CN103763782A - 一种mu-mimo下行链路基于加权用户相关的公平调度方法 - Google Patents

Abstract

本发明公开了一种MU-MIMO下行链路基于加权用户相关的公平调度方法，包括以下步骤：基站根据获得的用户的信道矩阵H，进行奇异值分解，通过构造中间矩阵以及相关矩阵；综合考虑候选用户与已选用户以及潜在的可能被选择的用户之间的相关来估计每个用户受到的干扰，并为用户前赋予权值，以加权用户相关最大为准则来选择用户，选择出一组相互之间干扰小的用户。本发明通过基站根据获得的用户的信道矩阵H，综合考虑候选用户与已选用户以及潜在的可能被选择的用户之间的相关来估计每个用户受到的干扰，并赋予权值，以加权用户相关最大为准则来选择用户，选择出一组相互之间干扰小的用户，并且获得良好的用户公平性，实现了系统和速率与用户公平性的兼顾。

Description

一种MU-MIMO下行链路基于加权用户相关的公平调度方法

技术领域

本发明属于通信技术领域，尤其涉及一种MU-MIMO下行链路基于加权用户相关的公平调度方法。

背景技术

多输入多输出(Multiple Input Multiple Output,MIMO)作为下一代移动通信系统的关键技术，能够在不增加系统带宽资源的条件下显著改善无线通信系统的频谱效率和传输可靠性。相比于单用户MIMO(Single-User MIMO,SU-MIMO)系统,多用户MIMO(Multi-User MIMO,MU-MIMO)更符合实际通信的需求，并且可以获得更高的系统速率，因此受到更多的关注。

在MU-MIMO系统中，由于基站的硬件约束和处理能力受限，通常需要从多个用户中选择一组进行服务，这些用户通过空间复用实现对相同频率资源的共享。但由于共道干扰(Co-Channel Interference,CCI)的存在，可达系统和速率与服务用户集合的选取有关，如何获得一组相互之间干扰小的用户成为许多调度算法的设计目标。当基站能够获得完整的信道状态信息(Channel StateInformation,CSI)时，采用穷举搜索可以获得最优的调度结果，但是该方法复杂度高，实际中难以应用。一些次优的贪婪算法相继被提出。与穷举搜索遍历所有可能的用户组合不同，贪婪算法根据特定的调度准则、采用迭代的方式逐步添加用户。如基于相关度的准正交的用户调度方法，首先选择信道增益最大的用户，然后在每次调度中选择与上次新添加用户正交程度符合预设门限要求的用户组，再从该用户组中选出在已选用户信道构成的空间上投影最大的用户；基于相关度进行用户天线选择，利用同一用户的天线之间的协作，选择使系统和速率最大的天线集合。

但是上述算法以系统和速率最大化为目标，通常选择信道质量好的用户，信道质量差的用户无法获得通信资源，导致用户的公平性无法得到保障。比例公平(Proportional fair,PF)是一种考虑公平性的用户调度算法，以用户当前速率与其平均速率的比值来确定用户获得调度的优先级，在提高系统吞吐量和保障公平性两方面取得折中。然而，在贪婪算法中，用户是逐步添加的，在整个调度过程结束前，各个已选用户的可达速率是未知的，因此基于贪婪算法进行公平设计时，如何准确估计每一步迭代各用户数据速率的近似值或者替代值成为值得研究的问题。如在设计中忽略了准正交用户之间的共道干扰，采用在已选用户信道矩阵构成的空间上的投影矩阵的Frobenius范数作为信道增益，计算用户可达速率；基于用户信道矩阵的Frobenius范数设计比例公平准则。

现有的算法在调度过程中依次选择信道增益大的用户，可能导致与已选用户之间存在较强干扰的高增益用户被选择，而与其它用户相互干扰小但增益不够大的用户得不到调度，致使系统和速率降低，不能获得良好公平性和较好的系统和速率。

发明内容

本发明实施例的目的在于提供一种MU-MIMO下行链路基于加权用户相关的公平调度方法，旨在解决传统的公平调度算法在逐次添加用户的过程中不能准确计算用户可达速率，从而无法兼顾良好的公平性和较好的系统和速率的问题。

本发明实施例是这样实现的，一种MU-MIMO下行链路基于加权用户相关的公平调度方法，该MU-MIMO下行链路基于加权用户相关的公平调度方法包括以下步骤：

步骤一：初始化已选用户集合为空集，候选用户集合为用户全集，随着调度过程的进行，已选用户集合和候选用户集合的元素不断更新，

和S_n分别为在第n次迭代结束时候选和已选用户集合，n=1,…,N_T为迭代的次数，初始化n=1；

步骤二：基站对用户k反馈的信道信息矩阵H_k进行奇异值分解 $H_k=U_k{\mathrm{\Λ}}_k{V}_k^H=u_k\left[\begin{array}{cc}{\mathrm{\λ}}_{k,1}& 0_{N_T-1}\end{array}\right]{\left[\begin{array}{cc}{V}_k^{\left(1\right)}& V_k^{\left(0\right)}\end{array}\right]}^H,$ 其中，λ_k,1表示第k个用户的信道矩阵的奇异值，表示维度1×(N_T-1)的零向量，

和分别由与非零奇异值λ_k,1和零奇异值对应的右奇异值向量构成，因为rank(H_k)=1，所以

v_i,1为V_i的第一个列向量，其中，rank(·)表示求矩阵的秩；

步骤三：基站根据分解后的矩阵构造中间矩阵

和

以及

其中，diag(·)表示对角化操作；

步骤四：基站构造相关矩阵R，R为L×L方阵，第i行第j列的元素为

其中，|·|表示求模运算；

步骤五：从R中选择出与已经调度的n-1个用户对应的n-1列，构成矩阵

将剩余的部分分别对行元素进行升序排列，得到矩阵

即

步骤六：计算用户的相关因子

即对R_n中每一行的前ξ个元素分别求和并取倒数，等效于简化得到列向量

步骤七：按照公式选择第n个用户；

步骤八：若n<N_T，返回步骤五；否则调度完成，根据被调度的用户

受到的实际干扰计算其相关因子ψ_k；若用户未被调度

ψ_k=0，并按照公式更新用户k，k∈{1,…,L}平均相关因子，用于计算下一个传输周期中的用户调度权重，调度完成后，基站通知激活用户并进行下行数据通信，在下一个传输周期(t+1)的开销时隙阶段，重复执行步骤一～步骤八。

进一步，在步骤六中综合考虑候选用户受到已选用户以及潜在的可能被调度的用户的影响根据式(1)计算用户的相关因子

即对R_n中每一行的前ξ个元素分别求和并取倒数，等效于简化式(2)；

${\mathrm{\&psi;}}_{k,n}^{-1}=\underset{j=1}{\overset{\mathrm{\&xi;}}{\mathrm{\&Sigma;}}}{r}_{k,j},k\&Element;\{1,...,L\}---\left(2\right)$

得到列向量ψ_n=[ψ_1,n…ψ_L,n]^Η，其中，

表示潜在的、后续可能被选择的用户集合，card(·)表示集合中的元素的个数。

进一步，在步骤七中按照公式

选择第n个用户；

s_n表示被选择的用户的标号，

是用户k的调度权重，

是上一传输周期结束时用户k的平均相关因子，更新S_n=S_n-1∪{s_n}，

n=n+1。

进一步，

对用户进行调度，随着时间的推移，平均相关因子

增大，权值μ_k随之减小，调度优先级降低。

进一步，在步骤八中更新用户k的平均相关因子的公式为

${\stackrel{\&OverBar;}{\mathrm{\&psi;}}}_k=\left\{\begin{array}{cc}{\mathrm{\&delta;}}_c{\stackrel{\&OverBar;}{\mathrm{\&psi;}}}_k+(1-{\mathrm{\&delta;}}_c){\mathrm{\&psi;}}_k,& k\&Element;S_{N_T}\\ {\mathrm{\&delta;}}_c{\stackrel{\&OverBar;}{\mathrm{\&psi;}}}_k,& k\&NotElement;S_{N_T}\end{array}\right.$

其中，δ_c=0.99。

进一步，在步骤七中权重的值由用户平均相关因子决定。

进一步，该MU-MIMO下行链路基于加权用户相关的公平调度方法为：

步骤一：初始化已选空间子信道集合和候选空间子信道集合；

基站对下列参数进行初始化，初始化已选用户集合

候选用户集合

表示空集合，随着调度过程的进行，已选用户集合和候选用户集合的元素会不断更新，

和S_n分别为在第n次迭代结束时候选和已选用户集合，n=1,…,N_T为迭代的次数，初始化n=1，用户侧采用联合信道参数估计的方法可获得信道矩阵信息，即基站发射N_T路子信号流，在每路子信号流前添加用户侧已知的训练序列组成的数据块，用户依据收到的信号与已知训练数据实现用户与基站之间的信道状态信息矩阵H的估计，用户将信道信息矩阵发送给基站；

步骤二：基站对用户k反馈的信道信息矩阵H_k进行奇异值分解 $H_k=U_k{\mathrm{\&Lambda;}}_k{V}_k^H=u_k\left[\begin{array}{cc}{\mathrm{\&lambda;}}_{k,1}& 0_{N_T-1}\end{array}\right]{\left[\begin{array}{cc}{V}_k^{\left(1\right)}& V_k^{\left(0\right)}\end{array}\right]}^H,$ 其中，λ_k,1表示第k个用户的信道矩阵的奇异值，反映用户信道的传输增益，表示维度1×(N_T-1)的零向量，

和分别由与非零奇异值λ_k,1和零奇异值对应的右奇异值向量构成，因为rank(H_k)=1，所以v_i,1为V_i的第一个列向量，其中，rank(·)表示求矩阵的秩；

步骤三：基站根据分解后的矩阵构造中间矩阵

和

以及

其中，diag(·)表示对角化操作；

步骤四：基站构造相关矩阵R，R为L×L方阵，第i行第j列的元素为

其中，|·|表示求模运算，r_i,j反映的用户i和j之间的相关程度；

步骤五：从R中选择出与已经调度的n-1个用户对应的n-1列，构成矩阵

将剩余的部分分别对行元素进行升序排列，得到矩阵即

步骤六：根据式(1)计算用户的相关因子

即对R_n中每一行的前ξ个元素分别求和并取倒数，等效于简化式(2)；

${\mathrm{\&psi;}}_{k,n}^{-1}=\underset{j=1}{\overset{\mathrm{\&xi;}}{\mathrm{\&Sigma;}}}{r}_{k,j},k\&Element;\{1,...,L\}$

得到列向量ψ_n=[ψ_1,n…ψ_L,n]^Η，其中，

表示潜在的、后续可能被选择的用户集合，card(?)表示集合中的元素的个数，

是第n步迭代过程中对

的估计，因为在调度过程结束前，已选用户集合S并未最终确定，所以ψ_k无法准确计算；

步骤七：按照下式选择第n个用户：

s_n表示被选择的用户的标号，

是用户k的调度权重，

是上一传输周期结束时用户k的平均相关因子，更新S_n=S_n-1∪{s_n}，

n=n+1；

步骤八：若n<N_T，返回步骤五；否则调度完成，根据被调度的用户

受到的实际干扰计算其相关因子ψ_k；若用户未被调度ψ_k=0，并按照下式更新用户k，k∈{1,…,L}平均相关因子，用于计算下一个传输周期中的用户调度权重，

${\stackrel{\&OverBar;}{\mathrm{\&psi;}}}_k=\left\{\begin{array}{cc}{\mathrm{\&delta;}}_c{\stackrel{\&OverBar;}{\mathrm{\&psi;}}}_k+(1-{\mathrm{\&delta;}}_c){\mathrm{\&psi;}}_k,& k\&Element;S_{N_T}\\ {\mathrm{\&delta;}}_c{\stackrel{\&OverBar;}{\mathrm{\&psi;}}}_k,& k\&NotElement;S_{N_T}\end{array}\right.$

其中，δ_c=0.99，调度完成后，基站通知激活用户并进行下行数据通信，在下一个传输周期(t+1)的开销时隙阶段，重复执行步骤一～步骤八。

本发明提供的MU-MIMO下行链路基于加权用户相关的公平调度方法，通过基站根据获得的用户的信道矩阵H，进行奇异值分解，通过构造中间矩阵以及相关矩阵，估计每个用户受到的干扰，并为其赋予权值，以加权用户相关最大为准则来选择用户，合理的选择出一组相互之间干扰小的用户，并且获得良好的用户公平性，实现了系统和速率与用户公平性的兼顾。本发明的方法简单，操作方便，较好的解决了传统的公平调度算法在逐次添加用户的过程中不能准确计算用户可达速率，从而无法兼顾良好的公平性和较好的系统和速率的问题。

附图说明

图1是本发明实施例提供的MU-MIMO下行链路基于加权用户相关的公平调度方法流程图；

图2是本发明实施例提供的单小区MU-MIMO系统模型示意图；

图3是本发明实施例提供的基于加权用户相关的公平调度算法流程图；

图4是本发明实施例提供的用户总数L=8取不同信噪比时几种算法的系统和速率比较示意图；

图5是本发明实施例提供的图4为SNR=10dB时不同算法的公平性随用户数的变化情况示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

如图1所示，本发明实施例的MU-MIMO下行链路基于加权用户相关的公平调度方法包括以下步骤：

S101：基站根据获得的用户的信道矩阵H，进行奇异值分解，通过构造中间矩阵以及相关矩阵；

S102：估计每个用户受到的干扰，并为用户前赋予权值，以加权用户相关最大为准则来选择用户，合理的选择出一组相互之间干扰小的用户。

本发明的具体步骤为：

步骤一：初始化已选用户集合为空集，候选用户集合为用户全集，随着调度过程的进行，已选用户集合和候选用户集合的元素会不断更新，

和S_n分别为在第n次迭代结束时候选和已选用户集合，n=1,…,N_T为迭代的次数，初始化n=1；

步骤二：基站对用户k反馈的信道信息矩阵H_k进行奇异值分解 $H_k=U_k{\mathrm{\&Lambda;}}_k{V}_k^H=u_k\left[\begin{array}{cc}{\mathrm{\&lambda;}}_{k,1}& 0_{N_T-1}\end{array}\right]{\left[\begin{array}{cc}{V}_k^{\left(1\right)}& V_k^{\left(0\right)}\end{array}\right]}^H,$ 其中，λ_k,1表示第k个用户的信道矩阵的奇异值，

表示维度1×(N_T-1)的零向量，

和

分别由与非零奇异值λ_k,1和零奇异值对应的右奇异值向量构成，因为rank(H_k)=1，所以

v_i,1为V_i的第一个列向量，其中，rank(·)表示求矩阵的秩；

步骤三：基站根据分解后的矩阵构造中间矩阵

和

以及

其中，diag(·)表示对角化操作；

步骤四：基站构造相关矩阵R，R为L×L方阵，其第i行第j列的元素为

其中，|·|表示求模运算；

步骤五：从R中选择出与已经调度的n-1个用户对应的n-1列，构成矩阵

将剩余的部分分别对行元素进行升序排列，得到矩阵即

步骤六：综合考虑候选用户受到已选用户以及潜在的可能被调度的用户的影响根据式(1)计算计算用户的相关因子

即对R_n中每一行的前ξ个元素分别求和并取倒数，等效于简化式(2)；

${\mathrm{\&psi;}}_{k,n}^{-1}=\underset{j=1}{\overset{\mathrm{\&xi;}}{\mathrm{\&Sigma;}}}{r}_{k,j},k\&Element;\{1,...,L\}---\left(2\right)$

得到列向量ψ_n=[ψ_1,n…ψ_L,n]^Η，其中，表示潜在的、后续可能被选择的用户集合，card(·)表示集合中的元素的个数；

步骤七：按照式(3)选择第n个用户，

sn表示被选择的用户的标号，

是用户k的调度权重，

是上一传输周期结束时用户k的平均相关因子，更新S_n=S_n-1∪{s_n}，

n=n+1，

步骤八：若n<N_T，返回步骤五；否则调度完成，根据被调度的用户

受到的实际干扰计算其相关因子ψ_k；若用户未被调度

ψ_k=0，并按照下式更新用户k，k∈{1,…,L}平均相关因子，用于计算下一个传输周期中的用户调度权重，

${\stackrel{\&OverBar;}{\mathrm{\&psi;}}}_k=\left\{\begin{array}{cc}{\mathrm{\&delta;}}_c{\stackrel{\&OverBar;}{\mathrm{\&psi;}}}_k+(1-{\mathrm{\&delta;}}_c){\mathrm{\&psi;}}_k,& k\&Element;S_{N_T}\\ {\mathrm{\&delta;}}_c{\stackrel{\&OverBar;}{\mathrm{\&psi;}}}_k,& k\&NotElement;S_{N_T}\end{array}\right.---\left(4\right)$

其中，δ_c=0.99，调度完成后，基站通知激活用户并进行下行数据通信，在下一个传输周期(t+1)的开销时隙阶段，重复执行步骤一～步骤八。

在步骤七中，权重的值由用户平均相关因子决定，以加权的相关度最大的准则来选择用户，合理的选择出一组相互之间干扰小的用户组，并保障了用户间的公平性。

结合以下的具体实施例对本发明做进一步的说明：

如图2所示，本发明研究单小区MU-MIMO下行广播信道，基站天线数为N_T，移动台天线数为N_R，小区中用户总数为L，在一个下行传输周期内，基站需要从中选择K个用户与之同时通信，通常情况下有L>N_T，受限于基站的硬件条件和处理能力，能够同时接受基站服务的MS个数K≤N_T，为了简单，取N_R=1，有K≤N_T成立，基站与用户MS_k之间的信道矩阵用H_k表示，其元素相互独立且服从复高斯分布，所有用户经历统计特性相同且相互独立的频率平坦衰落，基站采取等功率发送，总发射功率为P_T均分在每个用户的波束上；

以下叙述设置N_T=4，ξ=N_T-1，如图3所示，具体方法为：

步骤一：初始化已选空间子信道集合和候选空间子信道集合；

基站对下列参数进行初始化，初始化已选用户集合候选用户集合

表示空集合，随着调度过程的进行，已选用户集合和候选用户集合的元素会不断更新，

和S_n分别为在第n次迭代结束时候选和已选用户集合，n=1,…,N_T为迭代的次数，初始化n=1，用户侧采用联合信道参数估计的方法可获得信道矩阵信息，即基站发射N_T路子信号流，在每路子信号流前添加用户侧已知的训练序列组成的数据块，用户依据收到的信号与已知训练数据实现用户与基站之间的信道状态信息矩阵H的估计，用户将信道信息矩阵发送给基站；

步骤二：基站对用户k反馈的信道信息矩阵H_k进行奇异值分解 $H_k=U_k{\mathrm{\&Lambda;}}_k{V}_k^H=u_k\left[\begin{array}{cc}{\mathrm{\&lambda;}}_{k,1}& 0_{N_T-1}\end{array}\right]{\left[\begin{array}{cc}{V}_k^{\left(1\right)}& V_k^{\left(0\right)}\end{array}\right]}^H,$ 其中，λ_k,1表示第k个用户的信道矩阵的奇异值，反映用户信道的传输增益，

表示维度1×(N_T-1)的零向量，

和

分别由与非零奇异值λ_k,1和零奇异值对应的右奇异值向量构成，因为rank(H_k)=1，所以

v_i,1为V_i的第一个列向量，其中，rank(·)表示求矩阵的秩；

步骤三：基站根据分解后的矩阵构造中间矩阵

和

以及其中，diag(·)表示对角化操作；

步骤四：基站构造相关矩阵R，R为L×L方阵，其第i行第j列的元素为

其中，|·|表示求模运算，r_i,j反映的用户i和j之间的相关程度；

步骤五：从R中选择出与已经调度的n-1个用户对应的n-1列，构成矩阵

将剩余的部分分别对行元素进行升序排列，得到矩阵即

因为相关矩阵中的元素反映用户之间的相关程度，用户之间的相关程度越小表明用户的信道矩阵越接近正交，相互之间干扰就会越低，被选择的几率就会越高；

步骤六：根据式(1)计算计算用户的相关因子

即对R_n中每一行的前ξ个元素分别求和并取倒数，等效于简化式(2)；

${\mathrm{\&psi;}}_{k,n}^{-1}=\underset{j=1}{\overset{\mathrm{\&xi;}}{\mathrm{\&Sigma;}}}{r}_{k,j},k\&Element;\{1,...,L\}---\left(2\right)$

得到列向量ψ_n=[ψ_1,n…ψ_L,n]^Η，其中，

表示潜在的、后续可能被选择的用户集合，card(·)表示集合中的元素的个数，是第n步迭代过程中对

的估计，因为在调度过程结束前，已选用户集合S并未最终确定，所以ψ_k无法准确计算；

步骤七：按照式(3)选择第n个用户，

s_n表示被选择的用户的标号，

是用户k的调度权重，

是上一传输周期结束时用户k的平均相关因子，更新S_n=S_n-1∪{s_n}，n=n+1；

步骤八：若n<N_T，返回步骤五；否则调度完成，根据被调度的用户

受到的实际干扰计算其相关因子ψ_k；若用户未被调度

ψ_k=0，并按照下式更新用户k，k∈{1,…,L}平均相关因子，用于计算下一个传输周期中的用户调度权重，

${\mathrm{\&psi;}}_{k,n}^{-1}=\underset{j=1}{\overset{\mathrm{\&xi;}}{\mathrm{\&Sigma;}}}{r}_{k,j},k\&Element;\{1,...,L\}---\left(4\right)$

其中，δ_c=0.99，调度完成后，基站通知激活用户并进行下行数据通信，在下一个传输周期(t+1)的开销时隙阶段，重复执行步骤一～步骤八；

本发明根据式(3)对用户进行调度，对于经常被调度的用户，随着时间的推移，其平均相关因子

增大，权值μ_k随之减小，调度优先级降低；而与其它用户相互干扰大的用户，起初无法获得调度，但随着时间的推移，

逐渐减小，权重随之增大，获得调度的机会也增加，从而保证了用户间的公平性。

结合以下仿真实验对本发明的使用效果做进一步的说明：

一、仿真条件：MU-MIMO系统的N_T=4,N_R=1，研究的用户调度包括：1.穷举调度(Exhaustive scheduling,ES)，2.准正交用户调度(Semi-orthogonal userselection,SUS)，3.比例公平准正交用户调度(Proportional fair SUS,PF-SUS)，4.后验式调度(Reactive scheduling,RS)，即用户的选择仅基于候选用户与已选用户的相互干扰，5基于加权用户相关的公平调度(Weighed User-Correlation basedFairness Scheduling,WUCFS)本发明的算法；

图4为用户总数L=8，取不同信噪比时几种算法的系统和速率比较；

由图4可见，ES能够获得最大的系统和速率，WUCFS劣于ES，在低信噪比SNR<-5dB时，由公式(5)(6)可知用户速率主要由信噪比SNR和信道幅度增益λ决定，故各种算法得到的和速率差别不大，其中P₀为每个波束的发送功率，

为噪声功率；

$R_k={\log }_2(1+\frac{P_0{\mathrm{\&lambda;}}_{k,l}^2}{{\mathrm{\&sigma;}}_n^2+{\mathrm{\&chi;}}_k})---\left(5\right)$

${\mathrm{\&chi;}}_k={\mathrm{\&lambda;}}_{k,l}^2{P}_0{\mathrm{\&Sigma;}}_{j\&Element;S,j\&NotEqual;k}{\left|{\left[v_k^{\left(1\right)}\right]}^H{v}_j^{\left(1\right)}\right|}^2---\left(6\right)$

随着SNR的增大，用户间的干扰χ_k逐步占据主导地位，相同的信噪比时，χ_k越小，系统和速率越大，WUCFS在调度用户时考虑到与未来潜在用户的干扰，而RS、PF-SUS和SUS仅考虑候选用户与已选用户的干扰，因此相比于其它算法WUCFS能够选择出一组相互之间干扰小的用户，在高信噪比时获得更高的系统和速率；

图5为SNR=10dB时不同算法的公平性随用户数L的变化情况：

公平性用Jain’s公平性指数(Fairness Index,FI)衡量，该参数反映系统满足不同用户数据速率需求的程度，FI的表达式由下式给出：

其中，

定义为一段统计时间内，用户k被调度的次数与所有用户调度次数之和的比值，FI是0到1之间的连续值，FI越大，表示公平性越好，当每个用户的调度机会相等时，FI=1；当系统中只有一个用户被调度时，FI=1/L，根据图5，采用WUCFS，FI在0.9到1之间变化，表明算法具有很好的公平性，对于其它算法，FI随着L的增加呈下降趋势，公平性越来越差.

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种MU-MIMO下行链路基于加权用户相关的公平调度方法，其特征在于，该MU-MIMO下行链路基于加权用户相关的公平调度方法包括以下步骤：

步骤一：初始化已选用户集合为空集，候选用户集合为用户全集，随着调度过程的进行，已选用户集合和候选用户集合的元素不断更新，

和S_n分别为在第n次迭代结束时候选和已选用户集合，n=1,…,N_T为迭代的次数，初始化n=1；

步骤二：基站对用户k反馈的信道信息矩阵H_k进行奇异值分解 $H_k=U_k{\mathrm{\&Lambda;}}_k{V}_k^H=u_k\left[\begin{array}{cc}{\mathrm{\&lambda;}}_{k,1}& 0_{N_T-1}\end{array}\right]{\left[\begin{array}{cc}{V}_k^{\left(1\right)}& V_k^{\left(0\right)}\end{array}\right]}^H,$ 其中，λ_k,1表示第k个用户的信道矩阵的奇异值，

表示维度1×(N_T-1)的零向量，

和

分别由与非零奇异值λ_k,1和零奇异值对应的右奇异值向量构成，因为rank(H_k)=1，所以

v_i,1为V_i的第一个列向量，其中，rank(·)表示求矩阵的秩；

步骤三：基站根据分解后的矩阵构造中间矩阵

和 $\widehat{\mathrm{\&Lambda;}},\hat{V}=[V_1^{\left(1\right)},V_2^{\left(1\right)},...,V_L^{\left(1\right)}]$ 以及 $\widehat{\mathrm{\&Lambda;}}=\mathrm{diag}[{\mathrm{\&lambda;}}_{\mathrm{1,1}},{\mathrm{\&lambda;}}_{\mathrm{2,1}},...,{\mathrm{\&lambda;}}_{L,1}],$ 其中，diag(·)表示对角化操作；

步骤四：基站构造相关矩阵R，R为L×L方阵，第i行第j列的元素为

其中，|·|表示求模运算；

步骤五：从R中选择出与已经调度的n-1个用户对应的n-1列，构成矩阵

将剩余的部分分别对行元素进行升序排列，得到矩阵即

步骤六：计算用户的相关因子

即对R_n中每一行的前ξ个元素分别求和并取倒数，等效于简化得到列向量ψ_n=[ψ_1,n…ψ_L,n]^Η；

步骤七：按照公式选择第n个用户；

步骤八：若n<N_T，返回步骤五；否则调度完成，根据被调度的用户

受到的实际干扰计算相关因子ψ_k；若用户未被调度

ψ_k=0，并按照公式更新用户k，k∈{1,…,L}平均相关因子，用于计算下一个传输周期中的用户调度权重，调度完成后，基站通知激活用户并进行下行数据通信，在下一个传输周期(t+1)的开销时隙阶段，重复执行步骤一～步骤八。

2.如权利要求1所述的MU-MIMO下行链路基于加权用户相关的公平调度方法，其特征在于，在步骤六中综合考虑候选用户受到已选用户以及潜在的可能被调度的用户的影响根据式(1)计算用户的相关因子

即对R_n中每一行的前ξ个元素分别求和并取倒数，等效于简化式(2)；

${\mathrm{\&psi;}}_{k,n}^{-1}=\underset{j=1}{\overset{\mathrm{\&xi;}}{\mathrm{\&Sigma;}}}{r}_{k,j},k\&Element;\{1,...,L\}---\left(2\right)$

得到列向量ψ_n=[ψ_1,n…ψ_L,n]^Η，其中，

表示潜在的、后续可能被选择的用户集合，card(·)表示集合中的元素的个数。

3.如权利要求1所述的MU-MIMO下行链路基于加权用户相关的公平调度方法，其特征在于，在步骤七中按照公式

选择第n个用户；

s_n表示被选择的用户的标号，

是用户k的调度权重，

是上一传输周期结束时用户k的平均相关因子，更新S_n=S_n-1∪{s_n}，

n=n+1。

4.如权利要求3所述的MU-MIMO下行链路基于加权用户相关的公平调度方法，其特征在于，

对用户进行调度，随着时间的推移，平均相关因子

增大，权值μ_k随之减小，调度优先级降低。

5.如权利要求1所述的MU-MIMO下行链路基于加权用户相关的公平调度方法，其特征在于，在步骤八中更新用户k的平均相关因子的公式为

${\stackrel{\&OverBar;}{\mathrm{\&psi;}}}_k=\left\{\begin{array}{cc}{\mathrm{\&delta;}}_c{\stackrel{\&OverBar;}{\mathrm{\&psi;}}}_k+(1-{\mathrm{\&delta;}}_c){\mathrm{\&psi;}}_k,& k\&Element;S_{N_T}\\ {\mathrm{\&delta;}}_c{\stackrel{\&OverBar;}{\mathrm{\&psi;}}}_k,& k\&NotElement;S_{N_T}\end{array}\right.$

其中，δ_c=0.99。

6.如权利要求1所述的MU-MIMO下行链路基于加权用户相关的公平调度方法，其特征在于，在步骤七中权重的值由用户平均相关因子决定。

7.如权利要求1所述的MU-MIMO下行链路基于加权用户相关的公平调度方法，其特征在于，该MU-MIMO下行链路基于加权用户相关的公平调度方法为：

步骤一：初始化已选空间子信道集合和候选空间子信道集合；

基站对下列参数进行初始化，初始化已选用户集合

候选用户集合

表示空集合，随着调度过程的进行，已选用户集合和候选用户集合的元素会不断更新，

和S_n分别为在第n次迭代结束时候选和已选用户集合，n=1,…,N_T为迭代的次数，初始化n=1，用户侧采用联合信道参数估计的方法可获得信道矩阵信息，即基站发射N_T路子信号流，在每路子信号流前添加用户侧已知的训练序列组成的数据块，用户依据收到的信号与已知训练数据实现用户与基站之间的信道状态信息矩阵H的估计，用户将信道信息矩阵发送给基站；

步骤二：基站对用户k反馈的信道信息矩阵H_k进行奇异值分解 $H_k=U_k{\mathrm{\&Lambda;}}_k{V}_k^H=u_k\left[\begin{array}{cc}{\mathrm{\&lambda;}}_{k,1}& 0_{N_T-1}\end{array}\right]{\left[\begin{array}{cc}{V}_k^{\left(1\right)}& V_k^{\left(0\right)}\end{array}\right]}^H,$ 其中，λ_k,1表示第k个用户的信道矩阵的奇异值，反映用户信道的传输增益，表示维度1×(N_T-1)的零向量，和

分别由与非零奇异值λ_k,1和零奇异值对应的右奇异值向量构成，因为rank(H_k)=1，所以v_i,1为V_i的第一个列向量，其中，rank(·)表示求矩阵的秩；

步骤三：基站根据分解后的矩阵构造中间矩阵

和 $\widehat{\mathrm{\&Lambda;}},\hat{V}=[V_1^{\left(1\right)},V_2^{\left(1\right)},...,V_L^{\left(1\right)}]$ 以及 $\widehat{\mathrm{\&Lambda;}}=\mathrm{diag}[{\mathrm{\&lambda;}}_{\mathrm{1,1}},{\mathrm{\&lambda;}}_{\mathrm{2,1}},...,{\mathrm{\&lambda;}}_{L,1}],$ 其中，diag(·)表示对角化操作；

步骤四：基站构造相关矩阵R，R为L×L方阵，第i行第j列的元素为

其中，|·|表示求模运算，r_i,j反映的用户i和j之间的相关程度；

步骤五：从R中选择出与已经调度的n-1个用户对应的n-1列，构成矩阵

将剩余的部分分别对行元素进行升序排列，得到矩阵

即

步骤六：根据式(1)计算用户的相关因子

即对R_n中每一行的前ξ个元素分别求和并取倒数，等效于简化式(2)；

${\mathrm{\&psi;}}_{k,n}^{-1}=\underset{j=1}{\overset{\mathrm{\&xi;}}{\mathrm{\&Sigma;}}}{r}_{k,j},k\&Element;\{1,...,L\}---\left(2\right)$

得到列向量ψn=[ψ_1,n…ψ_L,n]^Η，其中，

表示潜在的、后续可能被选择的用户集合，card(·)表示集合中的元素的个数，

是第n步迭代过程中对

的估计，因为在调度过程结束前，已选用户集合S并未最终确定，所以ψ_k无法准确计算；

步骤七：按照下式选择第n个用户：

s_n表示被选择的用户的标号，

是用户k的调度权重，

是上一传输周期结束时用户k的平均相关因子，更新S_n=S_n-1∪{s_n}，

步骤八：若n<N_T，返回步骤五；否则调度完成，根据被调度的用户

受到的实际干扰计算相关因子ψ_k；若用户未被调度

ψ_k=0，并按照下式更新用户k，k∈{1,…,L}平均相关因子，用于计算下一个传输周期中的用户调度权重，

${\stackrel{\&OverBar;}{\mathrm{\&psi;}}}_k=\left\{\begin{array}{cc}{\mathrm{\&delta;}}_c{\stackrel{\&OverBar;}{\mathrm{\&psi;}}}_k+(1-{\mathrm{\&delta;}}_c){\mathrm{\&psi;}}_k,& k\&Element;S_{N_T}\\ {\mathrm{\&delta;}}_c{\stackrel{\&OverBar;}{\mathrm{\&psi;}}}_k,& k\&NotElement;S_{N_T}\end{array}\right.$

其中，δ_c=0.99，调度完成后，基站通知激活用户并进行下行数据通信，在下一个传输周期(t+1)的开销时隙阶段，重复执行步骤一～步骤八。

Images