CN103746729A - 分布式mimo系统基站侧天线位置优化方法 - Google Patents

Abstract

本发明公开了一种分布式MIMO系统基站侧天线位置优化方法，包括步骤：A.初始阶段分布式天线端口DAU向移动台MS发送一个测试信号；B.移动台MS响应测试信号后将目前信道状态信息反馈给分布式天线端口DAU；C.智能天线通过对天线阵列接收的反馈信号在整个分布式天线端口DAU功率受限的条件下通过加权处理形成天线波束；D.天线波束通过加权矢量调整天线方向图使其主瓣指向需要进行通信的移动台MS方向。进一步的运用天线选择策略和合理的天线功率分配方案，实现节能环保的绿色通信，并在此基础上通过采用粒子群算法对系统不同目标函数进行优化，获取天线在不同区域的最优位置，实现其最优覆盖。

Description

分布式MIMO系统基站侧天线位置优化方法

技术领域

本发明涉及无线通信领域，尤其涉及基于智能天线的分布式MIMO系统的上层网络规划及优化设计问题。

背景技术

随着无线通信的快速发展，分布式MIMO系统（DMIMO）以其功率消耗低、覆盖范围广等特点而逐渐成为当前研究的热点，已成为下一代移动通信系统的关键候选技术之一。传统的分布式MIMO系统在一类似于蜂窝结构的圆形小区内，分布式天线端口DAU（Distributed Antenna Unit）分布在小区不同的地理位置，每个天线端口配置多个天线用于发送或接收信号，而这些天线通过同轴电缆或光纤和中心处理单元连接；移动台MS（Mobile Station）则分布在小区的任何位置。相较于集中式MIMO系统（CMIMO），分布式MIMO系统可以充分利用宏分集增益以克服大尺度衰落的影响，提高系统的容量。此外，由于分散的天线端口减少了基站天线单元与移动台MS之间的接入距离，有利于覆盖小区中的盲点，极大提高了整个系统的可靠性和覆盖特性。

针对传统的采用全向天线的分布式MIMO系统，若每一天线端口能采用智能天线技术亦波束成型技术，以其可有效降低系统内部干扰的特点而能极大增强通信链路的可靠性和稳定性；若再利用分布式MIMO系统组网方式灵活的特点，通过合理的功率分配和有效的天线选择策略，则可以进一步改善通信质量，节约系统资源；此外，通过对天线位置进行配置优化，还可以获取某一系统性能下天线分布的最优位置，实现天线的最优覆盖。

在类似于蜂窝结构的单个圆形小区内，传统的采用全向天线的分布式MIMO系统，小区内各天线之间相互干扰，严重降低了当前通信系统的性能。对于分布式MIMO系统而言，整个系统资源是有限的，在系统工作中如果调度机制不合理会造成系统资源的极大浪费。此外，天线位置在小区内的具体分布对系统最终的性能，比如小区遍历容量、接收信噪比、接收判断误码率等有非常直接的影响，因此天线位置优化显得极其重要。

发明内容

本发明要解决的技术问题在于针对背景技术的缺陷，将智能天线运用于分布式MIMO系统，同时结合合理的天线功率分配和有效的天线选择策略对系统资源进行调度；并在以上基础上提出一种基于智能天线的分布式MIMO系统基站侧天线位置优化设计方案。

本发明解决其技术问题所采用的技术方案如下：

一种分布式MIMO系统基站侧天线位置优化方法，所述基站侧天线包括：配置于分布式天线端口DAU中，由两根及两根以上权重天线组成的天线阵列；以及配置于移动台MS中的单根天线；

优化方法包括以下步骤：

A.在系统正常工作时，由分布式天线端口DAU向移动台MS发送一个测试信号；

B.移动台MS响应测试信号后将目前信道状态信息反馈给分布式天线端口DAU；

C.通过对天线阵列接收的反馈信号在整个分布式天线端口DAU功率受限的条件下进行加权处理形成天线波束；

D.通过加权矢量调整天线方向图使天线波束主瓣指向需要进行通信的移动台MS方向；

所述的加权矢量调整的方法为：

设第i个分布式天线端口DAU_i与特定位置上的移动台MS之间的信道衰落系数为h_i，各个分布式天线端口DAU_i的加权矩阵为W=(w₁,w₂,w₃,w₄,w₅)，i=1,2,L,5；移动台MS的接收信号表示为：

$\left\{\begin{array}{c}{y}_1=h_1^H\left(w_1{s}_1\right)+n\\ y_2=h_2^H\left(w_2{s}_2\right)+n\\ y_3=h_3^H\left(w_3{s}_3\right)+n\\ y_4=h_4^H\left(w_4{s}_4\right)+n\\ y_5=h_5^H\left(w_5{s}_5\right)+n\end{array}\right.$

其中，y_i是移动台MS的接收信号标量；h_i是M_i×1的信道向量，M_i是分布式天线端口DAU_i配置的天线数目；上标()^H表示共轭转置；w_i是各个发射天线端口上的加权列向量；s_i是各发射天线端口上的发送符号；n是加性复高斯白噪声。

进一步的，本发明的分布式MIMO系统基站侧天线位置优化方法还包括步骤：

E.对分布式天线端口DAU进行天线功率分配：通过移动台MS反馈的信道信息，分布式天线端口DAU在天线阵列中根据信道增益系数的大小为其分配相应的功率，信道的增益系数越小分配的功率越少；在功率受限的条件下，天线功率分配是按照各信道增益系数的比例来分配的，从而在特定方向上与移动台建立通信链路；

F.移动台MS与接收信噪比最大的分布式天线端口DAU进行通信；所述的移动台MS接收端的信噪比SNR表示为：

其中，P_i是天线端口的发送功率，σ是加性复高斯白噪声的方差。

进一步的，本发明的分布式MIMO系统基站侧天线位置优化方法还包括步骤：

G.在分布式MIMO系统不同的区域内，通过粒子群算法对分布式MIMO系统的接收信噪比SNR、系统容量C、中断概率P_out三个系统性能指标作为目标函数进行优化，获取天线在相应区域的最优位置；

目标优化函数基于移动台MS特定位置下的数学表达式表示为：

SNR(ρ,θ)=Ε_h{r_i}

C(ρ,θ)=Ε_h{log₂(1+r_i)}

P_out(ρ,θ)=Ε_h{P_r(r_i≤r_th)}

其中，

为移动台MS接收端信噪比，Ε为数学期望，下标h表示信道系数，P_r是r_i≤r_th的概率，r_th表示中断门限；

将在近似蜂窝的圆形小区内移动用户的分布概率密度函数记作f(ρ,θ)，ρ为天线极半径，θ为天线极角，为了反映天线位置μ对系统性能的影响，将上述表达式对移动台MS位置进行统计平均，具体表达式如下

$\begin{array}{c}\stackrel{\‾}{\mathrm{SNR}}\left(\mathrm{\μ}\right)=E_{\mathrm{\ρ},\mathrm{\θ}}\left\{\mathrm{SNR}(\mathrm{\ρ},\mathrm{\θ})\right\}\\ =\underset{0}{\overset{R}{\∫}}\underset{2\mathrm{\π}}{\overset{0}{\∫}}\mathrm{SNR}(\mathrm{\ρ},\mathrm{\θ})f(\mathrm{\ρ},\mathrm{\θ})\mathrm{d\θd\ρ}\end{array}$

$\begin{array}{c}\stackrel{\‾}{C}\left(\mathrm{\μ}\right)=E_{\mathrm{\ρ},\mathrm{\θ}}\left\{C(\mathrm{\ρ},\mathrm{\θ})\right\}\\ =\underset{0}{\overset{R}{\∫}}\underset{2\mathrm{\π}}{\overset{0}{\∫}}C(\mathrm{\ρ},\mathrm{\θ})f(\mathrm{\ρ},\mathrm{\θ})\mathrm{d\θd\ρ}\end{array}$

$\begin{array}{c}\stackrel{\‾}{P_{\mathrm{out}}}\left(\mathrm{\μ}\right)=E_{\mathrm{\ρ},\mathrm{\θ}}\left\{P_{\mathrm{out}}(\mathrm{\ρ},\mathrm{\θ})\right\}\\ =\underset{0}{\overset{R}{\∫}}\underset{2\mathrm{\π}}{\overset{0}{\∫}}{P}_{\mathrm{out}}(\mathrm{\ρ},\mathrm{\θ})f(\mathrm{\ρ},\mathrm{\θ})\mathrm{d\θd\ρ}\end{array}$

将上述不同的目标函数统一用f_obj表示，采用复化Simpson积分公式将目标函数表达式近似为：

$\stackrel{\‾}{f_{\mathrm{obj}}}\left(\mathrm{\μ}\right)=\frac{2\mathrm{\πR}}{9\mathrm{PQ}}\underset{p=0}{\overset{P}{\mathrm{\Σ}}}\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{\mathrm{\δ}}_{p,q}{\mathrm{\ρ}}_p{f}_{\mathrm{obj}}({\mathrm{\ρ}}_p,{\mathrm{\θ}}_q)f({\mathrm{\ρ}}_p,{\mathrm{\θ}}_q)$

其中，R是圆形小区半径，P和Q分别是划分极半径ρ和极角θ的等距节点数，δ_p,q是权值，为矩阵W的第p+1行，第q+1列的元素，p=0,1，2，…，P；q=0,1，2，…，Q；矩阵W=[1424L241]^T

[1424L241]；

所述粒子群算法具体步骤如下：

101.对粒子群体进行随机初始化，包括随机群体的位置x_n和速度v_n；

102.把初始化的粒子位置x_n代入目标函数中计算每个粒子的适应度Adapt_n，具体如下所示：

${\mathrm{Adapt}}_n=\frac{2\mathrm{\πR}}{9\mathrm{PQ}}\underset{p=0}{\overset{P}{\mathrm{\Σ}}}\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{\mathrm{\δ}}_{p,q}{\mathrm{\ρ}}_p{f}_{\mathrm{obj}}({\mathrm{\ρ}}_p,{\mathrm{\θ}}_q)f({\mathrm{\ρ}}_p,{\mathrm{\θ}}_q)$

并将其作为该粒子获得的局部最优解pBest_n，将相应区域所有粒子中适应度最大的粒子作为该区域初始全局最优解gBest_n；

103.更新粒子的位置x_n和速度v_n，对任意粒子n更新后的位置和速度有如下表达式

$\left\{\begin{array}{c}{v_n}^{\′}=\mathrm{\ω}{v}_n+{\mathrm{\ζ}}_1{\mathrm{\κ}}_1({\mathrm{pBest}}_n-x_n)+{\mathrm{\ζ}}_2{\mathrm{\κ}}_2({\mathrm{gBest}}_n-x_n)\\ {x_n}^{\′}=x_n+v_n\end{array}\right.$

其中，x_n′和v_n′分别表示粒子更新后的位置和速度，ω是惯性系数，ζ₁和ζ₂是学习因子，κ₁和κ₂是随机数，判断粒子更新后的位置是否还在小区内，如果不在，重复这一步骤直至粒子更新后的位置在小区内；

104.计算各个粒子在新位置的适应度，如果获得的新适应度比原来的pBest_n大，则令pBest_n=x_n，否则不变；如果新的适应度比gBest_n大，则需更新全局最优解；

105.重复步骤102～步骤104，直至达到所设定的最大迭代次数，获得最优解。

本发明采用以上技术方案，与现有技术相比具有以下有益效果：

本发明基于智能天线的分布式MIMO系统基站侧天线位置优化方法将智能天线技术应用于传统分布式天线系统，使之能够有效减轻单个小区内系统各天线之间的干扰，提高了系统通信质量。本发明在单个圆形小区内，运用合理的天线功率分配方案并结合有效的天线选择策略，实现了节能环保的绿色智能通信。本发明通过采用粒子群算法对系统不同目标函数进行优化，获取天线在不同区域的最优位置，实现其最优覆盖。本发明基于智能天线的分布式MIMO系统基站侧天线位置优化方法的技术方案，可为未来小区天线布局提供参考。

附图说明

图1是传统的圆形小区分布式MIMO系统示意图。

图2是基于智能天线的分布式MIMO系统示意图，其中圆形小区被划分成5个扇形区域。

图3是采用天线选择策略下分布式天线端口与移动台通信示意图。

图4是粒子群算法流程图。

图5是粒子群初始化示意图，图中50个粒子随机分布在半径为1000m的圆形小区5个扇形区域内。

图6是利用粒子群算法对系统容量进行优化后，在各区域内得天线位置分布图。

具体实施方式

下面结合附图对本发明基于智能天线的分布式MIMO系统基站侧天线位置优化方法的三种实施方式作进一步详细说明。

本发明的第一个实施例将智能天线应用到分布式MIMO系统中，相较于普通的全向天线，可以降低天线端口间的信号干扰，提高系统容量。

图1是传统的分布式MIMO系统示意图，即在一类似于蜂窝结构的圆形小区内，分布式天线端口分布在小区不同的地理位置，每个天线端口配置多个天线用于发送或接收信号，而这些天线通过同轴电缆或光纤和中心处理单元连接；移动终端则分布在小区的任何位置。

图2给出了单个圆形小区内基于智能天线的分布式MIMO系统天线通信框架示意图，每个分布式天线端口DAU（Distributed Antenna Unit）由多根权重天线形成天线阵列，这种天线阵列可以根据小区内不同区域移动台MS通信需求，向移动台MS提供一个定向的波束，在一定意义上实现信号的定向传输，节约功耗。

图2中本实施例将半径为1000m的DMIMO系统圆形小区划分为A₁、A₂、A₃、A₄、A₅共5个相同的扇形区域，每个扇形区域分别对应分布式天线端口DAU1、DAU2、DAU3、DAU4和DAU5，每个天线端口不仅可以满足所在区域的通信业务需求，还可以为居于两个扇形区域交接处的移动台提供定向接力切换服务。在系统正常工作时，以分布式天线端口DAU1为例，初始阶段DAU1向MS发送一个测试信号，MS响应后将目前信道状态信息反馈给DAU1，智能天线通过对天线阵元接收的反馈信号进行加权处理形成天线波束。这种天线波束可以通过加权矢量调整天线方向图使其主瓣指向需要进行通信的移动台方向为其提供服务。

假设天线端口DAUi与特定位置上的移动台之间的信道衰落系数为h_i(i=1,2,L,5)，W=(w₁,w₂,w₃,w₄,w₅)是各个智能天线端口的加权矩阵，移动台的接收信号可以表示为

$\left\{\begin{array}{c}{y}_1=h_1^H\left(w_1{s}_1\right)+n\\ y_2=h_2^H\left(w_2{s}_2\right)+n\\ y_3=h_3^H\left(w_3{s}_3\right)+n\\ y_4=h_4^H\left(w_4{s}_4\right)+n\\ y_5=h_5^H\left(w_5{s}_5\right)+n\end{array}\right.$

其中，y_i(i=1,2,L,5)是MS的接收信号标量；h_i(i=1,2,L,5)是M_i×1的信道向量，M_i是天线端口DAUi配置的天线数目；上标()^H表示共轭转置；w_i是各个发射天线端口上的加权列向量；s_i(i=1,2,L,5)是各天线上的发送符号；n是加性复高斯白噪声。

由于天线阵列在波束成形过程中通过权重系数的调整，已使主瓣对准了移动台方向，故可带来极大的信号增益效果，提高了移动台的接收信噪比，而其它副瓣则只具较小增益故能很好地抑制其它信号的干扰，从而大大提高整个系统的容量，增强通信链路可靠性与稳定性。

本发明第二个实施例是描述在系统工作中，根据移动台的通信业务需求，为了节约功耗、提高通信效率，通过采取合理的功率分配方案并结合有效的天线选择策略，实现节能环保的绿色通信。具体的实施过程如下：

天线功率分配：

本实施例中假设图2中每个分布式天线端口DAU由4根智能天线组成直线阵列。当天线端口工作时，每根智能天线形成特定方向上的波束，由于分布式MIMO系统各个智能天线端口是相互独立的，每个端口的功耗是有限的，如何在各波束间分配发送功率，对于提高系统容量，改善系统性能有直接影响。因此，本发明提出在智能天线功率受限条件下，依据注水定理（Water-Filling）进行功率分配，即通过移动台反馈的信道信息，智能天线端口在天线阵列中选择信道增益系数大的信道，为其分配较多的功率，而性能较差的信道则适当减少分配功率,在功率受限的条件下，天线功率分配是按照各信道增益系数的比例来分配的。由于每根智能天线的功耗是受限的，因此所有信道上能够分配到的功率也是有上限的。这样的功率分配方案可以在满足系统性能要求的同时又有效地控制系统功耗，实现高效节能的绿色通信。

天线端口选择：

由于在实际工作环境下移动台的通信业务量是有限的，一般情况下一个天线端口即可满足覆盖区域内移动台的通信业务需求，此时如果和所有的智能天线端口都建立通信关系，反而会造成系统资源的极大浪费，因此本发明将天线端口的智能选择性传输策略应用到分布式MIMO系统中。

在系统初始运营阶段，小区内所有的分布式天线端口DAUi会以全向广播的方式不定时地向处于不同区域的移动台MS发送一个测试信号，移动台MS响应后会将当前的信道状态信息反馈给相应的分布式天线端口DAUi，智能天线端口在接收到反馈信息后则通过对反馈信号进行加权处理的方式形成定向波束向处于特定位置的移动台发送数据信号。移动台MS接收端的信噪比可以表示为

$\left\{\begin{array}{c}{r}_1=\frac{{\left(h_1^H{w}_1\right)}^{2}P}{{\mathrm{\σ}}^2}\\ r_2=\frac{{\left(h_2^H{w}_2\right)}^{2}P}{{\mathrm{\σ}}^2}\\ r_3=\frac{{\left(h_3^H{w}_3\right)}^{2}P}{{\mathrm{\σ}}^2}\\ r_4=\frac{{\left(h_4^H{w}_4\right)}^{2}P}{{\mathrm{\σ}}^2}\\ r_5=\frac{{\left(h_5^H{w}_5\right)}^{2}P}{{\mathrm{\σ}}^2}\end{array}\right.$

其中，P是天线端口的发送功率，h_i(i=1,2,L,5)是M_i×1的信道向量，M_i是天线端口DAUi配置的天线数目；上标()^H表示共轭转置；w_i是各个发射天线端口上的加权列向量。接收端通过选择信噪比最大的r_i，与其对应的天线端口DAUi建立通信链路。

如图3所示，本实施例中假设r₃=max{r₁,r₂,r₃,r₄,r₅}，则系统会选择分布式天线端口DAU3与移动台MS建立通信链路，进行数据传输。在智能天线条件下，采用选择性传输策略可以在降低整个系统干扰程度的情况下确保通信链路更加可靠、稳定，为用户提供更为流畅的通信服务。

本发明的第三个实施例是在分布式MIMO系统圆形小区内，提出一种天线位置优化方案以改善系统性能。在运营商前期布网时，因为没有准确的特别是后续新加入的用户预期，所以无法保证最初的分布式天线端口DAU位置放置能够发挥系统最大性能优势，所以在运营一段时间之后，就会涉及到天线位置优化问题。在本发明中，天线位置优化问题即分布式天线端口DAU在小区内放置问题。对于天线位置优化问题，本发明考虑了以下因素：

一、为尽可能接近实际的通信信道环境，本发明充分考虑了小尺度衰落和大尺度衰落，并做如下建模：

$h_i=g_i\sqrt{S_i}(i=\mathrm{1,2},L,M_i)$

其中，h_i是DAUi中第i根天线与MS之间的信道系数；g_i是DAUi的第i根天线与MS之间小尺度衰落，服从参数为m_i的Nakagami分布；S_i是大尺度衰落，满足10lg S_i:Ν(0,σ²)。

二、从运营商角度，考量系统性能时不能仅考虑网络自身的物理特性，即便是同样的网络，在不同的用户分布下可能亦会得到不一样的用户体验，因此在做系统性能分析时，需要充分考虑小区内的用户分布情况。本发明假设在近似蜂窝的圆形小区内移动用户的分布概率密度函数记作f(ρ,θ)。

三、优化不同目标函数。在系统实际运营过程中，运营商往往需要系统具有更高的通信质量和可靠性，满足天线覆盖区域不同的业务需求。因此，优化天线位置需要处理不同性质的优化目标函数。

因此，在对整个系统做数学建模之后，本发明分别从接收信噪比SNR（Signal NoiseRatio，信噪比）、系统容量C、以及中断概率P_out三个不同的系统性能指标入手，以这三个性能指标作为优化目标函数对小区内天线位置提出相对应的优化方案。在下行链路中，选择发送策略下移动台接收端信噪比可以表示为

$r_i=\frac{{\left(h_i^H{w}_i\right)}^2{P}_i}{{\mathrm{\σ}}^2}$

以上三个目标优化函数基于移动台MS特定位置下的数学表达式可表示如下：

SNR(ρ,θ)=Ε_h{r_i}

C(ρ,θ)=Ε_h{log₂(1+r_i)}

P_out(ρ,θ)=Ε_h{P_r(r_i≤r_th)}

其中，Ε为数学期望，下标h表示信道系数，P_r是r_i≤r_th的概率，r_th表示中断门限。为了反映天线位置μ对系统性能的影响，需要将上述表达式对移动台MS位置进行统计平均，具体表达式如下

$\begin{array}{c}\stackrel{\‾}{\mathrm{SNR}}\left(\mathrm{\μ}\right)=E_{\mathrm{\ρ},\mathrm{\θ}}\left\{\mathrm{SNR}(\mathrm{\ρ},\mathrm{\θ})\right\}\\ =\underset{0}{\overset{R}{\∫}}\underset{2\mathrm{\π}}{\overset{0}{\∫}}\mathrm{SNR}(\mathrm{\ρ},\mathrm{\θ})f(\mathrm{\ρ},\mathrm{\θ})\mathrm{d\θd\ρ}\end{array}$

$\begin{array}{c}\stackrel{\‾}{C}\left(\mathrm{\μ}\right)=E_{\mathrm{\ρ},\mathrm{\θ}}\left\{C(\mathrm{\ρ},\mathrm{\θ})\right\}\\ =\underset{0}{\overset{R}{\∫}}\underset{2\mathrm{\π}}{\overset{0}{\∫}}C(\mathrm{\ρ},\mathrm{\θ})f(\mathrm{\ρ},\mathrm{\θ})\mathrm{d\θd\ρ}\end{array}$

$\begin{array}{c}\stackrel{\‾}{P_{\mathrm{out}}}\left(\mathrm{\μ}\right)=E_{\mathrm{\ρ},\mathrm{\θ}}\left\{P_{\mathrm{out}}(\mathrm{\ρ},\mathrm{\θ})\right\}\\ =\underset{0}{\overset{R}{\∫}}\underset{2\mathrm{\π}}{\overset{0}{\∫}}{P}_{\mathrm{out}}(\mathrm{\ρ},\mathrm{\θ})f(\mathrm{\ρ},\mathrm{\θ})\mathrm{d\θd\ρ}\end{array}$

上式涉及到了对移动台MS位置(ρ,θ)积分问题，由于移动台MS是任意分布的，这种积分一般比较复杂很难得到闭合解析式。为了便于描述，将上述不同的目标函数统一用f_obj表示，采用复化Simpson积分公式可将目标函数表达式近似为

$\stackrel{\‾}{f_{\mathrm{obj}}}\left(\mathrm{\μ}\right)=\frac{2\mathrm{\πR}}{9\mathrm{PQ}}\underset{p=0}{\overset{P}{\mathrm{\Σ}}}\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{\mathrm{\δ}}_{p,q}{\mathrm{\ρ}}_p{f}_{\mathrm{obj}}({\mathrm{\ρ}}_p,{\mathrm{\θ}}_q)f({\mathrm{\ρ}}_p,{\mathrm{\θ}}_q)$

其中，R是圆形小区半径，P和Q是划分极半径和极角的等距节点数，δ_p,q是权值，为矩阵W的第p+1行，第q+1列的元素，矩阵W=[1424L241]^T

[1424L241]。

在实际应用环境下，小区内天线端口的位置优化是一个非常复杂的过程，不同的目标函数对天线位置优化效果并不一样。为了提高系统性能，对于以信噪比、系统容量为优化目标则要求天线在某一位置实现这两个参数的最大化，而以中断概率为优化目标则要求在天线的最佳位置上实现该参数的最小化。一般而言，这种天线优化问题是一种非线性多项式问题（也即著名的NP难问题）。不幸的是，目前并没有多项式算法能够去解决与此相关的优化问题。但是，从可行性角度分析，智能算法在对天线位置作优化时要优于其它的算法。因此，本发明将粒子群优化算法（Particle Swarm Optimization，PSO）应用到基于智能天线技术的分布式天线系统的天线位置优化当中。

粒子群优化算法（PSO）是一种通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法。由于粒子群算法本身易于理解，搜索精度高，收敛速度快，对解决本发明天线位置优化问题有着极强的适用性。粒子群算法的流程如图4所示。

在算法实现过程中，首先需要将粒子群体进行初始化，以图5为例，将50个粒子随机分布在圆形小区5个扇形区域内，通过目标函数计算每个粒子的适应度，在每一区域内对粒子进行评价使其不断更新自己的位置，最终这些粒子经过一定迭代次数会集中收敛到所在区域的最佳位置。算法具体实施步骤可有如下描述：

101.对粒子群体进行随机初始化，包括随机群体的位置x_n和速度v_n；

102.把初始化的粒子位置x_n代入目标函数中计算每个粒子的适应度Adapt_n，具体如下所示：

${\mathrm{Adapt}}_n=\frac{2\mathrm{\πR}}{9\mathrm{PQ}}\underset{p=0}{\overset{P}{\mathrm{\Σ}}}\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{\mathrm{\δ}}_{p,q}{\mathrm{\ρ}}_p{f}_{\mathrm{obj}}({\mathrm{\ρ}}_p,{\mathrm{\θ}}_q)f({\mathrm{\ρ}}_p,{\mathrm{\θ}}_q)$

并将其作为该粒子获得的局部最优解pBest_n，将相应区域所有粒子中适应度最大的粒子作为该区域初始全局最优解gBest_n；

103.更新粒子的位置x_n和速度v_n，对任意粒子n更新后的位置和速度有如下表达式

$\left\{\begin{array}{c}{v_n}^{\′}=\mathrm{\ω}{v}_n+{\mathrm{\ζ}}_1{\mathrm{\κ}}_1({\mathrm{pBest}}_n-x_n)+{\mathrm{\ζ}}_2{\mathrm{\κ}}_2({\mathrm{gBest}}_n-x_n)\\ {x_n}^{\′}=x_n+v_n\end{array}\right.$

其中，x_n′和v_n′分别表示粒子更新后的位置和速度，ω是惯性系数，ζ₁和ζ₂是学习因子，κ₁和κ₂是随机数，判断粒子更新后的位置是否还在小区内，如果不在，重复这一步骤；

104.计算各个粒子在新位置的适应度，如果获得的新适应度比原来的pBest_n大，则令pBest_n=x_n，否则不变；如果新的适应度比gBest_n大，则需更新全局最优解；

105.重复步骤102～步骤104，直至达到所设定的最大迭代次数，获得最优解。

图6是移动台在小区内非均匀分布条件下，以系统容量为优化目标函数，粒子经过一定迭代次数后在各个区域内的最终搜索结果即天线的最优位置，即在这种天线布局下可使得系统容量达到最佳。同样地，如果以信噪比或中断概率为优化目标函数，最终也会得到相应的天线布局方式，使得当前优化的系统性能达到最佳。

由上述本发明提供的具体实施方案可以看出，本发明提出的基于智能天线的分布式MIMO系统基站侧天线位置优化方法，因天线端口采用定向智能天线可以有效降低干扰，增加系统容量；在系统实际运营环境下，有效的天线传输策略和合理的功率分配，可以实现节能环保的绿色通信；通过粒子群算法对不同目标函数进行优化，得到的天线布局能够提高当前系统性能，满足小区通信业务需求，可为未来小区天线布局提供参考。显然，本领域技术人员应当理解，对上述本发明所公开的基于智能天线的分布式MIMO系统基站侧天线位置优化方法，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。

Claims (4)

1.一种分布式MIMO系统基站侧天线位置优化方法，其特征在于：

所述基站侧天线包括：配置于分布式天线端口DAU中，由两根及两根以上权重天线组成的天线阵列；以及配置于移动台MS中的单根天线；

优化方法包括以下步骤：

A.在系统正常工作时，由分布式天线端口DAU向移动台MS发送一个测试信号；

B.移动台MS响应测试信号后将目前信道状态信息反馈给分布式天线端口DAU；

C.通过对天线阵列接收的反馈信号在整个分布式天线端口DAU功率受限的条件下进行加权处理形成天线波束；

D.通过加权矢量调整天线方向图使天线波束主瓣指向需要进行通信的移动台MS方向；

所述的加权矢量调整的方法为：

设第i个分布式天线端口DAUi与特定位置上的移动台MS之间的信道衰落系数为h_i，各个分布式天线端口DAUi的加权矩阵为W=(w₁,w₂,w₃,w₄,w₅)，i=1,2,L,5；移动台MS的接收信号表示为：

$\left\{\begin{array}{c}{y}_1=h_1^H\left(w_1{s}_1\right)+n\\ y_2=h_2^H\left(w_2{s}_2\right)+n\\ y_3=h_3^H\left(w_3{s}_3\right)+n\\ y_4=h_4^H\left(w_4{s}_4\right)+n\\ y_5=h_5^H\left(w_5{s}_5\right)+n\end{array}\right.$

其中，y_i是移动台MS的接收信号标量；h_i是M_i×1的信道向量，M_i是分布式天线端口DAU_i配置的天线数目；上标()^H表示共轭转置；w_i是各个发射天线端口上的加权列向量；s_i是各发射天线端口上的发送符号；n是加性复高斯白噪声。

2.根据权利要求1所述的分布式MIMO系统基站侧天线位置优化方法，其特征在于：还包括步骤：

E.对分布式天线端口DAU进行天线功率分配：通过移动台MS反馈的信道信息，分布式天线端口DAU在天线阵列中根据信道增益系数的大小为其分配相应的功率，信道的增益系数越小分配的功率越少；在功率受限的条件下，天线功率分配是按照各信道增益系数的比例来分配的，从而在特定方向上与移动台建立通信链路；

F.移动台MS与接收信噪比最大的分布式天线端口DAU进行通信；所述的移动台MS接收端的信噪比SNR表示为：

其中，P_i是天线端口的发送功率，σ是加性复高斯白噪声的方差。

3.根据权利要求2所述的分布式MIMO系统基站侧天线位置优化方法，其特征在于：还包括步骤：

G.在分布式MIMO系统不同的区域内，通过粒子群算法对分布式MIMO系统的接收信噪比SNR、系统容量C、中断概率P_out三个系统性能指标作为目标函数进行优化，获取天线在相应区域的最优位置；

目标优化函数基于移动台MS特定位置下的数学表达式表示为：

SNR(ρ,θ)=Ε_h{r_i}

C(ρ,θ)=Ε_h{log₂(1+r_i)}

P_out(ρ,θ)=Ε_h{P_r(r_i≤r_th)}

其中，

为移动台MS接收端信噪比，Ε为数学期望，下标h表示信道系数，P_r是r_i≤r_th的概率，r_th表示中断门限；

将在近似蜂窝的圆形小区内移动用户的分布概率密度函数记作f(ρ,θ)，ρ为天线极半径，θ为天线极角，为了反映天线位置μ对系统性能的影响，将上述表达式对移动台MS位置进行统计平均，具体表达式如下

$\begin{array}{c}\stackrel{\‾}{\mathrm{SNR}}\left(\mathrm{\μ}\right)=E_{\mathrm{\ρ},\mathrm{\θ}}\left\{\mathrm{SNR}(\mathrm{\ρ},\mathrm{\θ})\right\}\\ =\underset{0}{\overset{R}{\∫}}\underset{2\mathrm{\π}}{\overset{0}{\∫}}\mathrm{SNR}(\mathrm{\ρ},\mathrm{\θ})f(\mathrm{\ρ},\mathrm{\θ})\mathrm{d\θd\ρ}\end{array}$

$\begin{array}{c}\stackrel{\‾}{C}\left(\mathrm{\μ}\right)=E_{\mathrm{\ρ},\mathrm{\θ}}\left\{C(\mathrm{\ρ},\mathrm{\θ})\right\}\\ =\underset{0}{\overset{R}{\∫}}\underset{2\mathrm{\π}}{\overset{0}{\∫}}C(\mathrm{\ρ},\mathrm{\θ})f(\mathrm{\ρ},\mathrm{\θ})\mathrm{d\θd\ρ}\end{array}$

$\begin{array}{c}\stackrel{\‾}{P_{\mathrm{out}}}\left(\mathrm{\μ}\right)=E_{\mathrm{\ρ},\mathrm{\θ}}\left\{P_{\mathrm{out}}(\mathrm{\ρ},\mathrm{\θ})\right\}\\ =\underset{0}{\overset{R}{\∫}}\underset{2\mathrm{\π}}{\overset{0}{\∫}}{P}_{\mathrm{out}}(\mathrm{\ρ},\mathrm{\θ})f(\mathrm{\ρ},\mathrm{\θ})\mathrm{d\θd\ρ}\end{array}$

将上述不同的目标函数统一用f_obj表示，采用复化Simpson积分公式将目标函数表达式近似为：

$\stackrel{\‾}{f_{\mathrm{obj}}}\left(\mathrm{\μ}\right)=\frac{2\mathrm{\πR}}{9\mathrm{PQ}}\underset{p=0}{\overset{P}{\mathrm{\Σ}}}\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{\mathrm{\δ}}_{p,q}{\mathrm{\ρ}}_p{f}_{\mathrm{obj}}({\mathrm{\ρ}}_p,{\mathrm{\θ}}_q)f({\mathrm{\ρ}}_p,{\mathrm{\θ}}_q)$

其中，R是圆形小区半径，P和Q分别是划分极半径ρ和极角θ的等距节点数，δ_p,q是权值，为矩阵W的第p+1行，第q+1列的元素，p=0,1，2，…，P；q=0,1，2，…，Q；矩阵W=[1424L241]^T [1424L241]。

4.根据权利要求3所述的分布式MIMO系统基站侧天线位置优化方法，其特征在于：所述粒子群算法具体步骤如下：

101.对粒子群体进行随机初始化，包括随机群体的位置x_n和速度v_n；

102.把初始化的粒子位置x_n代入目标函数中计算每个粒子的适应度Adapt_n，具体如下所示：

${\mathrm{Adapt}}_n=\frac{2\mathrm{\πR}}{9\mathrm{PQ}}\underset{p=0}{\overset{P}{\mathrm{\Σ}}}\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{\mathrm{\δ}}_{p,q}{\mathrm{\ρ}}_p{f}_{\mathrm{obj}}({\mathrm{\ρ}}_p,{\mathrm{\θ}}_q)f({\mathrm{\ρ}}_p,{\mathrm{\θ}}_q)$

并将其作为该粒子获得的局部最优解pBest_n，将相应区域所有粒子中适应度最大的粒子作为该区域初始全局最优解gBest_n；

103.更新粒子的位置x_n和速度v_n，对任意粒子n更新后的位置和速度有如下表达式

$\left\{\begin{array}{c}{v_n}^{\′}=\mathrm{\ω}{v}_n+{\mathrm{\ζ}}_1{\mathrm{\κ}}_1({\mathrm{pBest}}_n-x_n)+{\mathrm{\ζ}}_2{\mathrm{\κ}}_2({\mathrm{gBest}}_n-x_n)\\ {x_n}^{\′}=x_n+v_n\end{array}\right.$

其中，x_n′和v_n′分别表示粒子更新后的位置和速度，ω是惯性系数，ζ1和ζ2是学习因子，κ₁和κ₂是随机数，判断粒子更新后的位置是否还在小区内，如果不在，重复这一步骤直至粒子更新后的位置在小区内；

104.计算各个粒子在新位置的适应度，如果获得的新适应度比原来的pBest_n大，则令pBest_n=x_n，否则不变；如果新的适应度比gBest_n大，则需更新全局最优解；

105.重复步骤102～步骤104，直至达到所设定的最大迭代次数，获得最优解。

Images