CN103957529B - 一种基于学习的无定形小区的多准则用户选择方法 - Google Patents

Abstract

本发明涉及一种基于学习的无定形小区的多准则用户选择方法，属于无线通信技术领域。本发明方法通过选择接入次级小区的用户并设计其发射功率，使主小区和次级小区之间的干扰被限制在一定的阈值之内，然后利用一种灵活度较高的多准则用户选择方法来选择被服务的次级用户，从而改变次级小区的覆盖范围，同时最大化次级小区的系统容量，实现无定形小区的设计；能实现小区形状的动态调整，同时最大化次级小区的系统容量，并取得用户公平性和系统性能的折中。

Description

一种基于学习的无定形小区的多准则用户选择方法

技术领域

本发明涉及一种基于学习的无定形小区的多准则用户选择方法，属于无线通信技术领域。

背景技术

随着无线通信的不断发展，用户日益增长的无线通信需求与有限的无线频率资源间的矛盾持续加大。在传统的宏小区蜂窝网络中，通信有高峰和空闲时段，由于空闲时段的频谱没有被利用，导致已分配的频谱资源的总体利用率很低，造成了频谱资源的浪费。为改善频谱资源的利用，引入低功率节点来共享宏小区的频谱，即在整个宏小区内部署低功率节点的混合型网络，这种节点不仅相对成本较低，而且可以有效提高网络覆盖范围并增强服务质量。典型的低功率节点包括中继(Relay)节点、微微蜂窝(Picocell)和毫微微蜂窝（Femtocell），这些节点为室内和热点地区的覆盖和高速接入提供更好的保障，同时消除了盲点区域。

低功率节点的工作频率与传统基站的频率相同，大大提高了频谱效率，因而获得了学术界和工业界的广泛关注。为便于说明，将传统基站称为主基站，其对应的小区和用户称为主小区和主用户，低功率节点称为次级基站，其对应的小区和用户称为次级小区和次级用户。显然，主次级小区共用频谱，减少了频谱的浪费，但同时次级小区的通信会对主小区产生一定的干扰，在干扰严重的情况下，甚至会影响主小区的正常通信，因此，为了保证主小区的通信性能，次级小区通信时对主小区的干扰必须限定在一定的阈值内。

另外，传统小区都是形状确定的，如正六边形蜂窝小区、圆形小区等。传统的形状固定的小区使通信受到局限性，比如当基站发射功率小时，小区的边缘用户接收到的信号较弱，导致小区边缘用户的信噪比较低，影响用户的通信质量；当基站发射功率较大或天线设计得过高时，会产生越区覆盖，造成频率干扰或引起错误的切换，这些都会对小区的通信造成不良的影响。

考虑到基站服务的用户是有限的，不能同时服务所有的用户，因而通过设计一种合理的多用户选择方法，来选择接入的用户，从而实现小区的无定形设计。在传统小区中，其用户选择方法通常采用最大载干比方法、轮询方法以及比例公平方法。最大载干比方法保证了小区的最大吞吐量，但由于离基站较远的用户很难得到相应的服务，因此导致用户公平性的差异较大，且基站的覆盖范围小；轮询方法虽然保证了每个用户的公平性，但由于信道条件差的用户被服务的次数增多，导致系统的吞吐量下降；比例公平方法是基于系统吞吐量和用户公平性的一种折中方法，但是这种方法对时间窗的长度要求十分严格，一般要足以覆盖快衰落的变化，同时会带来附加的延迟。

发明内容

本发明的目的是针对主小区和次级小区间存在干扰，以及传统用户选择方法的不足，提出了一种基于学习的无定形小区多准则用户选择方法。为了保证主小区的正常通信，本发明通过学习技术来获得次级基站与主用户之间的信道状态信息，进而设计合理的预编码矩阵，从而抑制小区间的干扰。

本发明方法通过选择接入次级小区的用户并设计其发射功率，使主小区和次级小区之间的干扰被限制在一定的阈值之内，然后利用一种灵活度较高的多准则用户选择方法来选择被服务的次级用户，从而改变次级小区的覆盖范围，同时最大化次级小区的系统容量，实现无定形小区的设计。

本发明方法是建立在如下基础上进行设计的：主小区的形状确定，次级小区的形状不确定。在主小区中，主用户与主基站通信时不需考虑次级小区用户传输；对其中任意一个配置M_p根天线的主用户（M_p取正整数），设其对应的次级小区中有K个次级用户，各个用户分别配置有M_i（i=1,…,K）根天线（M_i为第i个用户配置的天线数目，取常数值），次级基站配置有M_B根天线（M_B取正整数）,且同时满足M_p<M_i，M_p<M_B和M_i≤M_B。

主基站到次级基站的信道为G_B,主基站到次级用户的信道为G_i(i=1,…,K),次级用户到次级基站的信道定义为H_i。传输采用时分双工（TDD）模式，上下行信道具有互易性。设计次级小区中每个传输帧分为四个阶段，即学习阶段，信道训练阶段，用户选择阶段和数据传输阶段（前三阶段为第四阶段提供更好的传输质量），每个传输帧的帧长N固定，N=N_l+N_t+N_s+N_d，其中，N_l为学习阶段的帧长，N_t为信道训练阶段的帧长，N_s为用户选择阶段的帧长，N_d为数据传输阶段的帧长。

本发明所述的基于学习的无定形小区多准则用户选择方法，具体包括以下步骤：

步骤1，学习阶段：次级基站和次级用户通过盲估计得到主小区中发送信号的噪声空间。通过设计信号的噪声空间，消除主小区和次级小区之间的干扰。具体方法为：

设主用户在符号间隔n发送的信号为s_p(n),n=1,…,Nl，其中s_p(n)是独立同分布的随机信号；次级小区复用主小区的频率段，次级基站和次级用户侦听主小区的传输，次级基站和次级用户接收到的信号分布表示为

y_B(n)＝G_Bs_p(n)+z_B(n)

(1)

y_i(n)＝G_is_p(n)+z_i(n)

其中y_B(n)为次级基站接收到的信号，y_i(n)为次级用户接收到的信号，i=1,…,K，z_B(n)为次级基站接收到的噪声，z_i(n)为次级用户接收到的噪声，y_B(n)和y_i(n)的协方差矩阵分别为R_B和R_i，通过对协方差矩阵进行特征值分解得到信号的噪声空间，分别表示为U_B和U_i。

利用信号和噪声的正交性，通过设计Nl的大小使得和然后次级用户和次级基站对接收到的信号分别进行预编码，即乘以接收信号的噪声空间从而消除主小区对次级小区的干扰。

按相同的方法，在次级小区中，次级基站和次级用户发送信号为分别为d_B(n)和d_i(n)，i=1,…,K，n=1,…,N_l，然后次级基站和次级用户对发送信号进行预编码，即将对应的发送信号分别乘以U_B*和U_i*，则主用户接收到的信号表示为

其中z_p(n)为主用户接收到的噪声信号，U_B*和U_i*分别表示噪声空间U_B和U_i的共轭，由于设计的N_l使得因此主用户所受干扰也会被消除。

N_l越长，即学习时间越长，获得噪声空间的准确性越高，但会降低系统的传输效率；N_l越短，就会影响噪声空间的准确性，实际选取时，根据系统对精度和传输效率的要求设定并通过实验仿真进行调整。

步骤2，信道训练阶段：在步骤1将主次级小区间的干扰消除以后，为了得到次级基站和次级用户之间的信道矩阵以及次级用户的信噪比，假设次级小区中次级基站向所有次级用户同时发送训练序列t(n)，首先进行信道估计（实施例中采用线性最小均方误差方法），得到次基站到第i个次级用户的信道矩阵以及估计误差ΔW_i。

然后通过训练得到用户的平均信噪比：

其中，P_BS为次级基站的发射功率，为次级用户接收到的噪声的方差，最后次级用户通过反馈信道将平均信噪比反馈给次级基站。

步骤3，用户选择阶段：由于次级基站不能同时服务所有的用户，且考虑到实际系统中次级用户的不同需求，本发明提出一种多准则用户选择方法，选择出次级基站服务的次级用户，最后次级基站通过反馈信道将选择的用户集传送给所有次级用户。由于反馈时间很短，反馈带来的误差能被忽略；由于次级基站具有很强的计算能力，用户选择时间很短，设定N_s＝1。具体方法如下所述：

设次级基站最多能够同时服务K_opt个次级用户（K_opt为常数），第i个用户的用户选择函数为s_i，s_i的值越大，该用户被服务的概率越大。

根据实际系统和用户的需求设计准则的种类为Γ种。所述准则为选择用户时遵循的原则，包括公平性、数据传输速率、优先级、系统的各项性能。

第i个用户相对于第j个用户的优先级表示为

其中φ_τ表示第τ个准则的权重，满足且在准则τ下第i个用户相对于第j个用户的优先级函数如下式：

b_τ,_ij是一个二值函数，f_τ(i)为准则τ对应的数学函数值。

计算任意两个次级用户的优先级，并进行比较后将K个次级用户的优先级按照从大到小的顺序进行排序。取其中前K_opt个次级用户作为被选择接入小区的用户。然后次级基站通过反馈信道将选择的用户集传送给所有次级用户。

步骤4，传输阶段：在根据步骤2得到的下行信道矩阵在考虑估计误差ΔW_i的情况下，利用信道互易性得到上行信道的信道矩阵为由于信道估计存在误差，为优化次级小区容量，首先固定N_t，在发送端和接收端已知信道的情况下，采用注水算法进行仿真优化步骤3选择的K_opt个次级用户的功率分配，然后在最优功率分配的基础上，得到次级小区容量和训练时间N_t的关系，最后在N_t的范围内进行计算机搜索，得到使次级小区容量最大时对应的训练时间N_t，即求得最优解。

有益效果

对比现有技术，本发明通过学习技术保证主小区的干扰受限，同时采用多准则用户选择方案，根据用户需求选择接入小区的用户并设计其发射功率，从而灵活地改变小区的覆盖范围，实现小区形状的动态调整，同时最大化次级小区的系统容量，并取得用户公平性和系统性能的折中。

附图说明

图1为本发明提出的基于学习的无定形小区的多准则用户选择方法的流程图；

图2为本发明实施例中的基于学习的无定形小区场景图；

图3为本发明实施例中学习技术的原理示意图；

图4为具体实施方式中本发明设计的多准则用户选择方法以及传统的用户选择方法下Pico小区容量比较曲线图；

图5为具体实施方式中本发明设计的多准则用户选择方法以及传统的用户选择方法下用户公平性对比图。

具体实施方式

为使发明的目的、技术方案及优点更加清楚明白，下面将结合附图对本发明的实施例进行详细描述。本实施例在以发明技术方案为前提进行实施，给出了详细实施方式和具体操作过程，但本发明的保护范围不限于下述的实施例。

传统的蜂窝式网络由宏蜂窝小区构成，每个小区的覆盖半径大约为1km到25km。在宏蜂窝小区中，通常存在两种微小区域。一是“盲点”，由于移动电波在传播过程中遇到障碍物而造成的阴影区域，该区域的通信质量严重恶劣，如地铁、地下室；二是“热点”，由于空间业务分布不均匀而造成的业务繁忙区域，如繁华的商业街、购物中心、体育场等。以上两“点”问题的解决可以引入微蜂窝小区来解决。为了提高频谱利用率，微蜂窝小区和宏蜂窝小区共用频谱资源，但这无疑会对宏蜂窝小区产生干扰。

本实施例，考虑Macro小区为上述的主小区，Pico小区为次级小区的混合异构场景。（本发明仅限于主小区和次级小区使用相同的频率的情况下，设计次级小区的用户选择方法，改变次级小区的覆盖范围，从而改变次级小区的形状和性能。）如图2，Macro基站（MBS）和Pico基站（PBS）使用相同的频段发射信号，PUE_i是Pico小区中的用户，MUE是Macro小区中的用户，由于Pico小区使用Macro小区的频段进行传输，因而会对Macro小区产生干扰，同样Pico小区中的通信也会受到宏蜂窝小区通信的干扰，因此必须消除小区间干扰。本发明通过学习技术将Macro小区受到的干扰限制在一定的阈值之内。为了选择接入Pico小区的用户，灵活改变小区的覆盖范围，改善小区的性能，本实施案例中通过Pico基站发送训练序列的方式采用线性最小均方误差的方法（当然并不仅限于这种方法）估计得到下行信道矩阵，利用TDD信道的互易性得到上行信道矩阵。

假设Macro小区中有一个用户且配置有2根天线，Pico小区中有5个用户，且每个用户有4根天线，Pico基站配置有4根天线，即在一次传输中最多可以接入4个用户。Pico小区的每个传输帧的帧长为N＝60，为保证噪声空间的准确，学习阶段的时间固定为N_l＝10。根据LTE标准，假设微小区基站功率为1w，用户功率为0.2w。仿真中考虑PUE₃的信道条件最差，也就是说，PUE₃离基站较远。考虑到用户的信道条件，仿真中我们取噪声方差为本发明所设计的基于学习技术的无定形小区设计流程如下：

步骤1，学习阶段，Pico小区中的基站和用户侦听Macro小区的传输，并通过盲估计得到Macro小区中的发送信号的噪声空间。通过对发送信号预编码，即将发送信号乘以噪声空间，以减少对Macro小区的干扰，同时对接收到的信号节能型预编码，以减少来自Macro小区的干扰。如图3所示。

步骤2，信道训练阶段，在步骤1将Pico小区和Macro小区之间的干扰消除的情况下，为了得到PBS和PUE_i之间的信道状态以及PUE_i的信噪比，假设PBS向PUE_i同时发送训练序列。由于估计误差的存在，本实施例中采用MMSE方法估计PBS和PUE_i间的信道，得到信道估计矩阵，以及用户的平均信噪比，如下式：

然后，PUE_i通过反馈信道将平均信噪比反馈给PBS。

步骤3，用户选择阶段，本实施例中Pico小区中有5个用户，而PBS最多能够同时服务4个用户，考虑到Pico小区中用户有不同需求，本发明提出一种多准则用户选择方法，选择出PBS同时服务的用户，最后PBS通过反馈信道将选择的用户集传送给所有PUE_i。

为便于与传统方法比较，本实施例中的多准则用户选择方法选用以下两种方法作为准则：一是最大载干比算法即二是轮询算法即-f₂(i)＝i+δ_iK，则PUEi相对于PUE_j的优先级为：

其中ω_τ表示第τ个准则的权重，且满足根据用户的不同需求调整权重的大小，本实施例中我们选取ω₁＝ω₂＝0.5（具体情况下可根据不同的需求来调整权重的大小）。在上述两个准则下，PUE_i相对于PUE_j的优先级函数分别为

进而得到PUE_i的用户选择函数为：

根据多准则用户选择方法选出接入小区的用户，当被选择的用户离基站较近时，小区的覆盖范围较小，当用户离基站较远时，小区的覆盖范围较大。由于接入小区的用户的分布是随机的，同时多准则用户选择方法可以通过改变权重选择接入小区的用户，因而这种方法可以灵活地改变小区的覆盖范围，从而动态的改变小区的形状。

可以看出，多准则的方法同时考虑了用户公平性和系统性能，另外由于用户在小区中的分布是随机的，并且考虑到用户的移动性以及用户选择方法的灵活性，每传输一次，在下一次传输时所选择的用户的分布就会发生变化，因而这种方法可以在保证公平性和系统性能的情况下动态地改变小区的覆盖范围。

步骤4，传输阶段，根据步骤2得到下行信道矩阵，在考虑估计误差的情况下，利用信道互易性得到上行信道的信道矩阵为由于信道估计存在误差，为了使系统容量达到最大，需要给步骤3选择的用户分配发送功率，为优化系统容量，首先固定训练长度N_t，在发送端和接收端已知信道的情况下，采用注水算法为用户分配功率，进而在最优的功率分配基础上，寻找使系统容量最大的N_t的范围。

根据上面的条件，对接入小区用户进行选择并对小区容量进行仿真分析，图4给出了多准则用户选择方法以及传统的方法给出的小区容量曲线图，从图中可以看出，最大载干比方法具有最好的性能，因为这种方法只考虑了信道条件好的用户的要求，忽略了用户的公平性；轮询方法具有最差的性能，因为这种方法只考虑了用户的公平性，而忽略了小区的整体性能；比例公平方法得到的性能介于两者之间，因为它既考虑了公平性也考虑了小区的性能。然而，多准则方法在同时考虑公平性和小区性能的情况下，得到的系统性能要优于比例公平算法。另外，多准则用户选择方法，可以通过改变加权和准则获得不同的系统性能，灵活的适应不同的需求。

不同的用户选择方法下用户公平性见图5，从图中可以看出，信道条件最差的PUE₃被选择的概率远远低于其他用户，可见最大载干比方法没有考虑到用户的公平性。尽管一些用户的信道条件不好，但他们仍然可能要传输很重要的信息，比如紧急呼叫等。显然其他三种方法在考虑用户的公平性方面要优于最大载干比方法，考虑到紧急呼叫等这些传送重要信息的呼叫并不会经常发生，而很多情况下系统的性能比用户公平性更重要，因此多准则用户方法的无定形小区更适合实际情况，并且很好地在系统性能和用户公平性方面进行了折中。

以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于学习的无定形小区的多准则用户选择方法，其特征在于：建立在如下基础上进行的设计：主小区的形状确定，次级小区的形状不确定；在主小区中，主用户与主基站通信时不需考虑次级小区用户传输；对其中任意一个配置M_p根天线的主用户，设其对应的次级小区中有K个次级用户，各个用户分别配置有M_i根天线，次级基站配置有M_B根天线,且同时满足M_p<M_i，M_p<M_B和M_i≤M_B；其中，M_B和M_p取正整数，i＝1,…,K，M_i为第i个用户配置的天线数目，取常数值；

主基站到次级基站的信道为G_B,主基站到次级用户的信道为G_i,次级用户到次级基站的信道定义为H_i；传输采用时分双工模式，上下行信道具有互易性；设计次级小区中每个传输帧分为四个阶段，即学习阶段，信道训练阶段，用户选择阶段和数据传输阶段，每个传输帧的帧长N固定，N＝N_l+N_t+N_s+N_d，其中，N_l为学习阶段的帧长，N_t为信道训练阶段的帧长，N_s为用户选择阶段的帧长，N_d为数据传输阶段的帧长；

具体包括以下步骤：

步骤1，学习阶段：次级基站和次级用户通过盲估计得到主小区中发送信号的噪声空间；通过设计信号的噪声空间，消除主小区和次级小区之间的干扰；具体方法为：

设主用户在符号间隔n发送的信号为s_p(n),n＝1,…,N_l，其中s_p(n)是独立同分布的随机信号；次级小区复用主小区的频率段，次级基站和次级用户侦听主小区的传输，次级基站和次级用户接收到的信号分布表示为

$\begin{array}{c}{y}_B\left(n\right)=G_B{s}_p\left(n\right)+z_B\left(n\right)\\ y_i\left(n\right)=G_i{s}_p\left(n\right)+z_i\left(n\right)\end{array}---\left(1\right)$

其中y_B(n)为次级基站接收到的信号，y_i(n)为次级用户接收到的信号，z_B(n)为次级基站接收到的噪声，z_i(n)为次级用户接收到的噪声，y_B(n)和y_i(n)的协方差矩阵分别为R_B和R_i，通过对协方差矩阵进行特征值分解得到信号的噪声空间，分别表示为U_B和U_i；

利用信号和噪声的正交性，通过设计N_l的大小使得和然后次级用户和次级基站对接收到的信号分别进行预编码，即乘以接收信号的噪声空间从而消除主小区对次级小区的干扰；

按相同的方法，在次级小区中，次级基站和次级用户发送信号为分别为d_B(n)和d_i(n)，然后次级基站和次级用户对发送信号进行预编码，即将对应的发送信号分别乘以U_B ^*和U_i ^*，则主用户接收到的信号表示为

$y_p\left(n\right)=\underset{i=1}{\overset{K}{\&Sigma;}}{G_i}^T{U_i}^{*}{d}_i\left(n\right)+{G_B}^T{U_B}^{*}{d}_B\left(n\right)+z_p\left(n\right)---\left(2\right)$

其中z_p(n)为主用户接收到的噪声信号，U_B ^*和U_i ^*分别表示噪声空间U_B和U_i的共轭，由于设计的N_l使得因此主用户所受干扰也会被消除；

步骤2，信道训练阶段：在步骤1将主次级小区间的干扰消除以后，设次级小区中次级基站向所有次级用户同时发送训练序列t(n)，首先进行信道估计，得到次基站到第i个次级用户的下行信道矩阵以及估计误差ΔW_i；

然后通过训练得到用户的平均信噪比：

${\stackrel{\&OverBar;}{SNR}}_i=\frac{1}{N_t}\underset{n=1}{\overset{N_t}{\&Sigma;}}{\mathrm{SNR}}_i\left(n\right)=\frac{P_{BS}tr\left({\hat{W}}_i{W}_i^H\right)}{{\mathrm{\&delta;}}_{ni}^2}---\left(3\right)$

其中，P_BS为次级基站的发射功率，为次级用户接收到的噪声的方差，最后次级用户通过反馈信道将平均信噪比反馈给次级基站；

步骤3，用户选择阶段：选择出次级基站服务的次级用户，最后次级基站通过反馈信道将选择的用户集传送给所有次级用户；设定N_s＝1；具体方法如下所述：

设次级基站最多能够同时服务K_opt个次级用户，K_opt为常数，第i个用户的用户选择函数为s_i；

根据实际系统和用户的需求设计准则的种类为Γ种；第i个用户相对于第j个用户的优先级表示为

$s_{ij}=\underset{\mathrm{\&tau;}=1}{\overset{\mathrm{\&Gamma;}}{\&Sigma;}}{\mathrm{\&phi;}}_{\mathrm{\&tau;}}{b}_{\mathrm{\&tau;},ij}---\left(4\right)$

其中φ_τ表示第τ个准则的权重，满足且在准则τ下第i个用户相对于第j个用户的优先级函数如下式：

b_τ,ij是一个二值函数，f_τ(i)为准则τ对应的数学函数值；

计算任意两个次级用户的优先级，并进行比较后将K个次级用户的优先级按照从大到小的顺序进行排序；取其中前K_opt个次级用户作为被选择接入小区的用户；然后次级基站通过反馈信道将选择的用户集传送给所有次级用户；

步骤4，传输阶段：在根据步骤2得到的下行信道矩阵在考虑估计误差ΔW_i的情况下，利用信道互易性得到上行信道的信道矩阵为由于信道估计存在误差，为优化次级小区容量，首先固定N_t，在发送端和接收端已知信道的情况下，采用注水算法进行仿真优化步骤3选择的K_opt个次级用户的功率分配，然后在最优功率分配的基础上，得到次级小区容量和训练时间N_t的关系，最后在N_t的范围内进行计算机搜索，得到使次级小区容量最大时对应的训练时间N_t。

2.根据权利要求1所述的一种基于学习的无定形小区的多准则用户选择方法，其特征在于：N_l越长，即学习时间越长，获得噪声空间的准确性越高，但降低系统的传输效率；N_l越短，影响噪声空间的准确性，实际选取时，根据系统对精度和传输效率的要求设定并通过实验仿真进行调整。

3.根据权利要求1所述的一种基于学习的无定形小区的多准则用户选择方法，其特征在于：所述准则为选择用户时遵循的原则，包括公平性、数据传输速率、优先级。