CN103384228B - 一种多用户mimo广播信道的连续预编码和用户选择联合算法 - Google Patents

Abstract

本发明公开了一种多用户MIMO广播信道的连续预编码和用户选择联合算法，将所有未选择用户的预编码向量到所有已选择用户的预编码向量构成的正交补空间的归一化投影向量作为用户新的预编码向量，根据每个用户的信号与干扰加噪声比进行用户选择，每次选择一个用户，直至达到预设的用户数量，从而得到每个选择用户的最佳预编码向量。本发明算法复杂度较低，能有效抑制多用户干扰，与传统的方法相比，提升了信道容量，尤其是在用户数量较大、信噪比较高的情况下能有效提高系统性能。

Description

一种多用户MIMO广播信道的连续预编码和用户选择联合算法

技术领域

本发明属于移动通信技术领域，更为具体地讲，涉及一种多用户MIMO广播信道的连续预编码和用户选择联合算法。

背景技术

在基于有限反馈的多用户MIMO(Multiple-Input Multiple-Output，多输入多输出)下行广播信道模型下，为了实现空间复用提高数据传输速率，基站往往选择多个用户同时进行通信，多用户MIMO技术利用多天线提供的空间自由度分离用户，各个用户可以占用相同的时频资源，通过时频资源复用的方式有效地提高小区平均吞吐量。在小区负载较重时，通过简单的多用户调度算法就可以获得显著的多用户复用增益，是获得高系统容量的有效手段。然而由于在相同的时频资源内同时有多个用户和基站通信，会造成用户间的干扰。在进行用户间的干扰抑制时，主要需要解决两个问题：1)如何选择最佳的用户组合，使得最大化系统容量的同时更有利于抑制干扰；2)在用户选择的同时设计出高效的发射端信号处理算法以抑制多用户之间的干扰。

理论上，多用户MIMO的信道容量与广播信道的容量是一致的。一种可以达到多用户MIMO信道容量的算法为DPC(Dirty Paper Coding，脏纸编码)算法，其核心思想是当发射端已知干扰时，对干扰进行预先补偿，此时信道容量和系统中没有干扰时一样。对于多用户MIMO下行广播信道，基站对所有用户发射信号，其中伴随着的干扰在终端侧是已知的，而在基站侧是未知的，若终端将干扰信息反馈给基站，理论上也可以通过在发射端设计线性预编码来抑制干扰。无论是应用线性预编码还是非线性的DPC算法，发射端进行干扰抑制或者干扰补偿的一个前提条件是必须获取基站到终端的信道状态信息。然而，DPC算法需要基站端完美的信道估计，并且选择用户时所有用户组合进行全搜索带来的高复杂度，也使得该算法不适用于实际的通信系统。

另外一种是基于连续ZF(zero forcing，迫零)预编码的遗传和贪婪用户调度算法，该算法虽然降低了用户调度复杂度，但是仍然需要基站端完美获取信道状态信息。另外提出的一种基于SLNR(Signal to Leakage Plus Noise Ratio，信号泄漏噪声比)的算法，仅仅需要用户端反馈有限比特数以表示信道状态信息，并且以最大化SLNR作为目标函数的用户调度和预编码方案，这种基于SLNR的算法具有复杂度低、易于实现的优点，然而到目前为止并没有相关文献证明SLNR和系统容量具有直接关系，因此该算法不能最大化系统吞吐量，并且在信道估计误差较大的情况下，其性能下降得很快。另一种是基于SINR(Signal toInterference plus Noise Ratio，信号与干扰加噪声比)估计的联合用户配对和预编码算法，该算法在信道不完美估计条件下具有较好的性能，但是它简化了预编码向量设计的过程，在得到第一个所选用户的时候便确定了其他所有用户的预编码向量，没有考虑到其他用户的初始预编码向量方向，因此导致了一部分容量损失。

发明内容

本发明的目的在于克服现有技术的不足，提供一种多用户MIMO广播信道的连续预编码和用户选择联合算法，在基于有限反馈的多用户MIMO下行广播信道下抑制用户间干扰，增大信道容量，提高系统性能。

为实现上述发明目的，本发明提供一种多用户MIMO广播信道的连续预编码和用户选择联合算法，其特征在于包括以下步骤：

S1：每个用户k,k＝1,2,…,K，其中K是用户总数，计算其信道矩阵H_k的最大奇异值和信道矩阵H_k经奇异值分解的右非奇异矩阵V_k的第一列[V_k]₁，根据码本映射方法得到初始预编码向量a_k及其码本序号，向基站反馈最大奇异值右非奇异矩阵V_k的第一列[V_k]₁和初始预编码向量a_k的码本序号；

S2：基站接收所有用户的反馈信息，将每个用户的初始预编码向量作为其最佳预编码向量；

S3：基站根据最佳预编码向量估计每个未选择用户的信号与干扰加噪声比SINR，选择具有最大SINR的用户；

S4：如果已选择用户数量达到预设的用户总量，算法结束，否则进入步骤S5；

S5：计算所有未选择用户的最佳预编码向量到所有已选择用户的最佳预编码向量构成的正交补空间的归一化投影向量；以所有未选择用户的归一化投影向量更新其最佳预编码向量，返回步骤S3。

其中，码本映射方法为：所有用户和基站共享一个预设的码本矩阵码本矩阵C的每个元素均为一个备选预编码向量，用户k将信道矩阵H_k进行奇异值分解，得到右非奇异矩阵的第一列[V_k]₁，根据最小化弦距离准则将[V_k]₁与每个备选预编码向量相比较得到用户k对应的预编码向量a_k，将该预编码向量在码本矩阵C中的序号返回给基站。

其中，步骤S3中信号与干扰加噪声比SINR的估计公式为：

${\mathrm{SINR}}_j=\frac{{\left({\mathrm{\λ}}_j^{\max }\right)}^2|{\[V_j\]}_1^H{t}_j{|}^2}{{\left({\mathrm{\λ}}_j^{\max }\right)}^2(1-|{\[V_j\]}_1^H{t}_j{|}^2)+\frac{1}{\mathrm{\β}}}$

其中，表示第j个未选择用户信道矩阵H_j的最大奇异值，[V_j]₁表示第j个未选择用户信道矩阵H_j经奇异值分解的右非奇异矩阵V_j的第一列，t_j是第j个未选择用户的最佳预编码向量，β表示每个用户的功率平均分配以及完美的功率控制时用户每根天线的接收信噪比。

本发明多用户MIMO广播信道的连续预编码和用户选择联合算法，将所有未选择用户的预编码向量到所有已选择用户的预编码向量构成的正交补空间的归一化投影向量作为用户新的预编码向量，根据每个用户SINR进行用户选择，每次选择一个用户，直至达到预设的用户数量，从而得到每个选择用户的最佳预编码向量。本发明算法复杂度较低，能有效抑制多用户干扰，与传统的方法相比，提升了信道容量，尤其是在用户数量较大、信噪比较高的情况下能有效提高系统性能。

附图说明

图1是多用户MIMO下行广播信道的系统模型示意图；

图2是本发明多用户MIMO广播信道的连续预编码和用户选择联合算法的一种具体实施方式流程图；

图3是本发明与两种现有算法的和速率随信噪比变化的仿真对比图；

图4是本发明与两种现有算法的和速率随用户数变化的仿真对比图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

在阐述具体实施方式之前，首先介绍本发明所用的术语和使用到的公式定理。

图1是多用户MIMO下行广播信道的系统模型示意图。如图1所示，在多用户MIMO系统中，用户总数为K，基站的发射天线数为M，因此多用户MIMO下行广播信道中，最大可存在M个用户，考虑单用户单流的情况下，当K＞M时，需要从用户中进行用户选择。第k,1≤k≤K个用户的接收信号可以表示为：

$y_k={\stackrel{\‾}{g}}_k(H_k{t}_k\sqrt{p_k}{s}_k+H_k\underset{i=1,i\≠k}{\overset{M}{\Σ}}{t}_i\sqrt{p_i}{s}_i+n_k)---\left(1\right)$

其中，s_k和p_k分别表示用户k的数据符号和发射功率，数据符号功率假设已经归一化，而发射功率p_k满足约束条件P为所有用户的功率总和。t_k是M×1的预编码向量，是1×N_k的接收波束赋形向量，其中N_k是用户k的接收天线数量，同样t_k和都已归一化。H_k表示用户的N_k×M信道矩阵，矩阵的每个元素符合零均值单位方差的独立高斯分布，n_k表示每个元素都符合零均值σ²方差高斯分布的加性白噪声向量。此算法假设每个用户的功率平均分配以及完美的功率控制，因此用户端每根天线的接收SNR(Signal-to-NoiseRatio，信噪比)可以表示为β＝1/σ²。采用MMSE(Minimum mean-square error，最小均方误差估计)的接收合并方式，接收合并向量g_k可以表示为：

$g_k={\left(H_k{t}_k\right)}^H{\left(\right(H_k{t}_k){\left(H_k{t}_k\right)}^H+\frac{1}{\mathrm{\β}}{I}_{N_k})}^{-1}---\left(2\right)$

其中，是N_k*N_k的单位矩阵，β是每个用户的功率平均分配以及完美的功率控制时用户每根天线的接收信噪比。

将接收合并向量g_k归一化，即可得到接收波束赋形向量其中||g_k||表示g_k的范数，则用户k的SINR可以表示为：

${\mathrm{SINR}}_k=\frac{|{\stackrel{\‾}{g}}_k{H}_k{t}_k{|}^2}{\underset{i=1,i\≠k}{\overset{M}{\Σ}}|{\stackrel{\‾}{g}}_k{H}_k{t}_i{|}^2+\frac{1}{\mathrm{\β}}}---\left(3\right)$

为了最大化信道等效增益，用户k的最佳预编码向量t_k应取信道矩阵奇异值分解(Singular Value Decomposation,SVD)后右非奇异矩阵的第一列，即：t_k＝[V_k]₁，其中V_k表示信道矩阵SVD分解结果的右非奇异矩阵。

考虑到基站端不完美的信道估计以及用户间的干扰协调，对于第k个用户而言最后使用的最佳预编码向量t_k并不是精确的[V_k]₁，但是两者仍然相当接近，因此采用[V_k]₁来近似产生g_k，可以得到：

$\begin{array}{c}{g}_k={\left(H_k{t}_k\right)}^H{\left(\right(H_k{t}_k){\left(H_k{t}_k\right)}^H+\frac{1}{\mathrm{\β}}{I}_{N_k})}^{-1}\\ \≈{\left(H_k{\[V_k\]}_1\right)}^H{(H_k{\[V_k\]}_1^H{H}_k^H+\frac{1}{\mathrm{\β}}{I}_{N_k})}^{-1}\\ ={\left(U_k\left[\begin{array}{c}{\mathrm{\λ}}_k^{\max }\\ 0\\ .\\ .\\ .\\ 0\end{array}\right]\right)}^H{\left(U_{k}diag\right({\left({\mathrm{\λ}}_k^{\max }\right)}^2,0,\mathrm{...},0)U_k^H+\frac{1}{\mathrm{\β}}{I}_{N_k})}^{-1}\\ ={\mathrm{\λ}}_k^{\max }{\[U_k\]}_1^H{U}_k{\left(diag\right({\left({\mathrm{\λ}}_k^{\max }\right)}^2+\frac{1}{\mathrm{\β}},\frac{1}{\mathrm{\β}},\mathrm{...},\frac{1}{\mathrm{\β}}\left)\right)}^{-1}{U}_k^H\\ ={\mathrm{\λ}}_k^{\max }\[1,0,\mathrm{...},0\]{\left(diag\right({\left({\mathrm{\λ}}_k^{\max }\right)}^2+\frac{1}{\mathrm{\β}},\frac{1}{\mathrm{\β}},\mathrm{...},\frac{1}{\mathrm{\β}}\left)\right)}^{-1}{U}_k^H\\ =\frac{{\mathrm{\λ}}_k^{\max }}{{\left({\mathrm{\λ}}_k^{\max }\right)}^2+\frac{1}{\mathrm{\β}}}{\[U_k\]}_1^H\end{array}---\left(4\right)$

其中，表示信道矩阵H_k的最大奇异值。

可得：

$\left|\right|g_k\left|\right|=\frac{{\mathrm{\λ}}_k^{\max }}{{\left({\mathrm{\λ}}_k^{\max }\right)}^2+\frac{1}{\mathrm{\β}}}---\left(5\right)$

因此：

$\begin{array}{c}{g}_k{H}_k{t}_k=\frac{{\mathrm{\λ}}_k^{\max }}{{\left({\mathrm{\λ}}_k^{\max }\right)}^2+\frac{1}{\mathrm{\β}}}{\[U_k\]}_1^H{U}_k{\Σ}_k{V}_k^H{t}_k\\ =\frac{{\mathrm{\λ}}_k^{\max }}{{\left({\mathrm{\λ}}_k^{\max }\right)}^2+\frac{1}{\mathrm{\β}}}\[{\mathrm{\λ}}_k^{\max },0,\mathrm{...},0\]V_k^H{t}_k\\ =\frac{{\left({\mathrm{\λ}}_k^{\max }\right)}^2}{{\left({\mathrm{\λ}}_k^{\max }\right)}^2+\frac{1}{\mathrm{\β}}}{\[V_k\]}_1^H{t}_k\end{array}---\left(6\right)$

类似可以得到：

$g_k{H}_k{t}_i=\frac{{\left({\mathrm{\λ}}_k^{\max }\right)}^2}{{\left({\mathrm{\λ}}_k^{\max }\right)}^2+\frac{1}{\mathrm{\β}}}{\[V_k\]}_1^H{t}_i---\left(7\right)$

将(5)、(6)、(7)式代入(3)式，得到：

$\begin{array}{c}{\mathrm{SINR}}_k=\frac{|{\stackrel{\‾}{g}}_k{H}_k{t}_k{|}^2}{\underset{i=1,i\≠k}{\overset{M}{\Σ}}|{\stackrel{\‾}{g}}_k{H}_k{t}_i{|}^2+\frac{1}{\mathrm{\β}}}\\ =\frac{|\frac{g_k{H}_k{t}_k}{\left|\right|g_k\left|\right|}{|}^2}{\underset{i=1,i\≠k}{\overset{M}{\Σ}}|\frac{g_k{H}_k{t}_i}{\left|\right|g_k\left|\right|}{|}^2+\frac{1}{\mathrm{\β}}}\\ =\frac{{\left({\mathrm{\λ}}_k^{\max }\right)}^2|{\[V_k\]}_1^H{t}_k{|}^2}{{\left({\mathrm{\λ}}_k^{\max }\right)}^2\underset{i=1,i\≠k}{\overset{M}{\Σ}}|{\[V_k\]}_1^H{t}_i{|}^2+\frac{1}{\mathrm{\β}}}\end{array}---\left(8\right)$

采用酉矩阵预编码方法，将所有被调度用户的最佳预编码向量t_k，k＝1,2,…,M构成酉矩阵，根据向量乘以一个酉矩阵范数不变的准则，得到：

$\begin{array}{c}\underset{i=1,i\≠k}{\overset{M}{\Σ}}|{\[V_k\]}_1^H{t}_i{|}^2=\underset{i=1}{\overset{M}{\Σ}}|{\[V_k\]}_1^H{t}_i{|}^2-|{\[V_k\]}_1^H{t}_k{|}^2\\ =\left|\right|{\[V_k\]}_1^H\[t_1,\mathrm{...},t_M\]|{|}^2-|{\[V_k\]}_1^H{t}_k{|}^2\\ =1-|{\[V_k\]}_1^H{t}_k{|}^2\end{array}---\left(9\right)$

将(9)式代入(3)式，用户k的SINR可以近似表示如下：

${\mathrm{SINR}}_k=\frac{{\left({\mathrm{\λ}}_k^{\max }\right)}^2|{\[V_k\]}_1^H{t}_k{|}^2}{{\left({\mathrm{\λ}}_k^{\max }\right)}^2(1-|{\[V_k\]}_1^H{t}_k{|}^2)+\frac{1}{\mathrm{\β}}}---\left(10\right)$

本发明中，采用(10)式进行SINR估计。下面对本发明的具体实施方式进行阐述。图2是本发明多用户MIMO广播信道的连续预编码和用户选择联合算法的一种具体实施方式流程图。如图2所示，本发明多用户MIMO广播信道的连续预编码和用户选择联合算法包括以下步骤：

S101：每个用户k,k＝1,2,…,K计算其信道矩阵H_k的最大奇异值和信道矩阵H_k经奇异值分解的右非奇异矩阵V_k的第一列[V_k]₁，根据码本映射方法得到初始预编码向量a^k及其码本序号，向基站反馈最大奇异值右非奇异矩阵V_k的第一列[V_k]₁和初始预编码向量a_k的码本序号。

在有限反馈条件下，通常使用码本映射方法来实现终端向基站的信息反馈。所有用户和基站共享一个预设的码本矩阵包括2^B个码字，每个码字c_i均是一个备选的初始预编码向量。用户k将信道矩阵H_k进行奇异值分解，得到右非奇异矩阵的第一列[V_k]₁，根据最小化弦距离准则将[V_k]₁与码本矩阵中每个元素相比较得到用户k对应的初始预编码向量a_k，也就是：

$a_k=\underset{c_i\∈C}{\mathrm{argmax}}|{\[V_k\]}_1^H{c}_i{|}^2$

将该初始预编码向量a_k在码本矩阵C的序号返回给基站。

S102：基站接收所有用户的反馈信息，将每个用户k的初始预编码向量a_k作为其最佳预编码向量t_k。

S103：基站根据最佳预编码向量估计每个未选择用户的SINR，选择具有最大SINR的用户。

根据(10)式可以得到每次选择最大SINR用户的公式为：

${\mathrm{SINR}}_j=\frac{{\left({\mathrm{\λ}}_j^{\max }\right)}^2|{\[V_j\]}_1^H{t}_j{|}^2}{{\left({\mathrm{\λ}}_j^{\max }\right)}^2(1-|{\[V_j\]}_1^H{t}_j{|}^2)+\frac{1}{\mathrm{\β}}}$

其中，表示第j个未选择用户信道矩阵H_j的最大奇异值，[V_j]₁表示第j个未选择用户信道矩阵H_j经奇异值分解的右非奇异矩阵V_j的第一列，t_j是第j个未选择用户的最佳预编码向量，β表示每个用户的功率平均分配以及完美的功率控制时用户每根天线的接收信噪比。j∈S，S表示当前所有未被选择的用户集合。

计算每个未选择用户的SINR，第一次进行用户选择时，最佳预编码向量t_k即为每个用户的初始预编码向量a_k。被选择用户最终使用的预编码向量即为被选择时的最佳预编码向量。

S104：如果已选择用户数量达到预设的用户总量，算法结束，否则进入步骤S105。

用户总量可以根据系统实际情况进行设置，最大不超过基站的发射天线数M。

S105：计算所有未选择用户的预编码向量到所有已选择用户的预编码向量构成的正交补空间的归一化投影向量，以所有未选择用户的归一化投影向量更新其最佳预编码向量t_k，返回步骤S103。

正交补空间的计算方法有多种，本实施方式中选择采用SVD分解方法。例如当选择第一个用户后，该用户1的最佳预编码向量记为t₁，对t₁作SVD分解，即t₁＝U∑V^H，其中U＝[u₁,u₂,…,u_M]，这样，t₁的正交补空间可以表示为[u₂,…,u_M]。再计算其他未选择用户的最佳预编码向量到[u₂,…,u_M]的归一化投影向量，该归一化投影向量即作为下一轮调度选择中各未选择用户的新的最佳预编码向量。当已选择用户为多个时，将所有已选择用户的最佳预编码向量依次按列放置构成一个矩阵，再对此矩阵进行SVD分解，得到正交补空间。

在此时返回S103进行未选择用户的SINR估计时，采用的最佳预编码向量t_k是未选择用户的归一化投影向量。由于在S101中，初始预编码向量a_k采用右非奇异矩阵的第一列[V_k]₁根据最小化弦距离准则得到，即a_k≈[V_k]₁，因此在此时进行SINR估计时，估计公式可以采用：

${\mathrm{SINR}}_j=\frac{{\left({\mathrm{\λ}}_j^{\max }\right)}^2|{\[V_j\]}_1^H{t}_j{|}^2}{{\left({\mathrm{\λ}}_j^{\max }\right)}^2\left(1-|{\[V_j\]}_1^H{t}_j{|}^2\right)+\frac{1}{\mathrm{\β}}}\≈\frac{{\left({\mathrm{\λ}}_j^{\max }\right)}^2|{a_j}^H{t}_j{|}^2}{{\left({\mathrm{\λ}}_j^{\max }\right)}^2\left(1-|{a_j}^H{t}_j{|}^2\right)+\frac{1}{\mathrm{\β}}}---\left(11\right)$

根据步骤S103至步骤S105的循环，实现用户预编码向量确定和用户选择连续交替进行。

实施例

本实施例采用Monte Carlo的仿真方法，将本发明提出连续预编码和用户选择联合算法与现在较为常用两种算法进行比较，一种是基于SLNR调度和预编码的算法，具体参考：Xia X,Wu G,Liu J,et al.Leakage-based user scheduling in MU-MIMO broadcastchannel[J].Science in China Series F:Information Sciences,2009,52(12):2259-2268；另一种是联合预编码和用户配对算法，具体参考Xia X,Fang S,Wu G,et al.Jointuser pairing and precoding in MU-MIMO broadcast channel with limited feedback[J].Communications Letters,IEEE,2010,14(11):1032-1034。仿真参数为：基站天线数M＝4，各用户天线数均为N_k＝1，码本采用7比特的Grassmannian码本。信道各元素服从零均值单位方差高斯分布。仿真次数为2000次。

图3是本发明与两种现有算法的和速率随信噪比变化的仿真对比图。其中，总用户数K＝20。如图3所示，本发明提出的连续预编码和用户选择联合算法比联合预编码和用户配对算法具有更高的吞吐量，并且在高SNR区域，图3中为17dB以上，本发明比基于SLNR的调度和预编码的算法展现出更好的性能。这是因为基于SLNR算法的优越性在于它在计算预编码向量时具有精确的闭式解，这种优越性会随着信道的不完美估计快速地减弱。

图4是本发明与两种现有算法的和速率随用户数变化的仿真对比图。其中SNR＝15dB。如图4所示，本发明提出的连续预编码和用户选择联合算法具有更好的吞吐量性能，并且在K较大，图4中为21以上的时候，本算法相比于基于SLNR的算法展现出更好的性能。类似于上面所提到的，用户数目的增加导致用户间干扰情况越来越复杂，有限的反馈比特数影响了SLNR算法优越性的发挥，而本发明连续预编码和用户选择联合算法可以消除这种影响，从而得到较好的系统性能。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (4)

1.一种多用户MIMO广播信道的连续预编码和用户选择联合算法，其特征在于，包括以下步骤：

S1：每个用户k计算其信道矩阵H_k的最大奇异值和信道矩阵H_k经奇异值分解的右非奇异矩阵V_k的第一列[V_k]₁，根据码本映射方法得到初始预编码向量a_k及其码本序号，向基站反馈最大奇异值右非奇异矩阵V_k的第一列[V_k]₁和初始预编码向量a_k的码本序号；

S2：基站接收所有用户的反馈信息，将每个用户的初始预编码向量作为其最佳预编码向量；

S3：基站根据最佳预编码向量估计每个未选择用户的信号与干扰加噪声比SINR，选择具有最大SINR的用户；

S4：如果已选择用户数量达到预设的用户总量，算法结束，否则进入步骤S5；

S5：计算所有未选择用户的最佳预编码向量到所有已选择用户的最佳预编码向量构成的正交补空间的归一化投影向量，以所有未选择用户的归一化投影向量更新其最佳预编码向量，返回步骤S3。

2.根据权利要求1所述的连续预编码和用户选择联合算法，其特征在于，所述步骤S1中码本映射方法为：所有用户和基站共享一个预设的码本矩阵码本矩阵C的每个元素均为一个备选预编码向量，用户k将信道矩阵H_k进行奇异值分解，得到右非奇异矩阵的第一列[V_k]₁，根据最小化弦距离准则将[V_k]₁与每个备选预编码向量相比较得到用户k对应的预编码向量a_k，将该预编码向量在码本矩阵C中的序号返回给基站。

3.根据权利要求1所述的连续预编码和用户选择联合算法，其特征在于，所述步骤S3中信号与干扰加噪声比SINR的估计公式为：

${\mathrm{SINR}}_j=\frac{{\left({\mathrm{\λ}}_j^{\max }\right)}^2{\left|{\[V_j\]}_1^H{t}_j\right|}^2}{{\left({\mathrm{\λ}}_j^{\max }\right)}^2(1-{\left|{\[V_j\]}_1^H{t}_j\right|}^2)+\frac{1}{\mathrm{\β}}}$

其中，表示第j个未选择用户信道矩阵H_j的最大奇异值，[V_j]₁表示第j个未选择用户信道矩阵H_j经奇异值分解的右非奇异矩阵V_j的第一列，t_j是第j个未选择用户的最佳预编码向量，β表示每个用户的功率平均分配以及完美的功率控制时用户每根天线的接收信噪比。

4.根据权利要求1所述的连续预编码和用户选择联合算法，其特征在于，所述步骤S5中正交补空间通过对已选择用户的最佳预编码向量构成的矩阵进行奇异值分解得到。