CN103346867A - 基于三角分解和slnr算法的多小区多用户同频干扰抑制方法 - Google Patents

Abstract

基于三角分解和SLNR算法的多小区多用户同频干扰抑制方法，属于无线通信技术领域。所述方法包括：1、计算各小区内信道矩阵的Frobenius范数，按照范数大小对联合信道矩阵行向量进行调整；2、对调整好的联合信道矩阵进行三角分解，得到等效信道矩阵；3、根据等效接收信号，计算各小区内用户的干扰抑制矩阵；4、基于三角分解后的等效信道矩阵，利用SLNR算法计算各用户的等效预编码矩阵。本发明利用三角分解得到等效信道矩阵模型，在没有进行其他复杂的干扰处理的情况下已经抑制了一半的小区间干扰，再利用SLNR算法抑制剩余的小区间干扰，相较于块对角化算法、接收端的干扰对齐算法等，该方法能够减少接收端矩阵个数简化计算复杂度。

Description

基于三角分解和SLNR算法的多小区多用户同频干扰抑制方法

技术领域

本发明涉及无线通信技术领域，特别是一种抑制多小区多用户下行链路同频干扰的干扰抑制方法。

背景技术

3GPP提出的LTE新一代宽带移动通信系统标准中，多输入多输出(Multiple InputMultiple Output,MIMO)技术因其巨大的复用增益受到了极大的关注。在多用户MIMO下行链路中，为了提高频率利用率，各小区基站复用相同的频率，同时各小区内基站也在同一频率上向多用户发射多个数据流，这使得每个用户都可能不同程度的受到来自本小区和其它小区用户的同频干扰(Co-Channel Interference,CCI)。如果不采取有效的预处理或者干扰抑制方法，将会造成系统性能的严重恶化。

在一般的线性预编码方式下，CCI消除对天线和数据流数有要求，一般来说系统的发射天线数一般不能小于同时服务的所有用户的数据流的总数。例如，块对角化预编码算法就要求基站端发射天线数目不小于所有移动台接收天线数之和，且没有考虑噪声的影响，会引入噪声放大问题，这些约束就限制了它的实际应用。Sadek等定义某用户对其它所有用户的CCI之和为该用户的泄漏，提出将信号与泄漏、噪声之和的比值SLNR(Signal Leakage Noise Ratio,SLNR)最大化，并以此作为发送预编码的选取标准，由于SLNR算法把多用户MIMO系统分解为多个并行独立的单用户MIMO系统，可以不受系统天线数约束独立设计各用户的预编码矩阵，取得了更好的性能和广泛的适用场景。

目前，一些干扰对齐技术应用于多小区蜂窝网络，其目的是减少小区间干扰的同时提升系统容量和自由度。干扰对齐技术需要在用户接收端设计干扰抑制矩阵，将接收到的干扰信号对齐到相应的干扰抑制矩阵的零空间上，以此来达到抑制小区间干扰的目的。然而，这无疑增加了用户接收端矩阵的个数和计算复杂度，使得接收端处理趋于复杂化。

发明内容

本发明的目的就是提供一种基于三角分解和SLNR算法的多小区多用户同频干扰抑制方法，它利用联合信道的三角分解先消除一半的小区间干扰，再利用SLNR算法消除另一半小区间干扰，简化了接收端复杂度，同时不受系统天线数约束独立设计各用户的预编码矩阵。

本发明的目的是通过这样的技术方案实现的，所述多小区多用户通信系统包括有K个小区基站，在每个小区基站内均包括有I个用户终端，各小区基站复用相同的频率，各小区基站在同一频率上向I个用户终端发射多个数据流，其特征在于，干扰抑制的具体步骤为：

1）计算各小区基站到本小区用户信道矩阵的Frobenius范数，根据范数的大小对联合信道矩阵的行向量进行调整；

2）对调整好的联合信道矩阵H进行三角分解，得到等效信道矩阵R；

3）根据等效信道矩阵R，构建小区内干扰抑制矩阵，以消除各小区内用户间干扰；

4）根据三角分解后的等效信道矩阵R，得到等效的接收信号模型Y=RVX+n，其中，V表示等效预编码矩阵、X表示发送信号、n表示噪声；利用SLNR算法计算小区k中用户i的等效预编码矩阵V_i,k，然后反变换得到小区k中用户i的预编码矩阵w_i,k，以消除小区间干扰。

进一步，步骤1）中，没有经过任何干扰抑制处理，小区k的接收信号表达矩阵形式 $y_k=\left[\begin{array}{cccc}{H}_{1k}& H_{2k}& \·\·\·& H_{\mathrm{Kk}}\end{array}\right]\left[\begin{array}{c}{w}_1{x}_1\\ w_2{x}_2\\ \·\\ \·\\ \·\\ w_K{x}_K\end{array}\right]+\left[\begin{array}{c}{n}_1\\ n_2\\ \·\\ \·\\ \·\\ n_K\end{array}\right]$ 为，其中，H_bk表示小区b与小区k之间的信道矩阵， $H_{\mathrm{bk}}={\left[\begin{array}{cccc}{H}_b^{1,k}& H_b^{2,k}& \·\·\·& H_b^{I,k}\end{array}\right]}^T;$ w_k和x_k分别表示小区k中的预编码矩阵和发送数据流，w_k=[w_1,k,w_2,k,…,w_I,k]，x_k=[(x_1,k)^T,(x_2,k)^T,…,(x_I,k)^T]^T；n_k表示白噪声，n_k=[n_1,k n_2,k … n_I,k]^T；将K个小区的接收信号写在一起，就可以得到系统的联合信道矩阵

计算各小区中基站到本小区用户信道矩阵的Frobenius范数，将所得最大范数的对应行调整到第一行，并由此从大到小依次调整联合信道矩阵h的其余行，将调整后每一行对应的小区重新依次命名为1,2,…,K，最终得到调整后的联合信道矩阵

进一步，步骤2）中，对联合信道H进行三角分解

得到等效信道矩阵

R_bk表示小区b和小区k之间的等效信道矩阵， $R_{\mathrm{bk}}={\left[\begin{array}{cccc}{R}_b^{1,k}& R_b^{2,k}& \·\·\·& R_b^{I,k}\end{array}\right]}^T.$

进一步，步骤3）中，令 $\left[\begin{array}{c}{V}_1{x}_1\\ V_2{x}_2\\ \·\\ \·\\ \·\\ V_K{x}_K\end{array}\right]=U\left[\begin{array}{c}{w}_1{x}_1\\ w_2{x}_2\\ \·\\ \·\\ \·\\ w_K{x}_K\end{array}\right],$ 其中，V_k=[V_1，k，V_2，k，…，V_I，k]表示小区k的等效预编码矩阵；将分解后的联合信道矩阵带入接收信号表达式，得到等效接收信号模型

利用干扰抑制矩阵消除小区内用户间干扰，则小区k中用户i的接收信号进一步表示为 $r_{i,k}={\left(u_{i,k}\right)}^H{R}_k^{i,k}{V}_{i,k}{x}_{i,k}+{\left(u_{i,k}\right)}^H\underset{j=1,j\≠i}{\overset{I}{\mathrm{\Σ}}}{R}_k^{j,k}{V}_{j,k}{x}_{j,k}+{\left(u_{i,k}\right)}^H\underset{b=1,b\≠k}{\overset{K}{\mathrm{\Σ}}}{R}_b^{i,k}{V}_{i,b}{x}_{i,b}+{\left(u_{i,k}\right)}^H{n}_{i,k};$ 式中第一部分为小区k中用户i的有用信号，第二部分为小区内用户间干扰，第三部分为小区间干扰；由此可知，利用干扰抑制矩阵消除小区内用户间干扰，只需利用干扰对齐方法，将小区k中用户i接收到的小区内干扰信号对齐到相应的干扰抑制矩阵u_i,k的零空间上，用于消除小区内用户间干扰。

进一步，所述步骤4）中，小区k只有来自小区1,2,...,k-1的小区间干扰，因此从SLNR算法出发，小区k中用户i将信号泄露给了小区k+1,k+2,...,K的用户和本小区其它用户；SLNR方法选择预编码的标准是在一定的功率约束下，使SLNR最大化的矢量，根据广义瑞利商结论，预编码向量之间相互正交，Vi,k取矩阵对最大的d个广义特征值对应的特征向量，就能够使SLNR最大化，即 $V_{i,k}\∝\max .\mathrm{eigenvector}({\left(R_k^{i,k}\right)}^H{R}_k^{i,k},{\left({\tilde{R}}_k^{i,b}\right)}^H{\tilde{R}}_k^{i,b}+N_r{\mathrm{\σ}}_{i,k}^{2}I);$ 最后，由于 $\left[\begin{array}{c}{V}_1{x}_1\\ V_2{x}_2\\ \·\\ \·\\ \·\\ V_K{x}_K\end{array}\right]=U\left[\begin{array}{c}{w}_1{x}_1\\ w_2{x}_2\\ \·\\ \·\\ \·\\ w_K{x}_K\end{array}\right],$ 所以 $\left[\begin{array}{c}{w}_1{x}_1\\ w_2{x}_2\\ \·\\ \·\\ \·\\ w_K{x}_K\end{array}\right]=U^{-1}\left[\begin{array}{c}{V}_1{x}_1\\ V_2{x}_2\\ \·\\ \·\\ \·\\ V_K{x}_K\end{array}\right],$ 当得到等效预编码矩阵V_i,k后，通过上式就可以得到预编码矩阵w_i,k。

由于采用了上述技术方案，本发明具有如下的优点：

本发明结合三角分解和SLNR算法以较低的计算复杂度抑制了多小区多用户间同频干扰。所述方法利用联合信道的三角分解，在用户还没有接收到信号之前先消除了一半的小区间干扰，剩余的小区间干扰再利用SLNR算法进行消除。结合三角分解和SLNR使得用户接收端不需要再增加干扰抑制矩阵消除小区间干扰，减少了接收端抑制小区间干扰的矩阵个数和相应的处理，从而简化了接收端复杂度，同时采用SLNR算法相较于其他受天线和数据流数要求的线性预编码算法而言，SLNR不受系统天线数约束独立设计各用户的预编码矩阵并且考虑了噪声的影响。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。

附图说明

本发明的附图说明如下。

图1为实施例的系统模型示意图；

图2为图1的等效干扰信道模型示意图；

图3为本发明的算法流程框图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图1所示，以3个小区基站，每个小区基站2个用户为例：

本实施例以LTE下行链路多小区多用户网络环境为背景，参照图1所示的系统模型，模型内的所有基站工作在相同的频率资源上，例如LTE系统中同时覆盖的宏小区(Marco cell)、微小区(Pico cell)、家庭基站(Femto cell)，因此系统中存在严重的小区间和小区内同频干扰。小区内各用户尤其是小区边界用户，它们除了能够接收到本小区的有用信号，如图1中信号线表示，还会接收到来自于其他两个小区的同频干扰信号，如图1中箭头表示，同时，各小区内用户间由于同频复用也存在较大的同频干扰。

三个小区中，每个小区基站配置N_t根发送天线，用户配备N_r根接收天线，这可表示为一个(3,N_t)×(2,N_r)的MIMO干扰信道模型，如图2所示。考虑到发送端的信号空间维数，假设每个用户拥有相同的自由度d，同时假定信道是平坦衰落独立同分布的。

第k个小区第i个用户（k=1,2,3，i=1,2）的接收信号为

$y_{i,k}={\left(u_{i,k}\right)}^H{H}_b^{i,k}{w}_k{x}_k+{\left(u_{i,k}\right)}^H\underset{b\≠k,b=1}{\overset{3}{\mathrm{\Σ}}}{H}_b^{i,k}{w}_b{x}_b+{\left(u_{i,k}\right)}^H{n}_{i,k}---\left(1\right)$

其中，x_k=[(x_1,k)^T,(x_2,k)^T]^T表示小区k中由基站发送的2d×1维数据流，x_1,k和x_2,k分别是小区k基站发送给用户1,2的维数为d×1的数据；表示小区b的基站与小区j中第i个用户间的N_r×N_t维的信道矩阵；u_i,k是小区内干扰抑制矩阵，(u_i,k)^Hu_i,k=I_k；w_k=[w_1,k,w_2,k]是维数为N_t×2d的预编码矩阵，w_1,k和w_2,k分别是小区k中用户1,2的预编码矩阵其维数为N_t×d；n_i,k是N_r×1维，均值为0，方差为1，且的高斯加性白噪声。

本发明的主要算法流程参照图3所示。为了得到合适的联合信道矩阵，需对联合接收信号进行适当的调整。本发明通过计算各小区中基站到本小区用户信道矩阵的

范数，根据所得范数的大小进行排序，并从大到小依次将对应的小区命名为1,2,3。

在没有经过任何干扰抑制处理并且调整后的整个系统联合接收信号Y为

$Y=\left[\begin{array}{c}{y}_1\\ y_2\\ y_3\end{array}\right]=\left[\begin{array}{ccc}{H}_{11}& H_{21}& H_{31}\\ H_{12}& H_{22}& H_{32}\\ H_{13}& H_{23}& H_{33}\end{array}\right]\left[\begin{array}{c}{w}_1{x}_1\\ w_2{x}_2\\ w_3{x}_3\end{array}\right]+\left[\begin{array}{c}{n}_1\\ n_2\\ n_3\end{array}\right]---\left(2\right)$

$=\mathrm{HX}+n$

其中， $H_{\mathrm{bj}}={\left[\begin{array}{cc}{H}_b^{1,j}& H_b^{2,j}\end{array}\right]}^T,$ $y_k={\left[\begin{array}{cc}{y}_{1,k}& y_{2,k}\end{array}\right]}^T,$ $n_k={\left[\begin{array}{cc}{n}_{1,k}& n_{2,k}\end{array}\right]}^T.$

对联合信道矩阵H进行三角分解

$H=\mathrm{RU}=\left[\begin{array}{ccc}{R}_{11}& & \\ R_{12}& R_{22}& \\ R_{13}& R_{23}& R_{33}\end{array}\right]U---\left(3\right)$

其中R是维数为6N_r×3N_t的下三角矩阵，U是维数为3N_t×3N_t的酉矩阵；

令 $\left[\begin{array}{c}{V}_1{x}_1\\ V_2{x}_2\\ V_3{x}_3\end{array}\right]=U\left[\begin{array}{c}{w}_1{x}_1\\ w_2{x}_2\\ w_3{x}_3\end{array}\right],$ 则式(2)可改写为

$Y=\left[\begin{array}{c}{y}_1\\ y_2\\ y_3\end{array}\right]=\left[\begin{array}{ccc}{R}_{11}& & \\ R_{12}& R_{22}& \\ R_{13}& R_{23}& R_{33}\end{array}\right]\left[\begin{array}{c}{V}_1{x}_1\\ V_2{x}_2\\ V_3{x}_3\end{array}\right]+\left[\begin{array}{c}{n}_1\\ n_2\\ n_3\end{array}\right]---\left(4\right)$

$y_1=\left[\begin{array}{c}{y}_{\mathrm{1,1}}\\ y_{\mathrm{2,1}}\end{array}\right]=R_{11}{V}_1{x}_1+n_1---\left(5\right)$

$y_2=\left[\begin{array}{c}{y}_{\mathrm{1,2}}\\ y_{\mathrm{2,2}}\end{array}\right]=R_{12}{V}_1{x}_1+R_{22}{V}_2{x}_2+n_2---\left(6\right)$

$y_3=\left[\begin{array}{c}{y}_{\mathrm{1,3}}\\ y_{\mathrm{2,3}}\end{array}\right]=R_{13}{V}_1{x}_1+R_{23}{V}_2{x}_2+R_{33}{V}_3{x}_3+n_3---\left(7\right)$

其中，当b=j时，R_bj表示各小区内的等效信道矩阵；当b≠j时，R_bj表示小区间等效信道矩阵。维数为N_r×N_t的矩阵

和

分别表示小区j发送给用户用户1、2的等效信道矩阵，N_t×d维矩阵V_1,k和V_2,k分别表示用户1、2的等效预编码矩阵；

进一步地，本发明利用小区内干扰抑制矩阵ui,1消除小区1内用户间干扰，用户i的接收信号为

$r_{i,1}={\left(u_{i,1}\right)}^H{R}_1^{i,1}{V}_1{x}_{i,1}+{\left(u_{i,1}\right)}^{H}n={\left(u_{i,1}\right)}^H{R}_1^{i,1}(V_{\mathrm{1,1}}{X}_{\mathrm{1,1}}+V_{\mathrm{2,1}}{X}_{\mathrm{2,1}})+{\left(u_{i,1}\right)}^{H}n---\left(8\right)$

用户1只需将接收到的干扰信号对齐到相应的干扰抑制矩阵u_1,1的零空间上，这样应该满足约束条件：

${\left(u_{\mathrm{1,1}}\right)}^H{R}_1^{\mathrm{1,1}}{V}_{\mathrm{2,1}}=0---\left(9\right)$

因此，u_1，1是最小特征值所对应的特征向量：

$u_{\mathrm{1,1}}=v_{\min }\left(\left(R_1^{\mathrm{1,1}}{V}_{\mathrm{2,1}}\right){\left(R_1^{\mathrm{1,1}}{V}_{\mathrm{2,1}}\right)}^H\right)---\left(10\right)$

同理，用户2的干扰抑制矩阵u_2,1应该满足约束条件：

${\left(u_{\mathrm{2,1}}\right)}^H{R}_1^{\mathrm{2,1}}{V}_{\mathrm{1,1}}=0---\left(11\right)$

所以，干扰抑制矩阵为：

$u_{\mathrm{2,1}}=v_{\min }\left(\left(R_1^{\mathrm{2,1}}{V}_{\mathrm{1,1}}\right){\left(R_1^{\mathrm{2,1}}{V}_{\mathrm{1,1}}\right)}^H\right)---\left(12\right)$

小区内干扰抑制矩阵u_i,2的获得与干扰抑制矩阵u_i,1的获得同理。u_1,2应满足约束条件： ${\left(u_{\mathrm{1,2}}\right)}^H{R}_2^{\mathrm{1,2}}{V}_{\mathrm{2,2}}=0,$ 所以， $u_{\mathrm{1,2}}=v_{\min }\left(\left(R_2^{\mathrm{1,2}}{V}_{\mathrm{2,2}}\right){\left(R_2^{\mathrm{1,2}}{V}_{\mathrm{2,2}}\right)}^H\right).$ u_2,2应满足约束条件： ${\left(u_{\mathrm{2,2}}\right)}^H{R}_2^{\mathrm{2,2}}{V}_{\mathrm{1,2}}=0,$ 所以， $u_{\mathrm{2,2}}=v_{\min }\left(\left(R_2^{\mathrm{2,2}}{V}_{\mathrm{1,2}}\right){\left(R_2^{\mathrm{2,2}}{V}_{\mathrm{1,2}}\right)}^H\right).$

通过三角分解得到等效信道矩阵，从而得到等效的接收信号模型。从等效模型中可知，小区3发送的信号不会对其他小区造成小区间干扰，因此，小区3各用户的预编码矩阵被用来消除小区内用户间干扰。将接收到的干扰信号对齐到相应的预编码矩阵V_i,3的零空间上，这样应该满足约束条件： $\left\{\begin{array}{c}{R}_3^{\mathrm{1,3}}{V}_{\mathrm{2,3}}=0\\ R_3^{\mathrm{2,3}}{V}_{\mathrm{1,3}}=0\end{array}\right.,$ V_i,3是最小特征值所对应的特征向量： $\left\{\begin{array}{c}{V}_{\mathrm{1,3}}=v_{\min }\left(R_3^{\mathrm{2,3}}{\left(R_3^{\mathrm{2,3}}\right)}^H\right)\\ V_{\mathrm{2,3}}=v_{\min }\left(R_3^{\mathrm{1,3}}{\left(R_3^{\mathrm{1,3}}\right)}^H\right)\end{array}\right..$

从等效模型中可以看出，小区2和小区3的用户受到了来自小区1的小区间干扰，结合SLNR算法，也即是小区1中用户1将一部分功率泄漏给了本小区的用户2和小区2、3的用户。信号漏损噪声功率之比为

$\mathrm{SLNR}=\frac{{\left|\right|u_{\mathrm{1,1}}{R}_1^{\mathrm{1,1}}{V}_{\mathrm{1,1}}\left|\right|}_F^2}{{\left|\right|u_{\mathrm{2,1}}{R}_1^{\mathrm{2,1}}{V}_{\mathrm{1,1}}\left|\right|}_F^2+\underset{i=1}{\overset{2}{\mathrm{\Σ}}}\underset{k=2}{\overset{3}{\mathrm{\Σ}}}{\left|\right|u_{i,k}{R}_1^{i,k}{V}_{\mathrm{1,1}}\left|\right|}_F^2+N_r{\mathrm{\σ}}_{\mathrm{1,1}}^2}---\left(13\right)$

由于(u_i,k)^Hu_i,k=I_k，所以

$\mathrm{SLNR}=\frac{{\left|\right|R_1^{\mathrm{1,1}}{V}_{\mathrm{1,1}}\left|\right|}_F^2}{{\left|\right|R_1^{\mathrm{2,1}}{V}_{\mathrm{1,1}}\left|\right|}_F^2+\underset{i=1}{\overset{2}{\mathrm{\Σ}}}\underset{k=2}{\overset{3}{\mathrm{\Σ}}}{\left|\right|R_1^{i,k}{V}_{\mathrm{1,1}}\left|\right|}_F^2+N_r{\mathrm{\σ}}_{\mathrm{1,1}}^2}---\left(14\right)$

SLNR方法选择预编码的标准是在一定的功率约束下，使SLNR最大化的矢量，在这里也即是找到等效预编码矩阵V_1,1满足

$\left\{\begin{array}{c}{V}_{\mathrm{1,1}}=\arg \max \mathrm{SLNR}\\ {\left|\right|V_{\mathrm{1,1}}\left|\right|}_F^2=d\end{array}\right.---\left(15\right)$

将式(14)改写为

$\mathrm{SLNR}=\frac{{\left|\right|R_1^{\mathrm{1,1}}{V}_{\mathrm{1,1}}\left|\right|}^2}{{\left|\right|{\tilde{R}}_1^{i,k}{V}_{\mathrm{1,1}}\left|\right|}^2+N_r{\mathrm{\σ}}_{\mathrm{1,1}}^2}---\left(16\right)$

根据广义瑞利商结论，预编码向量之间相互正交，V_1，1取矩阵对

最大的d个广义特征值对应的特征向量，就能够使SLNR最大化，也即是

$V_{\mathrm{1,1}}\∝\max .\mathrm{eigenvector}({\left(R_1^{\mathrm{1,1}}\right)}^H{R}_1^{\mathrm{1,1}},{\left({\tilde{R}}_1^{i,k}\right)}^H{\tilde{R}}_1^{i,k}+N_r{\mathrm{\σ}}_{\mathrm{1,1}}^{2}I)---\left(17\right)$

同理，小区1中用户2的预编码矩阵V_2,1应满足

$V_{\mathrm{2,1}}\∝\max .\mathrm{eigenvector}({\left(R_1^{\mathrm{2,1}}\right)}^H{R}_1^{\mathrm{2,1}},{\left({\tilde{R}}_1^{i,k}\right)}^H{\tilde{R}}_1^{i,k}+N_r{\mathrm{\σ}}_{\mathrm{2,1}}^{2}I)---\left(18\right)$

从等效接收信号模型中可知，小区2中用户1将一部分功率泄漏给了本小区的用户2和小区3的用户。同理，结合SLNR算法可以得到

$V_{\mathrm{1,2}}\∝\max .\mathrm{eigenvector}({\left(R_2^{\mathrm{1,2}}\right)}^H{R}_2^{\mathrm{1,2}},{\left({\tilde{R}}_2^{i,k}\right)}^H{\tilde{R}}_2^{i,k}+N_r{\mathrm{\σ}}_{\mathrm{1,2}}^{2}I)---\left(19\right)$

$V_{\mathrm{2,2}}\∝\max .\mathrm{eigenvector}({\left(R_2^{\mathrm{2,2}}\right)}^H{R}_2^{\mathrm{2,2}},{\left({\tilde{R}}_2^{i,k}\right)}^H{\tilde{R}}_2^{i,k}+N_r{\mathrm{\σ}}_{\mathrm{2,2}}^{2}I)---\left(20\right)$

通过等效预编码矩阵变换公式的反变换，最终得到预编码矩阵w_i,k。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.基于三角分解和SLNR算法的多小区多用户同频干扰抑制方法，所述多小区多用户通信系统包括有K个小区基站，在每个小区基站内均包括有I个用户终端，各小区基站复用相同的频率，各小区基站在同一频率上向I个用户终端发射多个数据流，其特征在于，干扰抑制的具体步骤为：

1）计算各小区基站到本小区用户信道矩阵的Frobenius范数，根据范数的大小对联合信道矩阵的行向量进行调整；

2）对调整好的联合信道矩阵H进行三角分解，得到等效信道矩阵R；

3）根据等效信道矩阵R，构建小区内干扰抑制矩阵，以消除各小区内用户间干扰；

4）根据三角分解后的等效信道矩阵R，得到等效的接收信号模型Y=RVX+n，其中，V表示等效预编码矩阵、X表示发送信号、n表示噪声；利用SLNR算法计算小区k中用户i的等效预编码矩阵V_i,k，然后反变换得到小区k中用户i的预编码矩阵w_i,k，以消除小区间干扰。

2.如权利要求1所述的基于三角分解和SLNR算法的多小区多用户同频干扰抑制方法，其特征在于：步骤1）中，没有经过任何干扰抑制处理，小区k的接收信号表达矩阵形式 $y_k=\left[\begin{array}{cccc}{H}_{1k}& H_{2k}& \·\·\·& H_{\mathrm{Kk}}\end{array}\right]\left[\begin{array}{c}{w}_1{x}_1\\ w_2{x}_2\\ \·\\ \·\\ \·\\ w_K{x}_K\end{array}\right]+\left[\begin{array}{c}{n}_1\\ n_2\\ \·\\ \·\\ \·\\ n_K\end{array}\right]$ 为，其中，H_bk表示小区b与小区k之间的信道矩阵， $H_{\mathrm{bk}}={\left[\begin{array}{cccc}{H}_b^{1,k}& H_b^{2,k}& \·\·\·& H_b^{I,k}\end{array}\right]}^T;$ w_k和x_k分别表示小区k中的预编码矩阵和发送数据流，w_k=[w_1,k,w_2,k,…,w_I,k]，x_k＝[(x_1，k)^T，(x_2，k)^T，…，(x_I，k)^T]^T；n_k表示白噪声，n_k=[n_1,k n_2,k … n_I,k]^T；将K个小区的接收信号写在一起，就可以得到系统的联合信道矩阵

计算各小区中基站到本小区用户信道矩阵的Frobenius范数，将所得最大范数的对应行调整到第一行，并由此从大到小依次调整联合信道矩阵h的其余行，将调整后每一行对应的小区重新依次命名为1,2,…,K，最终得到调整后的联合信道矩阵

3.如权利要求1所述的基于三角分解和SLNR算法的多小区多用户同频干扰抑制方法，其特征在于：步骤2）中，对联合信道H进行三角分解

得到等效信道矩阵

R_bk表示小区b和小区k之间的等效信道矩阵， $R_{\mathrm{bk}}={\left[\begin{array}{cccc}{R}_b^{1,k}& R_b^{2,k}& \·\·\·& R_b^{I,k}\end{array}\right]}^T.$

4.如权利要求1所述的基于三角分解和SLNR算法的多小区多用户同频干扰抑制方法，其特征在于：步骤3）中，令 $\left[\begin{array}{c}{V}_1{x}_1\\ V_2{x}_2\\ \·\\ \·\\ \·\\ V_K{x}_K\end{array}\right]=U\left[\begin{array}{c}{w}_1{x}_1\\ w_2{x}_2\\ \·\\ \·\\ \·\\ w_K{x}_K\end{array}\right],$ 其中，V_k=[V_1,k,V_2,k,…,V_I,k]表示小区k的等效预编码矩阵；将分解后的联合信道矩阵带入接收信号表达式，得到等效接收信号模型

利用干扰抑制矩阵消除小区内用户间干扰，则小区k中用户i的接收信号进一步表示为 $r_{i,k}={\left(u_{i,k}\right)}^H{R}_k^{i,k}{V}_{i,k}{x}_{i,k}+{\left(u_{i,k}\right)}^H\underset{j=1,j\≠i}{\overset{I}{\mathrm{\Σ}}}{R}_k^{j,k}{V}_{j,k}{x}_{j,k}+{\left(u_{i,k}\right)}^H\underset{b=1,b\≠k}{\overset{K}{\mathrm{\Σ}}}{R}_b^{i,k}{V}_{i,b}{x}_{i,b}+{\left(u_{i,k}\right)}^H{n}_{i,k};$ 式中第一部分为小区k中用户i的有用信号，第二部分为小区内用户间干扰，第三部分为小区间干扰；由此可知，利用干扰抑制矩阵消除小区内用户间干扰，只需利用干扰对齐方法，将小区k中用户i接收到的小区内干扰信号

对齐到相应的干扰抑制矩阵u_i,k的零空间上，用于消除小区内用户间干扰。

5.如权利要求1所述的基于三角分解和SLNR算法的多小区多用户同频干扰抑制方法，其特征在于：所述步骤4）中，小区k只有来自小区1,2,...,k-1的小区间干扰，因此从SLNR算法出发，小区k中用户i将信号泄露给了小区k+1,k+2,...,K的用户和本小区其它用户；SLNR方法选择预编码的标准是在一定的功率约束下，使SLNR最大化的矢量，根据广义瑞利商结论，预编码向量之间相互正交，V_i,k取矩阵对

最大的d个广义特征值对应的特征向量，就能够使SLNR最大化，即 $V_{i,k}\∝\max .\mathrm{eigenvector}({\left(R_k^{i,k}\right)}^H{R}_k^{i,k},{\left({\tilde{R}}_k^{i,b}\right)}^H{\tilde{R}}_k^{i,b}+N_r{\mathrm{\σ}}_{i,k}^{2}I);$ 最后，由于 $\left[\begin{array}{c}{V}_1{x}_1\\ V_2{x}_2\\ \·\\ \·\\ \·\\ V_K{x}_K\end{array}\right]=U\left[\begin{array}{c}{w}_1{x}_1\\ w_2{x}_2\\ \·\\ \·\\ \·\\ w_K{x}_K\end{array}\right],$ 所以 $\left[\begin{array}{c}{w}_1{x}_1\\ w_2{x}_2\\ \·\\ \·\\ \·\\ w_K{x}_K\end{array}\right]=U^{-1}\left[\begin{array}{c}{V}_1{x}_1\\ V_2{x}_2\\ \·\\ \·\\ \·\\ V_K{x}_K\end{array}\right],$ 当得到等效预编码矩阵V_i,k后，通过上式就可以得到预编码矩阵w_i,k。

Images