CN103037478B - 一种多小区多用户干扰信道系统中用户选择方法 - Google Patents

Abstract

本发明公开了通信技术领域中的一种多小区多用户干扰信道系统中用户选择方法。首先获取其他小区基站到本小区用户的干扰信道矩阵，将所述干扰信道矩阵组合成本小区用户的干扰信道矩阵；对所述本小区用户的干扰信道矩阵进行排序的QR分解，得到对应的上三角矩阵和后处理矩阵；然后利用所述上三角矩阵得到用户信道质量矩阵；通过所述用户信道质量矩阵得到最优用户；最后通过所述最优用户对应的干扰信道矩阵得到后处理矩阵。本发明在保证用户选择系统性能的同时，降低了各用户端信道质量信息的计算复杂度，增大了系统吞吐量，并且对用户选择后的残余干扰有显著地改善，从而提升了此方法在实际应用中的可行性。

Description

一种多小区多用户干扰信道系统中用户选择方法

技术领域

本发明涉及通信技术领域，尤其涉及一种多小区多用户干扰信道系统中用户选择方法。

背景技术

对更高传输速率和更高频谱效率的追求是无线通信领域一个长久不变的话题。多天线技术（Multiple Input Multiple Output，MIMO）通过在发送端和接收端配置多根天线，为无线通信引入了额外的空间自由度，从而极大地提高了系统的频谱利用率和吞吐量。随着研究的深入，MIMO技术已从点对点的单用户系统扩展到了点对多点的多用户MIMO系统（Multi-User MIMO：MU-MIMO），MU-MIMO系统基于发端预编码技术，较单用户MIMO系统能够更大幅度提高系统容量和频谱效率，在3GPPLTE标准演进中，MU-MIMO技术已经被采纳为备选方案。下一代通信系统中引入多天线技术的同时，并普遍期望采用频率复用因子为1的方式进行组网，不可避免的会产生共信道干扰（Co-Channel Interference,CCI），特别是小区边缘的用户，严重地削弱了多天线技术带来的高频谱效率，现有的干扰抑制技术，如干扰随机化、干扰删除、干扰管理等，已无法很好地解决该问题，迫切要求研究更先进的干扰抑制技术以便进一步提升频谱效率。在LTE-Advanced中引入协作多点传输（Coordinated Multi Point,CoMP）技术，它通过各个基站以及用户之间的协作来抑制小区间多天线系统的干扰，而干扰对齐（Interference Alignment,IA）作为COMP技术中对抗干扰的一个有效手段，相对传统干扰抑制技术已经显示出了巨大的优势和研究潜力。

然而传统的干扰对齐技术要求各个端点已知全局信道状态信息，使得在实际系统中难以实现，且计算复杂度过高，迫切需要实用化的干扰对齐技术，于是出现了通过用户选择实现伺机干扰对齐技术（opportunisticinterference alignment user selection，OIAUS），它使用干扰信道矩阵子空间之间的弦距离（chordal distance）作为干扰对齐的测量方式，实质上是依据干扰信道矩阵之间的相关性作为基站选择用户的标准，有效地降低了用户选择的计算复杂度，但是没有考虑干扰信道自身的增益大小，相比传统基于MIN-INR准则的用户选择方案系统性能上有一定的差距，且在用户选择过程中不能生成用户接收端的后处理矩阵用于估计有用信号的大小，所以仅适用于MIN-INR准则，相比传统基于MAX-SINR准则的用户选择方案，系统性能上存在着更大差距。而传统的基于MIN-INR准则和MAX-SINR准则的用户选择方案使用特征值分解方法来进行用户选择，计算复杂度较高，不利于在实际系统中的应用。其中基于传统MIN-INR准则的用户选择公式为：

其中，发射机发射的数据流数目为L，基站1中被选中的用户k表示为k1， $B_k=H_{1,k}^{\left(2\right)}{H}_{1,k}^{\left(2\right)H}+H_{1,k}^{\left(3\right)}{H}_{1,k}^{\left(3\right)H},$ λ_i(B_k)是矩阵B_k经过特征值分解后的第i个特征值。

而基于MAX-SINR准则的用户选择方案，在最小化干扰信号的基础上最大化有用信号的大小，同时还考虑了噪声的影响，则用户选择公式为：

$k_1=\underset{1\≤k\≤K}{\arg \max }\left(\frac{\mathrm{trace}\left(A_k{A_k}^H\right)}{{\mathrm{\Σ}}_{j=L+1}^N{\mathrm{\λ}}_j\left(B_k\right)+L{\mathrm{\σ}}^2}\right)$

其中，U^[k，1]是矩阵B_k经过特征值分解后，和第i个特征值对应的特征向量。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题是：如何在多小区多用户干扰信道系统中提出一种低复杂度高性能的用户选择方法，解决OIAUS方案的系统性能较差的缺陷和传统基于特征值分解用户选择方案复杂度过高的问题。

（二）技术方案

为解决上述技术问题，本发明的技术方案提供了一种多小区多用户干扰信道系统中用户选择方法，其特征在于，该方法包括：

S1：获取其他小区基站到本小区用户的干扰信道矩阵，将所述干扰信道矩阵组合成本小区用户的干扰信道矩阵；

S2：对所述本小区用户的干扰信道矩阵进行分解，得到对应的上三角矩阵；

S3：利用所述上三角矩阵得到用户信道质量矩阵；

S4：通过所述用户信道质量矩阵得到最优用户；

S5：通过所述最优用户对应的干扰信道矩阵得到后处理矩阵。

所述上三角矩阵得到用户信道质量矩阵具体为：通过最小化干扰准则得到用户信道质量矩阵,或上三角矩阵通过最大化信干噪比准则得到用户信道质量矩阵。

所述通过最小化干扰准则得到用户信道质量矩阵的计算公式为：

$\mathrm{Rul}={\mathrm{\Σ}}_{j=L+1}^N{R}_{j,j}^2\left(R^{[k,1]}\right)$

其中：

Ru1为最小化干扰准则下的用户信道质量矩阵；

R_j，j(R^[k，1])为上三角矩阵的对角线元素；

R^[k，1]为上三角矩阵；

N为三角矩阵的维数，N=2L。

所述上三角矩阵通过最大化信干噪比准则得到用户信道质量矩阵的计算公式为：

$\mathrm{Ru}2=\frac{\mathrm{trace}\left(Q_{L+1,N}^{[k,1]H}{H}_1^{[k,1]}{Q}_{L+1,N}^{[k,1]}\right)}{{\mathrm{\Σ}}_{j=L+1}^N{R}_{j,j}^2\left(R^{[k,1]}\right)+L{\mathrm{\σ}}^2}$

其中：

Ru2为最大化信干噪比准则下的用户信道质量矩阵；

trace(·)代表矩阵的迹；

为其他小区到小区1内用户的干扰信道矩阵信息；

为酉矩阵的前L列向量；

σ为系统的噪声系数。

对所述本小区用户的干扰信道矩阵进行分解具体为：对所述本小区用户的干扰信道矩阵进行排序的QR分解。

（三）有益效果

本发明的多小区多用户干扰信道系统中用户选择方法（SQRDUS方案）中采用了依据基于修正的Gram-Schmidt方法的排序QR分解算法以及最小化干扰准则或者最大化信干噪比准则来确定用户选择，首先通过信道估计，获取本小区基站到各个用户的信道信息，以及其他小区到本小区内用户的干扰信道矩阵信息，并组合成各用户的干扰信道矩阵，随后依据各用户的干扰信道矩阵，基于修正的Gram-Schmidt方法使用排序QR分解算法，获得酉矩阵和对角线元素递减的上三角矩阵，然后各用户依据对角线元素递减的上三角矩阵，根据最小化干扰准则，获取各用户信道质量信息；或者依据对角线元素递减的上三角矩阵和酉矩阵，根据最大化信干噪比准则，获取各用户信道质量信息，之后基站依据各用户信道质量信息，根据最小化干扰准则排序比较，选出最优的用户、或者根据最大化信干噪比准则排序比较，选出最优的用户，最后依据选中的用户，根据最小化干噪准则，获取精确的后处理矩阵。由于使用了基于修正的Gram-Schmidt方法的排序QR分解算法，把搜索顺序的过程融进计算干扰信道矩阵QR分解过程中，在每一次正交化步骤之前，对信道矩阵的列进行排列，选取的准则就是列向量范数最大的列向量最先进行QR分解，因此降低了系统各用户信道矩阵的维数，从而使SQRDUS方案在低维度下进行计算，有效降低了基于传统MIN-INR准则和基于传统MAX-SINR准则的用户选择方案的计算复杂度。因此SQRDUS方案在保持基于传统MIN-INR准则和基于传统MAX-SINR准则的用户选择方案的系统性能的同时，降低了各用户端信道质量信息的计算复杂度；同时SQRDUS方案在保持与OIAUS方案相当的计算复杂度的同时，在随着信噪比增加，进一步增大了系统吞吐量，并且对用户选择后的残余干扰有显著地改善，从而提升了此方法在实际应用中的可行性。

附图说明

图1是本发明的流程图；

图2是本发明实施例的传输示意图；

图3给出了系统配置(2,2,4)，K=10，ISR＝0.7条件下，本发明方法和其他方法的吞吐量的对比图；

图4给出了系统配置(2,2,4)，K=100，ISR＝0.7条件下，本发明方法和其他方法的吞吐量的对比图；

图5给出了系统配置(3,3,6)，K=50，ISR＝0.5条件下，本发明方法和其他方法的吞吐量的对比图；

图6给出了系统配置(2,2,4)，ISR＝0.7,不同用户数目K的条件下，本发明方法和其他方法的用户选择后的残余干扰的对比图。

具体实施方式

为使本发明的目的、内容和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本发明提出的多小区多用户干扰信道系统中用户选择方法，结合附图和实施例说明如下：

如图1所示，本发明包括以下步骤：

S1：获取其他小区基站到本小区用户的干扰信道矩阵，将所述干扰信道矩阵组合成本小区用户的干扰信道矩阵；

获得各用户的干扰信道矩阵的步骤具体为：

假设系统的用户组个数为3，每个用户组包括K个用户，基站端的发射天线数为N_T，发射机发射的数据流数目为L，各用户的接收天线数为N_R，其中有N_R=2L，系统中第j个基站到第i个用户组中第k个用户的信道矩阵为i=1,…,3;j=1,…,3;k=1,…,K,系统的噪声系数为σ；

通过信道估计，获取本小区基站到各个用户的信道矩阵i＝1,…,3;j=i;k=1,…,K，以及其他小区基站到本小区内用户的干扰信道矩阵i＝1,…,3;j≠i;k=1,…,K；

针对第一个小区而言，第二小区和第三小区基站到本小区内用户的干扰信道矩阵和并组合成各用户的干扰信道矩阵 $G_{1,k}=[H_{1,k}^{\left(2\right)},H_{1,k}^{\left(3\right)}],$ 此时G_1,k的维数是N×N；

S2：对所述本小区用户的干扰信道矩阵进行分解，得到对应的上三角矩阵；

依据各用户的干扰信道矩阵G_1，k，基于修正的Gram-Schmidt方法使用排序QR分解算法，具体公式为G_1,k=Q^[k，1]R^[k,1]；

其中，进行基于修正的Gram-Schmidt方法的排序QR分解的过程包括：基于行列式准则对信道矩阵中的列向量进行重新排列，让范数最大的列向量最先进行QR分解，以及修正的Gram-Schmidt方法对重新排序后的干扰信道矩阵进行QR分解；最终获取酉矩阵Q^[k，1]和对角线上元素递减的上三角矩阵R^[k，1]，之后分别对酉矩阵Q^[k，1]和对角线上元素递减的上三角矩阵R^[k,1]进行矩阵分解。

基于修正的Gram-Schmidt方法的排序QR分解算法的程序流程为：

初始化：R=0,Q=H

forμ＝1，…M_T

在Q剩下的列中搜索最大范数

将Q的第μ列和k_μ交换，确定P_μ

置r_μ,μ=q_μ||

归一化到单位长度

forv=1，…μ-1

计算投影 $r_{\mathrm{\μ},v}=q_{\mathrm{\μ}}^H{q}_v$

q_v＝q_v-r_μ，vq_μ

end

end

其中：

M_k为第k个基站的发射天线数目；

r_μ,μ为矩阵q_μ的范数；

q_μ为Q剩下的μ列；

r_μ,v为投影矩阵；

k_μ、q_v、v和μ为设定的中间变量。

其中，所述对酉矩阵Q^[k，1]和对角线上元素递减的上三角矩阵R^[k,1]进行矩阵分解过程包括：

首先对酉矩阵Q^[k，1]进行列分解，获取前L列向量作为酉矩阵以及后L列向量作为酉矩阵公式所示之后对角线上元素递减的上三角矩阵R^[k,1]进行行分解，获取前L行向量作为矩阵以及后L行向量作为矩阵公式所示 $R^{[k,1]}=\left[\begin{array}{c}{R}_{1,L}^{[k,1]}\\ R_{L+1,N}^{[k,1]}\end{array}\right];$

S3：利用所述上三角矩阵得到用户信道质量矩阵；

根据最小化干扰准则由于干扰信道矩阵的平方G^[k,1]G^[k,1]H的L个最小的特征值之和约等于对角线上元素递减的上三角矩阵R^[k,1]的后L个对角线元素平方之和， ${\mathrm{\Σ}}_{j=L+1}^N{\mathrm{\λ}}_1\left(G^{[k,1]}{G}^{[k,1]H}\right)\≈{\mathrm{\Σ}}_{j=L+1}^N{R}_{j,j}^2\left(R^{[k,1]}\right)=\mathrm{Ru},$ 其中R_j，j(R^[k，1])表示为矩阵R^[k，1]的对角线元素，采用近似估计的方法获取各用户信道质量矩阵 $\mathrm{Ru}1={\mathrm{\Σ}}_{j=L+1}^N{R}_{j,j}^2\left(R^{[k,1]}\right):$

其中：

Ru1为最小化干扰准则下的用户信道质量矩阵；

R_j，j(R^[k，1])为上三角矩阵的对角线元素；

R^[k，1]为上三角矩阵；

N为三角矩阵的维数，N=2L。

或者根据最大化信干噪比准则，获取各用户信道质量信息

$\mathrm{Ru}2=\frac{\mathrm{trace}\left(Q_{L+1,N}^{[k,1]H}{H}_1^{[k,1]}{H}_1^{[k,1]H}{Q}_{L+1,N}^{[k,1]}\right)}{{\mathrm{\Σ}}_{j=L+1}^N{R}_{j,j}^2\left(R^{[k,1]}\right)+L{\mathrm{\σ}}^2}:$

其中：

Ru2为最大化信干噪比准则下的用户信道质量矩阵；

trace(·)代表矩阵的迹；

为其他小区到小区1内用户的干扰信道矩阵信息；

为酉矩阵的前L列向量；

σ为系统的噪声系数。

S4：通过所述用户信道质量矩阵得到最优用户；

各用户的信道质量信息反馈给发射机1，，发射机1依据各用户的信道质量信息，根据最小化干扰准则排序比较， $k1=\underset{1\≤k\≤K}{\arg \min }{\mathrm{\Σ}}_{j=L+1}^N{R}_{j,j}^2\left(R^{[k,1]}\right),$ 选取具有最小值反馈信息的用户做为选中的用户；或者最大化信干噪比准则， $k1=\underset{1\≤k\≤K}{\arg \max }(\frac{\mathrm{trace}\left(Q_{L+1,N}^{[k,1]H}{H}_1^{[k,1]}{H}_1^{[k,1]H}{Q}_{L+1,N}^{[k,1]}\right)}{{\mathrm{\Σ}}_{j=L+1}^N{R}_{j,j}^2\left(R^{[k,1]}\right)+L{\mathrm{\σ}}^2}),$ 选取具有最大值反馈信息的用户作为选中的用户；

S5：通过所述最优用户对应的干扰信道矩阵得到后处理矩阵；

根据最小化干扰噪声比准则，依据选中的用户k′的干扰信道矩阵G_1，k′，进行奇异值分解（SVD分解）得到精确的后处理矩阵其中,表示为U^[k′，1]的后L列矩阵，即 $U_{L+1,N}^{[k\′,1]}=[U_{L+1}^{[k^{\′},1]},\·\·\·U_N^{[k^{\′},1]}].$

至此完成了最佳用户选择和获取最佳后处理矩阵的工作。

综上所述，本发明提出了一种多小区多用户干扰信道系统中用户选择方法，具有低复杂度的优点，对于任何天线配置、用户数目的系统均适用。由于使用了基于修正的Gram-Schmidt方法的排序QR分解算法，把搜索顺序的过程融进计算干扰信道矩阵QR分解过程中，在每一次正交化步骤之前，对信道矩阵的列进行排列，选取的准则就是列向量范数最大的列向量最先进行QR分解，因此降低了系统各用户信道矩阵的维数，有效地降低了用户选择技术的计算复杂度。

下面将给出本发明的SQRDUS方案与现有的其他用户选择方案的比较，以使本发明的优势及特征更加明显。

对大小为m×n的复矩阵G∈C^m×n而言，矩阵相加运算的计算复杂度为：2mn(flop)、矩阵范数||G||_F运算的计算复杂度为：4mn(flop)、运算的计算复杂度为：8mn²-2mn(flop)、基于修正的Gram-Schmidt方法的QR分解算法的计算复杂度为：8mn²-2mn(flop)、SVD分解（奇异值分解）的计算复杂度为：24m²n+48mn²+54n³(flop)。其中，1个flop表示为一次浮点操作。为了简便，可以近似认为复数矩阵操作的复杂度为实数矩阵相应操作复杂度的6倍。

下面对各种用户选择方法的计算复杂度比较如表1，为方便对比，设定系统配置(N_T,L,N_R)=(2,2,4)，ISR＝0.7。

表1

由表1可知，与基于传统Min-INR、传统Max-SINR为准则用户选择的方法相比较，本发明SQRDUS方法大大降低了计算复杂度，这将有利于本发明的方法在实际中的应用；与基于OIAUS方法相比较，本发明SQRDUS（MIN-INR）方法计算复杂度基本持平，而SQRDUS（MAX-SINR）方法的计算复杂度略有所增加。

此外，如图3和图4所示，图3给出了系统配置(2,2,4)，K=10，ISR＝0.7条件下的，基于本发明的SQRDUS方法在MIN-INR准则和MAX-SINR准则下，基于传统Min-INR、基于传统Max-SINR、基于OIAUS的方法的吞吐量的对比图；图4给出了系统配置(2,2,4)，K=100，ISR＝0.7条件下的，基于本发明的SQRDUS方法在MIN-INR准则和MAX-SINR准则下，基于传统Min-INR、基于传统Max-SINR、基于OIAUS的方法的吞吐量的对比图；在系统配置(N_T,L,N_R)=(2,2,4)，K=10（图3），K=100（图4），ISR＝0.7，在不同信噪比条件下，基于本发明的SQRDUS方法在MIN-INR准则和MAX-SINR准则下，基于传统Min-INR、基于传统Max-SINR和基于OIAUS方法的系统吞吐量的对比图；由图中可以看出，根据本发明的SQRDUS（MAX-SINR）方法与基于传统Max-SINR方法，和本发明的SQRDUS（Min-INR）方法与基于传统Min-INR方法的在低信噪比下的系统吞吐量基本保持一致，只是在高信噪比下略微有所下降；这四种方法对比OIAUS方法的系统吞吐量具有显著的改善。

图5给出了系统配置(3,3,6)，K=50，ISR＝0.5条件下的，基于本发明的SQRDUS方法在MIN-INR准则和MAX-SINR准则下，基于传统Min-INR、基于传统Max-SINR、基于OIAUS的方法的吞吐量的对比图；在系统配置(N_T,L,N_R)=(3,3,6)，K=50，ISR＝0.5，在不同信噪比条件下，基于本发明的SQRDUS方法在MIN-INR准则和MAX-SINR准则下，基于传统Min-INR、基于传统Max-SINR和基于OIAUS方法的系统吞吐量的对比图；由图中可以看出，根据本发明的SQRDUS（MAX-SINR）方法与基于传统Max-SINR方法，和本发明的SQRDUS（Min-INR）方法与基于传统Min-INR方法的在低信噪比下的系统吞吐量基本保持一致，只是在高信噪比下略微有所下降；这四种方法对比OIAUS方法的系统吞吐量具有显著的改善。

图6给出了系统配置(2,2,4)，ISR＝0.7,不同的用户数目K的条件下，基于传统MIN-INR、基于本发明SQRDUS方法在MIN-INR准则和基于OIAUS的用户选择后的残余干扰的对比图。在系统配置(N_T,L,N_R)=(2,2,4)，ISR＝0.7,不同的用户数目K的条件下，基于传统MIN-INR、基于本发明SQRDUS方法在MIN-INR准则和基于OIAUS的用户选择后的残余干扰的对比图；由图中可以看出，在不同的用户数目K的条件下，本发明SQRDUS（MIN-INR）方法与基于传统MIN-INR准则方法相比，在用户选择后的残余干扰略微有所增加，然而这两种方法明显优于基于OIAUS方法，提高系统的性能。

以上所述仅是本发明的优选实施方式，对于本技术的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (4)

1.一种多小区多用户干扰信道系统中用户选择方法，其特征在于，该方法包括：

S1：获取其他小区基站到本小区用户的干扰信道矩阵，将所述干扰信道矩阵组合成本小区用户的干扰信道矩阵；

S2：对所述本小区用户的干扰信道矩阵进行分解，得到对应的上三角矩阵；

S3：利用所述上三角矩阵得到用户信道质量矩阵；

S4：通过所述用户信道质量矩阵得到最优用户；

S5：通过所述最优用户对应的干扰信道矩阵得到后处理矩阵；

其中，步骤S2中通过以下步骤对所述本小区用户的干扰信道矩阵进行分解：

依据各用户的干扰信道矩阵G_1,k，基于修正的Gram-Schmidt方法使用排序QR分解算法，具体公式为G_1,k＝Q^[k,1]R^[k,1]；

其中，进行基于修正的Gram-Schmidt方法的排序QR分解的过程包括：基于行列式准则对信道矩阵中的列向量进行重新排列，让范数最大的列向量最先进行QR分解，以及修正的Gram-Schmidt方法对重新排序后的干扰信道矩阵进行QR分解；最终获取酉矩阵Q^[k,1]和对角线上元素递减的上三角矩阵R^[k,1]，之后分别对酉矩阵Q^[k,1]和对角线上元素递减的上三角矩阵R^[k,1]进行矩阵分解。

2.根据权利要求1所述的方法，其特征是，所述上三角矩阵得到用户信道质量矩阵具体为：通过最小化干扰准则得到用户信道质量矩阵,或上三角矩阵通过最大化信干噪比准则得到用户信道质量矩阵。

3.根据权利要求2所述的方法，其特征是，所述通过最小化干扰准则得到用户信道质量矩阵的计算公式为：

$\mathrm{Ru}1={\mathrm{\Σ}}_{j=L+1}^N{R}_{j,j}^2\left(R^{[k,1]}\right)$

其中：

Ru1为最小化干扰准则下的用户信道质量矩阵；

R_j,j(R^[k,1])为上三角矩阵的对角线元素；

R^[k,1]为上三角矩阵；

N为三角矩阵的维数，N＝2L。

4.根据权利要求3所述的方法，其特征是，所述上三角矩阵通过最大化信干噪比准则得到用户信道质量矩阵的计算公式为：

$\mathrm{Ru}2=\frac{\mathrm{trace}\left(Q_{L+1,N}^{[k,1]H}{H}_1^{[k,1]}{H}_1^{[k,1]H}{Q}_{L+1,N}^{[k,1]}\right)}{{\mathrm{\Σ}}_{j=L+1}^N{R}_{j,j}^2\left(R^{[k,1]}\right)+L{\mathrm{\σ}}^2}$

其中：

Ru2为最大化信干噪比准则下的用户信道质量矩阵；

trace(□)代表矩阵的迹；

为其他小区到小区1内用户的干扰信道矩阵信息；

为酉矩阵的前L列向量；

σ为系统的噪声系数。