\×(2K-2k)}]}^T,$ O_M×N表示M行、N列的全0矩阵；

b)若 $f\left(l_k^{\left(n\right)}\right)<f\left(l^{\left(n\right)}\right)+\mathrm{at}{\left[{\mathrm{\&Delta;f}}_k\left(l\right)\right]}^T\left(\mathrm{\&Delta;l}\right),$ 则

否则令t←bt，重新执行a)；

③计算‖l^(n-1)-l⁽ⁿ⁾‖₂，若‖l^(n-1)-l⁽ⁿ⁾||₂≤l^(*)，则停止迭代，l^(*)＝l⁽ⁿ⁾；否则重新执行第②步。

该步骤的输出结果l^(*)即为MIMO系统中最优的基站AP摆放位置矢量。

有益效果：与现有技术相比，本发明所提供的广义分布式MIMO系统中基站最优摆放位置的选择方法，具有如下优点：

（1）应用范围广泛。本发明所提出方案可以应用于小区覆盖范围为二维平面上的任意联通凸集的场景;

（2）收敛速度快。本发明所提出方案简单易行，可以快速收敛到最优AP摆放位置。

（3）小区平均遍历容量高。本发明所提出的方案以优化小区的平均遍历容量为目标，可以有效地提高小区平均吞吐量。

附图说明

图1为本发明实施例的AP最优摆放位置搜索算法的实施流程图；

图2为本发明实施例的圆形小区中用户不均匀分布情况下的AP最优摆放位置搜索结果图；

图3为本发明实施例的圆形小区中用户均匀分布情况下的AP最优摆放位置搜索结果图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1-3所示（其中，图2和图3中半径500m小区，圆点表示用户位置、黑色方框表示AP位置），本发明的具体实施主要包含以下四个步骤：

第一步：输入算法所需要的各种参数信息。这一步需要输入用户的业务在小区内的分布信息、小区的路径损耗因子α、载波波长λ、发送信噪比γ以及基站天线摆放高度h等信息。

第二步、第三步和第四步可以通过软件编程实现。

第二步：生成用户位置。该步骤的实施，首先生成一个满足p(x，y)的二维随机向量源，然后利用该随机向量源生成N个用户的位置坐标。设这些位置的集合为U。用户个数N需要足够大，以充分体现用户的位置分布特征。一般情况下

A(S)表示小区规划覆盖区间的面积。

第三步：生成AP摆放的初始位置

其中元素下标k表示第k个AP的x坐标或者y坐标，k＝1，…，K；(·)^T表示矩阵或者向量的转置；

第四步：对l⁽⁰⁾进行局部搜索，搜索最优AP摆放位置

$l^{(*)}={[x_1^{(*)},y_1^{(*)},...,x_K^{(*)},y_K^{(*)}]}^T.$

第三步采用的具体方法如下：

①任意给定AP的起始位置矢量l⁽⁰⁾，各个AP之间距离要足够大。例如对于一般的圆形小区、方形小区，初始时的AP可以均匀分布在整个小区内。对l⁽⁰⁾进行排序操作l⁽⁰⁾＝∏(l⁽⁰⁾)。设定算法收敛判决条件ε＝10^-2。

②将U中的N个用户位置坐标分成K组，每组各对应一个AP，这K个分组分别记为G₁，…，G_k。分组方法为：对每个用户的位置坐标(x，y)，计算其到K个AP的距离 $d_k=\sqrt{{(x_k^{\left(0\right)}-x)}^2+{(y_k^{\left(0\right)}-y)}^2},$ k＝1，…，K。令 $k^{*}=\arg \underset{k=1,...,K}{\min }\left\{d_k\right\},$ 并将该用户的位置坐标分到也即将该用户的位置坐标添加到距离最近的基站所对应的分组；

③更新K个AP的位置矢量，记为l′＝[x′₁，y′₁，…，x′_K，y′_K]^T，计算方法如下

$\left\{\begin{array}{c}{x}_k^{\&prime;}=\frac{1}{\left|G_k\right|}\underset{(x_i,y_i)\&Element;G_k}{\mathrm{\&Sigma;}}{x}_i\\ y_k^{\&prime;}=\frac{1}{\left|G_k\right|}\underset{(x_i,y_i)\&Element;G_k}{\mathrm{\&Sigma;}}{y}_i\end{array}\right.,$ k＝1，…，K

可以将第k个AP的新位置看作G_k中所有用户的位置的平均值、即G_k的中心位置；

④令l′＝∏(l′)，计算‖l⁽⁰⁾-l′‖₂。。若‖l⁽⁰⁾-l′||₂≤ε，则算法收敛，AP的初始摆放位置矢量为l⁽⁰⁾＝l′，结束本步骤；否则令l⁽⁰⁾＝l′，重新执行第②步。

第四步的具体方法为：

设Δl＝[d_min，d_min]^T，定义l＝[x₁，y₁，…，x_K，y_K]^T的函数

$f\left(l\right)=-\frac{1}{\left|U\right|}\underset{(x,y)\&Element;U}{\mathrm{\&Sigma;}}\ln (1+\frac{\mathrm{\&gamma;C}}{N}\underset{i=1}{\overset{K}{\mathrm{\&Sigma;}}}{[{(x_i-x)}^2+{(y_i-y_i)}^2+h^2]}^{-\mathrm{\&alpha;}/2}),$

其对(x_k，y_k)的偏导数记为

${\mathrm{\&Delta;f}}_k\left(l\right)={[\frac{\&PartialD;}{{\&PartialD;x}_k}f\left(l\right),\frac{\&PartialD;}{{\&PartialD;y}_k}f\left(l\right)]}^T.$

本步骤中采用迭代方法计算最优的位置矢量l^(*)。设第n次迭代的输入位置矢量为 $l^{(n-1)}={[x_1^{(n-1)},y_1^{(n-1)}...,x_K^{(n-1)},y_K^{(n-1)}]}^T,$ 迭代输出结果为 $l^{\left(n\right)}={[x_1^{\left(n\right)},y_1^{\left(n\right)}...,x_K^{\left(n\right)},y_K^{\left(n\right)}]}^T.$ 具体的迭代步骤如下：

④令l⁽ⁿ⁾＝l^(n-1)，a＝0.5，b＝0.5，t＝1；

⑤对于k＝1，…，K，执行如下操作，该步骤实际上是在l⁽ⁿ⁾的基础上，假设其他AP位置不变，搜索其中一个AP的最优摆放位置。

a)令 $l_k^{\left(n\right)}=l^{\left(n\right)}+{[0_{1\&times;(2k-2)},{\mathrm{td}}_{\min },{\mathrm{td}}_{\min },0_{1\&times;(2K-2k)}]}^T,$ O_M×N表示M行、N列的全0矩阵；

b)若 $f\left(l_k^{\left(n\right)}\right)<f\left(l^{\left(n\right)}\right)+\mathrm{at}{\left[{\mathrm{\&Delta;f}}_k\left(l\right)\right]}^T\left(\mathrm{\&Delta;l}\right),$ 则

算法收敛。否则令t←bt，重新执行a)；

⑥计算‖l^(n-1)-l⁽ⁿ⁾||₂，若‖l^(n-1)-l⁽ⁿ⁾||₂≤ε，则停止迭代，l^(*)＝l⁽ⁿ⁾；否则重新执行第②步。

该步骤的输出结果l^(*)即为MIMO系统中最优的基站AP摆放位置矢量。

Claims (3)

1.一种广义分布式MIMO系统中基站最优摆放位置的选择方法，其特征在于，包含以下步骤：

步骤1：根据输入的用户分布特征，生成N个用户位置坐标，设这些坐标集合为U；

步骤2：利用所述步骤1中生成的用户位置坐标，迭代搜索K个基站的初始摆放位置；

步骤3：利用所述步骤2中获得的基站初始摆放位置，以容量为优化目标，迭代搜索最优的摆放位置。

2.如权利要求1所述的广义分布式MIMO系统中基站最优摆放位置的选择方法，其特征在于：所述步骤2中使用用户位置坐标，搜索较优的初始摆放位置，具体步骤包括：

步骤201，任意给定AP的起始位置矢量l⁽⁰⁾，对l⁽⁰⁾进行排序操作l⁽⁰⁾＝∏(l⁽⁰⁾)，该排序操作将l⁽⁰⁾中的K个坐标，首先按照x坐标从小到大排序，若x坐标相同，则按照y坐标从小到大排序；设定算法收敛判决条件ε＝10^-2；定义AP摆放位置矢量l＝[x₁，y₁，…，x_K，y_K]^T（其中x_i和y_i分别表示第i个AP的位置坐标，(·)^T表示矢量或者矩阵的转置）和l′＝[x′₁，y′₁，…，x′_K，y′_K]^T之间的距离为：

${\left|\right|l-l^{\&prime;}\left|\right|}_2=\sqrt{\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}[{(x_k-x_k^{\&prime;})}^2+{(y-y_k^{\&prime;})}^2]}.$

步骤202，将集合U中的N个用户位置坐标分成K组，分别记为G₁，…，G_K；

分组方法为：对每个用户的位置坐标(x，y)，计算其到K个AP的距离

k＝1，…，K；令与用户距离最近的AP的序号

并将该用户的位置坐标分到第k^*组用户位置坐标的集合

步骤203，更新K个AP的位置矢量，记为l′＝[x′₁，y′₁，…，x′_K，y′_K]^T，计算方法如下，

$\left\{\begin{array}{c}{x}_k^{\&prime;}=\frac{1}{\left|G_k\right|}\underset{(x_i,y_i)\&Element;G_k}{\mathrm{\&Sigma;}}{x}_i\\ y_k^{\&prime;}=\frac{1}{\left|G_k\right|}\underset{(x_i,y_i)\&Element;G_k}{\mathrm{\&Sigma;}}{y}_i\end{array}\right.,$ k＝1，…，K

其中|G_k|表示G_k中元素的个数；将第k个AP的新位置看作G_k中所有用户的位置的平均值；

步骤204，令l′＝∏(l′)，计算‖l⁽⁰⁾-l′‖₂；若‖l⁽⁰⁾-l′||₂≤ε，则算法收敛，且AP的初始摆放位置矢量为l⁽⁰⁾＝l′；否则令l⁽⁰⁾＝l′，重新执行步骤202到204。

3.如权利要求1所述的广义分布式MIMO系统中基站最优摆放位置的选择方法，其特征在于：步骤3中，利用步骤2搜索的初始摆放位置进行局部最优搜索，其每次迭代的具体步骤如下，其中

$f\left(l\right)=-\frac{1}{\left|U\right|}\underset{(x,y)\&Element;U}{\mathrm{\&Sigma;}}\ln (1+\frac{\mathrm{\&gamma;C}}{N}\underset{i=1}{\overset{K}{\mathrm{\&Sigma;}}}{[{(x_i-x)}^2+{(y_i-y_i)}^2+h^2]}^{-\mathrm{\&alpha;}/2}),$ γ和C为输入参数，需要根据实际小区覆盖条件确定。h为天线摆放的垂直高度，α为路径损耗因子，令f(l)为优化指标，其梯度为 ${\mathrm{\&Delta;f}}_k\left(l\right)={[\frac{\&PartialD;}{{\&PartialD;x}_k}f\left(l\right),\frac{\&PartialD;}{{\&PartialD;y}_k}f\left(l\right)]}^T.$

步骤301，令l⁽ⁿ⁾＝l^(n-1)，a＝0.5，b＝0.5，t＝1；

步骤302，对于k＝1，…，K，执行如下操作，

a）令 $l_k^{\left(n\right)}=l^{\left(n\right)}+{[0_{1\&times;(2k-2)},{\mathrm{td}}_{\min },{\mathrm{td}}_{\min },0_{1\&times;(2K-2k)}]}^T,$ O_M×N表示M行、N列的全0矩阵；

b）若 $f\left(l_k^{\left(n\right)}\right)<f\left(l^{\left(n\right)}\right)+\mathrm{at}{\left[{\mathrm{\&Delta;f}}_k\left(l\right)\right]}^T\left(\mathrm{\&Delta;l}\right),$ 则

否则令t←bt，重新执行步骤a)；

计算‖l^(n-1)-l⁽ⁿ⁾‖₂，若‖l^(n-1)-l⁽ⁿ⁾||₂≤ε，则停止迭代，l^(*)＝l⁽ⁿ⁾；否则重新执行步骤302。

Images