CN103402268A - 一种基于改进的弦距离的下行mu_comp调度算法 - Google Patents

Abstract

一种基于改进的弦距离的下行MU_COMP调度算法，包括如下步骤：S1边缘小区用户检测当前干扰信号的强度并反馈当前信干噪比，根据信干噪比确定协作传输模式下的激活用户集;S2建立候选用户集和已选用户集合，其中所述候选用户集包括激活用户集中用户，选将所述候选用户集中F范数最大的用户之一添加到已选用户集，并计算已选用户集中用户的信道容量；S3计算所述候选用户集中每个用户信道矩阵与已选用户集中联合信道矩阵的弦距离；S4选出用户信道矩阵与已选用户集中联合信道矩阵的弦距离最大的用户；S5判断已选用户集中用户是否到用户上限，若到用户上限则跳转步骤S2，若未达到上限，则跳转步骤S6；S6对已选用户集中的边缘小区用户分别设计块对角化预编码矩阵，协作基站使用块对角化预编码矩阵对边缘小区用户进行联合预编码和发送。

Description

一种基于改进的弦距离的下行MU_COMP调度算法

技术领域

本发明涉及基于改进的弦距离的下行MU_COMP调度算法。

背景技术

随着移动通信用户数量的增加以及无线宽带业务（多媒体业务）的兴起，要求移动通信系统进一步提高数据传输速率和频谱利用率，因此实际应用中采取了同频组网的方式，使得小区边缘用户将接收来自相邻小区的干扰，这严重的限制了边缘用户的服务质量和吞吐量，而协作传输模式下（COMP）的单用户调度相比多用户调度已无法满足系统对吞吐量的需求，但多用户调度中存在用户之间的干扰，为了避免干扰，传统的基于弦距离多用户调度算法用F范数衡量用户信道状况，用弦距离衡量信道相关性，并以F范数α次方和弦距离的乘积为准则进行用户选择，复杂度比较高。

发明内容

本发明的目的是针对已有弦算法的不足，提出一种基于改进的弦距离的下行多用户调度算法，兼顾系统性能的同时降低系统的复杂度，改善边缘小区用户的服务质量。其包括一种基于改进的弦（没有行业标准翻译，可直译为弦距离）距离的下行MU_COMP调度算法，包括如下步骤：

S1边缘小区用户检测当前干扰信号的强度并反馈当前信干噪比，根据信干噪比确定协作传输模式下的激活用户集;

S2建立候选用户集和已选用户集合，其中所述候选用户集包括激活用户集中用户，选将所述候选用户集中F范数最大的用户之一添加到已选用户集，并计算已选用户集中用户的信道容量；

S3计算所述候选用户集中每个用户信道矩阵与已选用户集中联合信道矩阵的弦距离；

S4选出用户信道矩阵与已选用户集中联合信道矩阵的弦距离最大的用户；

S5判断已选用户集中用户是否到用户上限，若到用户上限则跳转步骤S2，若未达到上限，则跳转步骤S6；

S6对已选用户集中的边缘小区用户分别设计块对角化预编码矩阵，协作基站使用块对角化预编码矩阵对边缘小区用户进行联合预编码和发送。

在上述技术方案的基础上，所述步骤S2包括：设激活用户集中共有Nu个用户，初始化，候选用户集Ω={1,2,…Nu}，已选用户集合γ=Φ，选择候选用户集中信道F范数最大的边缘小区用户s₁，更新候选用户集Ω=Ω-{s₁}，已选用户集γ=γ+{s₁}，计算此时系统容量C_temp=C(s₁)。

在上述技术方案的基础上，系统容量计算方法包括： $C_{\mathrm{temp}}=C\left(s_1\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\log }_2(1+\frac{P*{\mathrm{\η}}_i*{\mathrm{\λ}}_i}{M}),$ P是发送的总功率，n是

的非零奇异值的个数，λ_i是第i个奇异值，η_i是第i个子信道的发送能量，M是发送端总的天线数，其中η_i按如下规则计算，

u是由 $C\left(s_1\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\log }_2(1+\frac{P*{\mathrm{\η}}_i*{\mathrm{\λ}}_i}{M})$ 在 $\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\η}}_i=M$ 条件下通过拉格朗日因子法求得。

在上述技术方案的基础上，所述步骤S3包括：计算候选用户集中第k个边缘小区用户的信道矩阵H_k与已选用户集中边缘小区用户联合信道矩阵H_γ的弦距离

k=1,2,…Nu-m，其中m是已选用户集中用户的个数，G_k是对边缘小区用户k信道矩阵H_k按行进行施密特正交化之后得到的矩阵，P_γ是对已选用户集中边缘小区用户联合信道矩阵H_γ按行进行施密特正交化之后得到的矩阵，|| ||_F表示求取F范数。

在上述技术方案的基础上，所述步骤S4包括：从候选用户集选出与已选用户集弦距离d_k最大的边缘小区用户，并将最大的边缘小区用户记为s_i。

在上述技术方案的基础上，所述步骤S4还包括：计算已选用户集γ加入s_i后的系统容量

若

则更新已选用户集γ=γ+{s_i}，Ω=Ω-{s_i}，m=m+1， $P_{\mathrm{\γ}}=\left[\begin{array}{c}{P}_{\mathrm{\γ}}\\ G_{s_i}\end{array}\right],$ 是边缘小区用户的信道矩阵按行进行施密特正交化之后得到的矩阵，进入步骤S5,否则进入步骤S6。

在上述技术方案的基础上，已选用户集γ加入s_i后的系统容量计算方法为 $C_{\mathrm{\γ}+\left\{s_i\right\}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\log }_2(1+\frac{P*{\mathrm{\η}}_i*{\mathrm{\λ}}_i}{M}),$ 其中n是的非零奇异值的个数，λ_i是的第i个奇异值，

是对

进行块对角预编码之后的到的预编码矩阵，η_i是第i个子信道的发送能量，η_i按如下规则计算， ${\mathrm{\η}}_i=\max (u-\frac{M}{P*{\mathrm{\λ}}_i},0),$ u是由 $C\left(s_1\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\log }_2(1+\frac{P*{\mathrm{\η}}_i*{\mathrm{\λ}}_i}{M})$ 在 $\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\η}}_i=M$ 条件下通过拉格朗日因子法求得

在上述技术方案的基础上，所述步骤s1激活用户集选择规则包括：若用户信干噪比小于阈值门限β，则将该用户规定为边缘小区用户，且所述阈值门限β是根据信道基站和信道状态信息确定的。

相对于现有技术来说，本发明兼顾系统性能的同时降低系统的复杂度，改善边缘小区用户的服务质量。

附图说明

图1是本发明的小区基站示意图；

图2是本发明的流程图；

图3是本发明对已有的基于弦距离调度算法系统容量在Nb=3，Nt=4，Nr=2配置条件下随参数α变化情况；

图4是本发明对已有的基于弦距离调度算法系统容量在Nb=3，Nt=4，Nr=4配置条件下随参数α变化情况；

图5是本发明对已有的基于弦距离调度算法系统容量在Nb=3，Nt=2，Nr=2配置条件下随参数α变化情况；

图6是本发明与已有的基于弦距离调度算法复杂度仿真结果比较；

图7是本发明与已有的基于弦距离调度算法性能仿真结果比较。

具体实施方式

下面结合附图对发明作进一步说明。

如图1本发明中小区结构采用正六边形，每个小区内有三个扇区，每三个相邻小区的相邻扇区组成一个簇，本发明提出的算法应用在这个簇内。

考虑由Nu个边缘小区用户组成的多小区多用户下行MIMO链路，用户UE的接收天线数为Nr，协作传输的基站数为Nb，每个基站的发送天线数为Nt，发送的功率限制为P，基站到用户的信道为瑞利平坦衰落信道，任意时隙协作基站允许容纳的协作用户数为

基于改进的弦距离的下行MU_COMP调度算法具体步骤如下：

（1）边缘小区用户检测当前干扰信号的强度并反馈当前信干噪比SINR，将该SINR与预先设定好的阈值门限β进行比较，如果SINR<β则将该用户划为边缘小区用户，阈值门限β是由基站和用户信道状态信息决定的。

（2）确定已选用户集

（2.1）设激活用户集中共有Nu个用户，初始化，候选用户集Ω={1,2,…Nu}，已选用户集合γ=Φ，选择候选用户集中信道F范数最大的边缘小区用户s₁，更新候选用户集Ω=Ω-{s₁}，已选用户集γ=γ+{s₁}，计算此时系统容量C_temp=C(s₁)；

（2.2）计算候选用户集中第k个边缘小区用户的信道矩阵H_k与已选用户集中边缘小区用户联合信道矩阵H_γ的弦距离

k=1,2,…Nu-m，m是已选用户集中边缘小区用户的个数，G_k是对边缘小区用户k信道矩阵H_k按行进行施密特正交化之后得到的矩阵，P_γ是对已选用户集中边缘小区用户联合信道矩阵H_γ按行进行施密特正交化之后得到的矩阵，|| ||_F表示求取F范数；

（2.3）从候选用户集选出与已选用户集弦距离d_k最大的边缘小区用户，记为s_i（2.4）计算已选用户集γ加入s_i后的系统容量

若更新已选用户集γ=γ+{s_i}，Ω=Ω-{s_i}，m=m+1， $P_{\mathrm{\&gamma;}}=\left[\begin{array}{c}{P}_{\mathrm{\&gamma;}}\\ G_{s_i}\end{array}\right],$

是边缘小区用户s_i的信道矩阵

按行进行施密特正交化之后得到的矩阵，进入步骤（2.5）,否则进入步骤(3);

（2.5）返回步骤（2.2）直到已选用户集中边缘小区用户达到用户数上限。

（3）对多点协作传输用户集γ中的边缘小区用户分别设计块对角化预编码矩阵，协作基站使用块对角化预编码矩阵对边缘小区用户进行联合预编码和发送

步骤（3）的具体做法如下：设最终多点协作传输用户集γ中边缘小区用户数为N，第k个用户的接收信号可表示为：

$y_k=\sqrt{P_k}{H}_k{V}_k{s}_k+H_k\underset{j=1,j\&NotEqual;k}{\overset{N}{\mathrm{\&Sigma;}}}\sqrt{P_j}{V}_j{s}_j+n_k$

其中s_k协作基站向用户k发送的联合信号，P_k是用户k分配的功率,由注水算法确定，n_k是一个协方差矩阵为单位阵的零均值循环对称复高斯随机变量，式中

是用户k的有用信号，

是收到的来自其他用户的同频干扰信号，V_k是块对角化之后的预编码矩阵。按如下方式求得：首先确定除用户k以外的传输用户集中边缘小区用户组成的联合信道矩阵 ${\tilde{H}}_k={[H_1^H,H_2^H,\&CenterDot;\&CenterDot;\&CenterDot;H_{k-1}^H,H_{k+1}^H,\&CenterDot;\&CenterDot;\&CenterDot;H_N^H]}^H,$ 对

进行奇异值分解

再对虚拟信道H_kR⁰进行奇异值分解

最终用户k的预编码矩阵

联合预编码之后系统总的容量

n_j是第传输用户集中第j个用户信道的非零奇异值的个数，λ_i是第j个用户的第i个非零奇异值，M=Nb*Nt； ${\mathrm{\&eta;}}_i=\max (u-\frac{M}{P*{\mathrm{\&lambda;}}_i},0),$ u是一个门限值。

仿真条件：图3仿真条件，协作基站数Nb=3，Nt=4，Nr=2；信噪比分别为0分贝、10分贝、20分贝；

图4仿真条件，协作基站数Nb=3，Nt=4，Nr=4；信噪比分别为0分贝、10分贝、20分贝；

图5仿真条件，协作基站数Nb=3，Nt=2，Nr=2；信噪比分别为0分贝、10分贝、20分贝；

图6和图7仿真条件，协作基站数Nb=3，Nt=2，Nr=2；信道为瑞利平坦衰落

仿真结果分析：由图3,4,5不同天线数量组合条件下的仿真结果可以看出随着参数α从很大降低到很小几乎为0过程中，平均吞吐量首先会保持稳定不变，当参数α到达大概10到100之间时，平均吞吐量逐渐上升，并且在参数α为0.01到0之间的某个值时达到最大，之后随着参数α的减小稍微有所减少，减少幅度不大，之后当参数α足够小时，平均吞吐量将保持稳定。对一个特定的用户集合，在参数α从很小变化到很大的过程中，调度算法的到的信道容量的跳变次数非常少，并且跳变的时机和方向没有明显的规律，因而不能通过自适应的反复迭代来无限逼近最佳值，从仿真结果来看α接近于0时，信道容量平均值最高，接近最大值，在考虑既保证算法性能又能降低复杂度的情况下，将传统基于弦距离的调度算法中参数α置为0，同时在对实际的考虑中这也是可行的，因为随着协作集合中用户数量的上升，用户信道之间的相关性会对预编码之后的系统容量起主导作用，而用户自身信道质量的好坏的影响作用很小。

图6仿真结果可以看出在特定的收发天线组合下，随着用户数量的不断增多改进的基于弦距离的下行MU_COMP调度算法复杂度比传统的基于弦距离的调度算法复杂度要不断降低，并且这种复杂度的降低是在很好的保证的系统的容量的前提下进行的，图7的仿真结果可以看出两种算法的性能基本一致，这又进一步证明了改进的基于弦距离的调度算法是可行的。

Claims (8)

1.一种基于改进的弦距离的下行MU_COMP调度算法，其特征在于：包括如下步骤：

S1边缘小区用户检测当前干扰信号的强度并反馈当前信干噪比，根据信干噪比确定协作传输模式下的激活用户集;

S2建立候选用户集和已选用户集合，其中所述候选用户集包括激活用户集中用户，选将所述候选用户集中F范数最大的用户之一添加到已选用户集，并计算已选用户集中用户的信道容量；

S3计算所述候选用户集中每个用户信道矩阵与已选用户集中联合信道矩阵的弦距离；

S4选出用户信道矩阵与已选用户集中联合信道矩阵的弦距离最大的用户；

S5判断已选用户集中用户是否到用户上限，若到用户上限则跳转步骤S2，若未达到上限，则跳转步骤S6；

S6对已选用户集中的边缘小区用户分别设计块对角化预编码矩阵，协作基站使用块对角化预编码矩阵对边缘小区用户进行联合预编码和发送。

2.如权利要求1所述的一种基于改进的弦距离的下行多用户调度算法，其特征在于，所述步骤S2包括：设激活用户集中共有Nu个用户，初始化，候选用户集Ω={1,2,…Nu}，已选用户集合γ=Φ，选择候选用户集中信道F范数最大的边缘小区用户s₁，更新候选用户集Ω=Ω-{s₁}，已选用户集γ=γ+{s₁}，计算此时系统容量C_temp=C(s₁)。

3.如权利要求2所述的一种基于改进的弦距离的下行MU_COMP调度算法，其特征在于，系统容量计算方法包括：

P是发送的总功率，n是

的非零奇异值的个数，λ_i是第i个奇异值，η_i是第i个子信道的发送能量，M是发送端总的天线数，其中η_i按如下规则计算， ${\mathrm{\&eta;}}_i=\max (u-\frac{M}{P*{\mathrm{\&lambda;}}_i},0),$ u是由 $C\left(s_1\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\log }_2(1+\frac{P*{\mathrm{\&eta;}}_i*{\mathrm{\&lambda;}}_i}{M})$ 在 $\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&eta;}}_i=M$ 条件下通过拉格朗日因子法求得。

4.如权利要求2所述的一种基于改进的弦距离的下行MU_COMP调度算法，其特征在于，所述步骤S3包括：计算候选用户集中第k个边缘小区用户的信道矩阵H_k与已选用户集中边缘小区用户联合信道矩阵H_γ的弦距离

k=1,2,…Nu-m，其中m是已选用户集中用户的个数，G_k是对边缘小区用户k信道矩阵H_k按行进行施密特正交化之后得到的矩阵，P_γ是对已选用户集中边缘小区用户联合信道矩阵H_γ按行进行施密特正交化之后得到的矩阵，|| ||_F表示求取F范数。

5.如权利要求4所述的一种基于改进的弦距离的下行MU_COMP调度算法，其特征在于，所述步骤S4包括：从候选用户集选出与已选用户集弦距离d_k最大的边缘小区用户，并将最大的边缘小区用户记为s_i。

6.如权利要求5所述的一种基于改进的弦距离的下行MU_COMP调度算法，其特征在于，所述步骤S4还包括：计算已选用户集γ加入s_i后的系统容量

若

则更新已选用户集γ=γ+{s_i}，Ω=Ω-{s_i}，m=m+1， $P_{\mathrm{\&gamma;}}=\left[\begin{array}{c}{P}_{\mathrm{\&gamma;}}\\ G_{s_i}\end{array}\right],$

是边缘小区用户s_i的信道矩阵

按行进行施密特正交化之后得到的矩阵，进入步骤S5,否则进入步骤S6。

7.如权利要求6所述的一种基于改进的弦距离的下行MU_COMP调度算法，其特征在于，已选用户集γ加入s_i后的系统容量计算方法为 $C_{\mathrm{\&gamma;}+\left\{s_i\right\}}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\log }_2(1+\frac{P*{\mathrm{\&eta;}}_i*{\mathrm{\&lambda;}}_i}{M}),$ 其中n是

的非零奇异值的个数，λ_i是

的第i个奇异值，

是对

进行块对角预编码之后的到的预编码矩阵，η_i是第i个子信道的发送能量，η_i按如下规则计算， ${\mathrm{\&eta;}}_i=\max (u-\frac{M}{P*{\mathrm{\&lambda;}}_i},0),$ u是由 $C\left(s_1\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\log }_2(1+\frac{P*{\mathrm{\&eta;}}_i*{\mathrm{\&lambda;}}_i}{M})$ 在 $\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&eta;}}_i=M$ 条件下通过拉格朗日因子法求得。

8.如权利要求书1所述的一种基于改进的弦距离的下行MU_COMP调度算法，其特征在于，所述步骤s1激活用户集选择规则包括：若用户信干噪比小于阈值门限β，则将该用户规定为边缘小区用户，且所述阈值门限β是根据信道基站和信道状态信息确定的。

Images