CN103326818B - 一种共信道干扰的抑制方法 - Google Patents

Abstract

本发明提供一种共信道干扰的抑制方法，所述方法包括：S1：利用下行信道估计获取信道信息，并将所述信道信息发送给服务基站和相邻基站；S2：发送端根据所述信道信息计算权重因子，并根据权重因子计算预编码矩阵，并将预编码信息发送给接收端；S3：接收端根据所述预编码信息计算接收矩阵。本发明提供一种共信道干扰的抑制方法，通过在预编码设计中加入权重因子，对边缘用户进行保护，并且利用收发联合设计对单用户的多个数据流进行分离，在获得与传统算法相近的系统容量的同时，极大地提高了边缘用户的频谱效率，有效的提升了整个系统的性能。

Description

一种共信道干扰的抑制方法

技术领域

本发明涉及无线通信网络技术领域，特别涉及一种共信道干扰的抑制方法。

背景技术

在下行MU-MIMO系统中，每个基站和每个用户可以同时配置多根天线，并且一个基站可以向每个用户传输多个数据流。单用户MIMO在信道相关性较强时，系统的频谱效率会急剧降低，多用户MIMO技术可以把不同的数据流同时、同频传给不同的用户，而不同的用户之间的相关性较小，因而有效的提高MU-MIMO系统的频谱效率。因为这个优势，MU-MIMO技术被认为是下一代移动通信的关键技术之一，受到3GPP、IEEE802.16m等国际标准的重点关注。

由于下行MU-MIMO通信，每个基站同时、同频可以给多个用户传输多个数据流，因此不同的数据流之间存在共信道干扰(Co-ChannelInterference,CCI)，大量的研究和实验表明，在同频干扰严重的通信环境中，来自本小区或邻小区的共信道干扰会使MIMO技术所具有的高频谱优势遭到严重削弱，成为一个干扰受限系统。

目前，通常使用预编码技术进行干扰抑制或消除。预编码是指在发送端进行信号的预处理，将多个用户之间的干扰预消除掉，从而实现多用户通信。现有的预编码方案种类很多，主要可以分为线性预编码和非线性预编码两大类。现有非线性预编码技术中，如：脏纸编码（DirtyPaperCoding,DPC）技术能够获得最大系统容量，但是脏纸编码的系统复杂度很高，很难应用到实际系统中。为了解决非线性系统复杂度较高这个问题，学者提出多种复杂度较低的线性预编码技术，典型算法有块对角化（BlockDiagonalization,BD）算法，最大信漏噪声比（maxSignaltoleakageandnoiseratio,max-SLNR）算法等，尤其是SLNR算法，不仅对收发天线数目不再限制，还能通过简单的运算得到闭式解，成为人们的关注热点。具体介绍如下：

在下行多小区MU-MIMO系统中，由于我们主要关注的小区间的干扰抑制问题，为了简单起见，假定有K个小区，每个用户配置M个天线，每个基站都有N_t天线。第i个用户的接收信号为：

$y_i=\sqrt{{\mathrm{\ρ}}_{i,i}}{H}_{i,i}{W}_i{x}_i+\underset{j=1,j\≠i}{\overset{K}{\mathrm{\Σ}}}\sqrt{{\mathrm{\ρ}}_{i,j}}{H}_{i,j}{W}_j{x}_j+n_i---\left(1\right)$

其中，y_i为第i个用户的接收信号，H_i,i是基站i和用户i之间的信道系数，是基站j和用户i之间的信道系数，ρ_i,j=P_jL_j,iS_j,i，基站j和用户i之间的大尺度衰落系数，其中，P_j为基站j的发射功率，L_j,i为基站j到用户i的大尺度衰落，S_j,i是阴影衰落，服从对数正态分布。W_i为用户i的预编码矩阵，W_j为用户j的预编码矩阵，矩阵大小为N_t×M，这里，假设数据流的个数等于用户天线个数，x_i为用户i发送的数据，x_j为用户j发送的数据，矩阵大小为M×1，并且 为小区间干扰；n_k,i为均值为0，方差为σ²的高斯白噪声。

基于SLNR算法的基本思想是，将传统的SINR最大的设计目标，转变为SLNR最大为设计目标。其表达式如下：

${\mathrm{SINR}}_i=\frac{{\mathrm{\ρ}}_{i,i}{\left|\right|H_{i,i}{W}_i\left|\right|}^2}{{\mathrm{M\σ}}_n^2+\underset{j=1,j\≠i}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{i,j}{\left|\right|H_{i,j}{W}_j\left|\right|}^2}---\left(2\right)$

${\mathrm{SLNR}}_i=\frac{{\mathrm{\ρ}}_{i,i}{\left|\right|H_{i,i}{W}_i\left|\right|}^2}{{\mathrm{M\σ}}_n^2+\underset{j=1,j\≠i}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{i,j}{\left|\right|H_{j,i}{W}_i\left|\right|}^2}---\left(3\right)$

显然，传统的SINR_i表达式中，有多个未知的预编码矩阵，各个预编码矩阵之间相互耦合，求解难度非常大，而且可能并没有闭式解。而相对于传统的SINR算法，SLNR_i的表达式中只有W_i一个未知解，其他都可以通过信息交互得到。这样，使得最大化SLNR的算法求解非常简单，可以得到闭式解。其具体的求解目标如下：

$\left\{\begin{array}{c}{W}_i^{\mathrm{opt}}=\arg \underset{W_i\∈C^{N_t\×M}}{\max }\frac{\mathrm{Tr}\left(W_i^H{H}_{i,i}^H{H}_{i,i}{W}_i\right)}{\mathrm{Tr}\left[W_i^H({\mathrm{M\σ}}_n^2+{\stackrel{\‾}{H}}_{i,i}^H{\stackrel{\‾}{H}}_{i,i})W_i\right]}\\ s.t.\mathrm{Tr}\left(W_i^H{H}_{i,i}^H\right)=1,W_i^H{H}_{i,i}^H{H}_{i,i}{W}_i=D_i=\mathrm{diag}(d_{i,l,}\·\·\·d_{i,M})\end{array}\right.---\left(4\right)$

其中，为用户i最优的预编码矩阵，D_i为对角矩阵，

${\stackrel{\‾}{H}}_{i,i}={[H_{l,i}^H,H_{2,i}^H,\·\·\·,H_{i-l,i}^H,H_{i+l,i}^H,\·\·\·H_{K,i}^H]}^H,$ $W_i^H{H}_{i,i}^H{H}_{i,i}{W}_i=D_i=\mathrm{diag}(d_{i,l},\·\·\·d_{i,M})$ 对角化的求解目标，是为了在接收端进行处理对多个数据流进行分离，其接收矩阵设计如下：

${\tilde{W}}_i^H=\frac{W_i^H{H}_{i,i}^H}{{\left|\right|H_{i,i}{W}_i\left|\right|}_F}---\left(5\right)$

由于厄米共轭矩阵，是正定厄米共轭矩阵。将（4）式的求解目标通过广义奇异值分解理论（GeneralizedSingularValueDecomposition,GSVD）进行求解。

$\left\{\begin{array}{c}{W}_i^H{H}_{i,i}^H{H}_{i,i}{W}_i=\mathrm{diag}(d_{i,l},\·\·\·d_{i,M})\\ W_i^H({\mathrm{M\σ}}_n^2+{\stackrel{\‾}{H}}_{i,i}^H{\stackrel{\‾}{H}}_{i,i})W_i=I\end{array}\right.---\left(6\right)$

其中，

d_i,l≥d_i,2≥…≥d_i,m≥…d_i,M≥0(7)

W_i位于的广义奇异向量空间，d_i,m是相对应广义特征值。信号泄露噪声比最大化算法，能够使信号泄露噪声比最大，降低了对相邻小区用户的干扰，但是需要指出的是信号泄露噪声比最大并不意味着用户的信号干扰噪声最大，这样就会造成系统吞吐量的损失，并且信号泄露噪声比最大化算法，主要关注系统的吞吐量，忽视了边缘用户的通信质量，而系统的性能表现在很大程度上取决于边缘用户。

由以上分析可知，现有技术中信号泄露噪声比最大化方案在一定程度上降低了小区间干扰，提高了小区的数据速率和覆盖，但由于该方案没有考虑边缘用户的通信质量，既不同信道状况的用户对干扰的承受能力是不一样的。

如图1所示，边缘用户UE3受到的来自基站BS1的干扰较大，其服务基站BS3所提供的有用信号功率较小；而UE2收到的来自基站BS1的干扰较小，其服务基站BS2所提供的有用信号功率很大。不同信道状况的用户所受到的干扰不同，对干扰的承受能力也不同，Max-SLNR算法并没有考虑这种差异性，对所有用户同等对待进行预编码设计，从而导致边缘用户的通信质量较差，进而影响整个系统的性能。

发明内容

（一）解决的技术问题

本发明解决的技术问题是：提供一种共信道干扰的抑制方法，解决现有技术中导致边缘用户的通信质量较差，以及影响整个系统的性能问题。

（二）技术方案

本发明提供了一种共信道干扰的抑制方法，所述方法包括：

S1：利用下行信道估计获取信道信息，并将所述信道信息发送给服务基站和相邻基站，所述信道信息包括用户到服务基站的信道矩阵、用户到服务基站的大尺度衰落系数、用户到相邻基站的信道矩阵和用户到相邻基站的大尺度衰落系数；

S2：发送端根据所述信道信息计算权重因子，并根据权重因子计算预编码矩阵，并将预编码信息发送给接收端；

S3：接收端根据所述预编码信息计算接收矩阵；

步骤S2中利用下式计算权重因子：

${\mathrm{\α}}_{j,i}=\frac{Z}{{\mathrm{\ρ}}_{j,j}}$

$Z=(K-1)/\underset{j=1,j\≠i}{\overset{K}{\mathrm{\Σ}}}\frac{1}{{\mathrm{\ρ}}_{j,j}},$

其中，α_j,i为用户j到基站i的权重因子，ρ_j,j为用户j到基站j的大尺度衰落系数，Z为ρ_j,j的调和平均数，K为小区个数。

优选地，步骤S1之后，服务基站和相邻基站将用户到服务基站的信道矩阵和大尺度衰落系数进行交互。

优选地，服务基站和相邻基站的交互方式为回传链路交互。

优选地，步骤S2中根据权重因子计算预编码矩阵具体包括：

S21：根据权重因子和所述信道信息获得权重干扰矩阵，

${\tilde{H}}_{i,i}={[\sqrt{{\mathrm{\α}}_{1,i}}{H}_{1,i}^H,\sqrt{{\mathrm{\α}}_{2,i}}{H}_{2,i}^H,\·\·\·,\sqrt{{\mathrm{\α}}_{i-l,i}}{H}_{i-l,i}^H,\sqrt{{\mathrm{\α}}_{i+l,i}}{H}_{i+l,i}^H,\·\·\·\sqrt{{\mathrm{\α}}_{K,i}}{H}_{K,i}^H]}^H,$

其中，为服务与i基站的i用户的权重干扰矩阵，α_K,i为用户K到基站i的权重因子，为H_K,i的共轭矩阵，H_K,i为用户K到基站i的信道矩阵；

S22：对矩阵对进行广义奇异值分解，将得到的奇异值向量作为预编码矩阵。

优选地，步骤S3中根据下式计算接收矩阵：

${\tilde{W}}_i^H=\frac{W_i^H{H}_{i,i}^H}{{\left|\right|H_{i,i}{W}_i\left|\right|}_F},$

其中，为接收矩阵，W_i为预编码矩阵，为W_i的共轭矩阵，H_i,i为用户i到基站i的信道矩阵，为H_i,i的共轭矩阵。

（三）有益效果

本发明提供一种共信道干扰的抑制方法，通过在预编码设计中加入权重因子，对边缘用户进行保护，并且利用收发联合设计对单用户的多个数据流进行分离，在获得与传统算法相近的系统容量的同时，极大地提高了边缘用户的频谱效率，有效的提升了整个系统的性能。

附图说明

图1是多用户MIMO系统；

图2是本发明提供的方法流程图。

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。

实施例1：

本发明提供了一种共信道干扰的抑制方法，在发射端，服务基站和相邻基站之间通过回传链路方式共享各个用户的信道信息，针对不用的信道状况分别进行权重因子和预编码矩阵的设计。接收端通过接收发射端的反馈进行接收矩阵的设计，以对同一用户不同的数据流进行区分。由于该收发机对通信质量差的用户分配了较小的干扰功率，对通信质量较好的用户分配了较多的干扰功率，并且在接收端可以对同一用户不同的数据流进行有效区分，能够有效的提升边缘用户的通信质量。

假定有K个小区，本实施例以每个基站只分配一个用户为例，每个用户配置M个天线，每个基站都有N_t天线。第i个用户的接收信号为：

$y_i=\sqrt{{\mathrm{\ρ}}_{i,i}}{H}_{i,i}{W}_i{x}_i+\underset{j=1,j\≠i}{\overset{K}{\mathrm{\Σ}}}\sqrt{{\mathrm{\ρ}}_{i,j}}{H}_{i,j}{W}_j{x}_j+n_i---\left(8\right)$

其中，公式（8）中的符号解释同公式（1）中解释相同，再此不在赘述。

权衡因子干扰泄露可表示为：

$\mathrm{WSLN}{R}_i=\frac{{\mathrm{\ρ}}_{i,i}{\left|\right|H_{i,i}{W}_i\left|\right|}^2}{M{\mathrm{\σ}}_n^2+I_{\mathrm{weigheted}}}---\left(9\right)$

其中，I_weigheted为干扰泄露功率，其具体的表达式为

$I_{\mathrm{weigheted}}=\underset{j=1,j\≠i}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\α}}_{j,i}{\mathrm{\ρ}}_{j,i}{\left|\right|H_{j,i}{W}_i\left|\right|}^2---\left(10\right)$

其中,α_j,i为用户j到基站i的权重因子。在传统的SLNR算法中，α_j,i=1。从上述求解最大化SLNR的方法中可以看出，当分母的每一个元素趋近于相等的时候，整个表达式才趋近于最大值。因此在加入了权重因子以后，权重因子越大，||H_j,iW_i||²越小，即在实际情况下，给用户分配的干扰功率越小。因此，信道状况差的用户需要较大的因子，而信道状况好的用户需要较好的因子，权重因子和信道状况呈现出反相关。因此定义用户的信道质量指示（channelqualityindicator，CQI）为

ρ_i,i,i=1,...,K(11)

其中，将CQI定义为ρ_i,i，而不是通常情况下的ρ_i,i||H_i,i||²，是因为||H_i,i||²较大并不意味着||H_i,iW_i||²也大。

本发明提供的一种共信道干扰的抑制方法包括：

S1：利用下行信道估计获取信道信息，并将所述信道信息发送给服务基站和相邻基站，所述信道信息包括用户到服务基站的信道矩阵、用户到服务基站的大尺度衰落系数、用户到相邻基站的信道矩阵和用户到相邻基站的大尺度衰落系数；

S2：发送端根据所述信道信息计算权重因子，并根据权重因子计算预编码矩阵，并将预编码信息发送给接收端；

S3：接收端根据所述预编码信息计算接收矩阵；

步骤S2中利用下式计算权重因子：

${\mathrm{\α}}_{j,i}=\frac{Z}{{\mathrm{\ρ}}_{j,j}}$

$Z=(K-1)/\underset{j=1,j\≠i}{\overset{K}{\mathrm{\Σ}}}\frac{1}{{\mathrm{\ρ}}_{j,j}},$

其中，α_j,i为用户j到基站i的权重因子，ρ_j,j为用户j到基站j的大尺度衰落系数，Z为ρ_j,j的调和平均数，K为小区个数。

步骤S1之后，服务基站和相邻基站将用户到服务基站的信道矩阵和大尺度衰落系数进行交互。

服务基站和相邻基站的交互方式为回传链路交互。

步骤S2中根据权重因子计算预编码矩阵具体包括：

S21：根据权重因子和所述信道信息获得权重干扰矩阵

最大化WSLNR的解法为，将表达式转变为：

$\left\{\begin{array}{c}{W}_i^{\mathrm{opt}}=\arg \underset{W_i\∈C^{N_t\×M}}{\max }\frac{\mathrm{Tr}\left(W_i^H{H}_{i,i}^H{H}_{i,i}{W}_i\right)}{\mathrm{Tr}\left[W_i^H({\mathrm{M\σ}}_n^2+{\tilde{H}}_{i,i}^H{\tilde{H}}_{i,i})W_i\right]}\\ s.t.\mathrm{Tr}\left(W_i^H{H}_{i,i}^H\right)=1,W_i^H{H}_{i,i}^H{H}_{i,i}{W}_i=D_i=\mathrm{diag}(d_{i,l,}\·\·\·d_{i,M})\end{array}\right.,---\left(12\right)$

${\tilde{H}}_{i,i}={[\sqrt{{\mathrm{\α}}_{1,i}}{H}_{1,i}^H,\sqrt{{\mathrm{\α}}_{2,i}}{H}_{2,i}^H,\·\·\·,\sqrt{{\mathrm{\α}}_{i-l,i}}{H}_{i-l,i}^H,\sqrt{{\mathrm{\α}}_{i+l,i}}{H}_{i+l,i}^H,\·\·\·\sqrt{{\mathrm{\α}}_{K,i}}{H}_{K,i}^H]}^H,---\left(13\right)$

其中，α_K,i为用户K到基站i的权重因子，为H_K,i的共轭矩阵，H_K,i为用户K到基站i的信道矩阵；

具体求解仍然可以根据广义奇异值分解理论

$\left\{\begin{array}{c}{W}_i^H{H}_{i,i}^H{H}_{i,i}{W}_i=\mathrm{diag}(d_{i,l},\·\·\·d_{i,M})\\ W_i^H({\mathrm{M\σ}}_n^2+{\tilde{H}}_{i,i}^H{\tilde{H}}_{i,i})W_i=I\end{array}\right.---\left(14\right)$

（14）式为预编码矩阵涉及所要满足的条件，上式能够消除有用信号的流间干扰，下式可以使得噪声和邻小区干扰白化。

S22：对矩阵对进行广义奇异值分解，将得到的奇异值向量作为预编码矩阵。

步骤S3中根据下式计算接收矩阵：

${\tilde{W}}_i^H=\frac{W_i^H{H}_{i,i}^H}{{\left|\right|H_{i,i}{W}_i\left|\right|}_F},$

其中，为接收矩阵，W_i为预编码矩阵，为W_i的共轭矩阵，H_i,i为用户i到基站i的信道矩阵，为H_i,i的共轭矩阵。

本实施例通过在预编码设计中加入权重因子，对边缘用户进行保护，并且利用收发联合设计对单用户的多个数据流进行分离，在获得与传统算法相近的系统容量的同时，极大地提高了边缘用户的频谱效率，有效的提升了整个系统的性能。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (4)

1.一种共信道干扰的抑制方法，其特征在于，所述方法包括：

S1：利用下行信道估计获取信道信息，并将所述信道信息发送给服务基站和相邻基站，所述信道信息包括用户到服务基站的信道矩阵、用户到服务基站的大尺度衰落系数、用户到相邻基站的信道矩阵和用户到相邻基站的大尺度衰落系数；

S2：发送端根据所述信道信息计算权重因子，并根据权重因子计算预编码矩阵，并将预编码信息发送给接收端；

S3：接收端根据所述预编码信息计算接收矩阵；

步骤S2中利用下式计算权重因子：

$\begin{array}{c}{\mathrm{\α}}_{j,i}=\frac{Z}{{\mathrm{\ρ}}_{j,j}}\\ Z=(K-1)/\underset{j=1,j\≠i}{\overset{K}{\Σ}}\frac{1}{{\mathrm{\ρ}}_{j,j}}\end{array},$

其中，α_j,i为用户j到基站i的权重因子，ρ_j,j为用户j到基站j的大尺度衰落系数，Z为ρ_j,j的调和平均数，K为小区个数；

步骤S2中根据权重因子计算预编码矩阵具体包括：

S21：根据权重因子和所述信道信息获得权重干扰矩阵，

${\tilde{H}}_{i,j}={\[\sqrt{{\mathrm{\α}}_{1,i}}{H}_{1,i}^H,\sqrt{{\mathrm{\α}}_{2,i}}{H}_{2,i}^H,...,\sqrt{{\mathrm{\α}}_{i-1,i}}{H}_{i-1,i}^H,\sqrt{{\mathrm{\α}}_{i+1,i}}{H}_{i+1,i}^H,...\sqrt{{\mathrm{\α}}_{K,i}}{H}_{K,i}^H\]}^H,$

其中，为服务与i基站的i用户的权重干扰矩阵，α_K,i为用户K到基站i的权重因子，为H_K,i的共轭矩阵，H_K,i为用户K到基站i的信道矩阵；

S22：对矩阵对进行广义奇异值分解，将得到的奇异值向量作为预编码矩阵，M为每个用户配置的天线个数，表示高斯白噪声的方差。

2.根据权利要求1所述的方法，其特征在于，步骤S1之后，服务基站和相邻基站将用户到服务基站的信道矩阵和大尺度衰落系数进行交互。

3.根据权利要求2所述的方法，其特征在于，服务基站和相邻基站的交互方式为回传链路交互。

4.根据权利要求1所述的方法，其特征在于，步骤S3中根据下式计算接收矩阵：

${\tilde{W}}_i^H=\frac{W_i^H{H}_{i,i}^H}{\left|\right|H_{i,i}{W}_i|{|}_F},$

其中，为接收矩阵，W_i为预编码矩阵，为W_i的共轭矩阵，H_i,i为用户i到基站i的信道矩阵，为H_i,i的共轭矩阵。