CN103973354A - 一种td-lte-a中基于用户满意度的联合用户选择和波束赋形方法 - Google Patents

Abstract

一种TD-LTE-A中基于用户满意度的联合用户选择和波束赋形方法，本发明涉及用户满意度的联合用户选择和波束赋形方法。本发明是要解决传统方法受限于算法的应用并且算法复杂没有考虑业务类型、用户公平性不均和满意度较低的的问题，而提出的一种TD-LTE-A中基于用户满意度的联合用户选择和波束赋形方法。该方法是通过步骤一、得到初始选择用户集Φ；步骤二、得到初始选择用户集Φ中每个用户相应的波束赋形矩阵并获得初始选择用户集的特征值SLNR_k和初始选择用户集的满意度值；步骤三、获得最优的选择用户集Θ等步骤实现的。本发明应用于用户满意度的联合用户选择和波束赋形方法。

Description

一种TD-LTE-A中基于用户满意度的联合用户选择和波束赋形方法

技术领域

本发明涉及一种TD-LTE-A中基于用户满意度的联合用户选择和波束赋形方法。

背景技术

在无线通信技术的发展过程中，MIMO技术被用来提高系统的频谱效率，与此同时，在降低同信道干扰上多用户MIMO和波束赋型等技术也得到了进一步的发展和应用。考虑到TDD模式中上下行信道互异性的特点，基站端可以利用上行信道信息的上报获得下行信道的信息得到下行波束赋形，从而降低信道估计的信令开销。所以TDD模式下的波束赋形技术得到广泛的关注。

波束赋形技术包括两类，非线性波束赋形和线性波束赋形。非线性波束赋形中的脏纸编码技术是取得最优系统和容量的最优算法，但是其具有极高的复杂度，需要的硬件设备复杂。为了降低计算复杂度和取得次优的系统和容量，线性波束赋形算法被提出来，例如，ZF,MMSE,BD和SLNR波束赋形算法。虽然ZF和BD波束赋形算法能够完全消除多用户之间的干扰，但算法受限于基站端发送天线的数目大于等于接收端所有用户接收天线之和，这大大地限制了算法的应用。

在多用户波束赋形系统中，基站同时支持的用户数是有限的，通过选择合适的用户来接入，避免选择干扰严重和信道质量较差的用户对，可以充分利用系统的空间分集增益，提高系统的吞吐量和传输速率，所以用户选择也是TD-LTE-A的研究重点之一。常用的用户选择有轮询算法、最大化信道范数算法、最大化SLNR算法等。对于用户选择算法，一般考虑的主要因素包括用户公平性，系统的性能和算法的复杂度等。众所周知，对于用户选择来说穷举算法是最优的，然而穷举需要很高的计算复杂度。所以，为了降低系统的计算复杂度，基于信道矩阵相关性的用户选择方法被采用。与此同时，为了获得更高的系统吞吐量，结合MMSE波束赋形的最大化加权和速率和结合ZF波束赋形的半正交用户选择算法被提出来应用。

相比于目前用户实际通信中不同业务类型的需求，虽然上述方法降低了计算复杂度，提高了系统的和速率等，但是用户的业务类型并没有加以考虑，与此同时，也存在系统中用户公平性不均和满意度较低的情况。

发明内容

本发明的目的是为了解决目前TD-LTE-A系统用户选择方法中算法受限于算法的应用并且算法复杂没有考虑业务类型、用户公平性不均和满意度较低的的问题，而提出一种TD-LTE-A中基于用户满意度的联合用户选择和波束赋形方法。

上述的发明目的是通过以下技术方案实现的：

步骤一、初始化系统中用户满意度，采用信道范数对系统中每个用户进行排序得到初始选择用户集Φ；

步骤二、采用现有的SLNR波束赋形方法得到初始选择用户集Φ中每个用户相应的波束赋形矩阵并获得初始选择用户集的特征值SLNR_k和初始选择用户集的满意度值；

步骤三、利用获得初始选择用户集的特征值SLNR_k和初始选择用户集的满意度值，针对GBR业务和non-GBR业务，遍历系统中所有用户直到更新后的选择用户集Φ中所有用户均符合用户选择策略为止，从而获得最优的选择用户集Θ；即完成了一种TD-LTE-A中基于用户满意度的联合用户选择和波束赋形方法。

发明效果

本发明运用的下行多用户波束赋形中最常用的算法SLNR不仅可以消除多用户之间的干扰还能降低基站端的发射功率，在降低算法复杂度的同时实现较高的系统容量和较低的平均误码率，从而能够在复杂度和系统性能间获得较好的折中。从而解决算法受限于基站端发送天线的数目大于等于接收端所有用户接收天线之和。并且在现有用户选择结合SLNR算法的基础中，考虑了用户业务类型和用户满意度。本发明引入用户满意度，对系统中用户选择的策略进行了调整，在保证系统性能的同时，在兼顾了系统用户业务的分类下，提高用户的满意度的同时也提高了系统中用户的公平性。并且本发明所提的基于满意度的联合用户选择和波束赋形算法中利用获得初始选择用户集的特征值和初始选择用户集的满意度值，针对GBR业务和non-GBR业务，遍历系统中所有用户直到更新后的选择用户集Φ中所有用户均符合用户选择策略为止，从而获得最优的选择用户集Θ使得GBR业务用户的平均满意度相比于其他传统算法提高了约为40％-60％，如图2所示；基于满意度的联合用户选择和波束赋形算法中所有用户的平均满意度相比于其他传统算法提高了约为20％-30％，如图3。并且GBR业务用户平均满意度的方差比传统最大最小化SLNR算法降低了8％，No-GBR业务平均满意度方差比传统最大最小化SLNR算法降低了1％，如图4所示。

附图说明

图1是具体实施方式一提出的一种TD-LTE-A中基于用户满意度的联合用户选择和波束赋形方法流程图；

图2是具体实施方式一提出的波束赋形方法和现有轮询、最大化信道范数、最大最小化SLNR的用户选择算法的用户平均满意度对比曲线示意图；

图3是具体实施方式一提出的波束赋形方法和现有轮询、最大化信道范数、最大最小化SLNR的用户选择算法的GBR业务用户平均满意度对比曲线示意图；

图4是具体实施方式一提出的波束赋形方法和现有最大最小化SLNR的用户选择算法的用户平均满意度方差对比曲线示意图；

图5为实施例提出的用户选择方法和现有轮询、最大化信道范数、最大最小化SLNR的用户选择算法的和容量对比曲线示意图；

图6为实施例中所述的TD-LTE-A中基于用户满意度的联合用户选择和波束赋形方法的原理示意图。

具体实施方式

具体实施方式一：本实施方式的一种TD-LTE-A中基于用户满意度的联合用户选择和波束赋形方法，具体是按照以下步骤制备的：

步骤一、初始化系统中用户满意度，采用信道范数对系统中每个用户进行排序得到初始选择用户集Φ；

步骤二、采用现有的SLNR波束赋形方法得到初始选择用户集Φ中每个用户相应的波束赋形矩阵并获得初始选择用户集的特征值SLNR_k和初始选择用户集的满意度值；

步骤三、利用获得初始选择用户集的特征值SLNR_k和初始选择用户集的满意度值，针对GBR业务和non-GBR业务，遍历系统中所有用户直到更新后的选择用户集Φ中所有用户均符合用户选择策略为止，从而获得最优的选择用户集Θ；即完成了一种TD-LTE-A中基于用户满意度的联合用户选择和波束赋形方法。

本实施方式效果：

本实施方式运用的下行多用户波束赋形中最常用的算法SLNR不仅可以消除多用户之间的干扰还能降低基站端的发射功率，在降低算法复杂度的同时实现较高的系统容量和较低的平均误码率，从而能够在复杂度和系统性能间获得较好的折中。从而解决算法受限于基站端发送天线的数目大于等于接收端所有用户接收天线之和。并且在现有用户选择结合SLNR算法的基础中，考虑了用户业务类型和用户满意度。本实施方式引入用户满意度，对系统中用户选择的策略进行了调整，在保证系统性能的同时，提高用户的满意度的同时也提高了系统中用户的公平性。

并且本实施方式所提的基于满意度的联合用户选择和波束赋形算法中利用获得初始选择用户集的特征值和初始选择用户集的满意度值，针对GBR业务和non-GBR业务，遍历系统中所有用户直到更新后的选择用户集Φ中所有用户均符合用户选择策略为止，从而获得最优的选择用户集Θ使得GBR业务用户的平均满意度相比于其他传统算法提高了约为40％-60％，如图2所示；基于满意度的联合用户选择和波束赋形算法中所有用户的平均满意度相比于其他传统算法提高了约为20％-30％，如图3。并且GBR业务用户平均满意度的方差比传统最大最小化SLNR算法降低了8％，No-GBR业务平均满意度方差比传统最大最小化SLNR算法降低了1％，如图4所示。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中采用信道范数对系统中用户进行排序方法为：

$\underset{K_{\mathrm{all}}}{\max }\left(\mathrm{norm}\left(H_k\right)\right)$

式中，H_k是用户k的信道矩阵,K_all是系统中所有用户数；步骤一结束后选取其中前M个用户放入初始选择用户集Φ中。其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中采用现有的SLNR波束赋形方法得到初始选择用户集Φ中每个用户相应的波束赋形矩阵的方法为：

用户端配置MMSE接收机且所选用户的发射功率归一化，用户k的SLNR表示为：

$\begin{array}{c}J\left(W_k\right)=\frac{{\left|\right|H_k{W}_k\left|\right|}_F^2}{N_r{\mathrm{\σ}}^2+{\mathrm{\Σ}}_{i=1,i\≠k}^K{\left|\right|H_i{W}_k\left|\right|}_F^2}\\ =\frac{\mathrm{tr}\left(W_k^H{H}_k^H{H}_k{W}_k\right)}{\mathrm{tr}\left(W_k^H({\stackrel{\‾}{H}}_k^H{\stackrel{\‾}{H}}_k+N_r{\mathrm{\σ}}^2{I}_{N_t})W_k\right)}\end{array}$

式中，其中H_k是用户k的信道矩阵，H_i是用户i的信道矩阵，W_k是用户k的波束赋形矩阵，表示矩阵的Frobenius范数，tr为矩阵的迹，N_t是基站端的发射天线数目，σ²为用户k的噪声功率，为N_T维的单位矩阵；

当SLNR最大，即用户的信漏噪比最大时，迭代获得的用户k的波束赋形矩阵为： $\begin{array}{c}{W}_k=\underset{W_k}{\arg \max }J\left(W_k\right)\\ =\underset{W_k}{\arg \max }\frac{\mathrm{tr}\left(W_k^H{H}_k^H{H}_k{W}_k\right)}{\mathrm{tr}\left(W_k^H({\stackrel{\‾}{H}}_k^H{\stackrel{\‾}{H}}_k+N_r{\mathrm{\σ}}^2{I}_{N_t})W_k\right)}\end{array}.$ 其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：步骤二中所述获得初始选择用户集波束赋形矩阵对应的的特征值SLNR_k和初始选择用户集的满意度值的方法为：

(1)用户集波束赋形矩阵对应的的特征值其中， ${\mathrm{\λ}}_1\≥{\mathrm{\λ}}_2\≥...\≥{\mathrm{\λ}}_{N_t}$ 为矩阵束 $\{H_k^H{H}_k,{\stackrel{\‾}{H}}_k^H{\stackrel{\‾}{H}}_k+N_r{\mathrm{\σ}}^2{I}_{N_t}\}$ 的广义特征值；

(2)针对GBR业务：

式中，为GBR业务实际传输的平均速率，r_k,tar为GBR业务允许传输的最高速率，r_k,min为GBR业务最小传输速率；为GBR业务实际平均传输时延，d_k,tar为GBR业务允许的最大传输时延，是GBR业务的满意度参考指数；

针对non-GBR业务，根据步骤二得到的所选用户波束赋形矩阵下，获得每个用户的满意度值为：

${\mathrm{sat}}_k^{\mathrm{Non}-\mathrm{GBR}}=\left\{\begin{array}{cc}1& \stackrel{\‾}{r_k}\≥r_{k,\mathrm{tar}}\mathrm{and}\stackrel{\‾}{d_k}\≤d_{k,\mathrm{tar}}\\ {\left(\frac{\stackrel{\‾}{r_k}}{r_{k,\mathrm{tar}}}\right)}^{\mathrm{\Ω}}& \mathrm{otherwise}\\ 0& \stackrel{\‾}{d_k}>d_{k,\mathrm{tar}}\end{array}\right.$

式中，为non-GBR业务实际传输的平均速率，r_k,tar为non-GBR业务允许传输的最高速率；为non-GBR业务实际平均传输时延，d_k,tar为non-GBR业务允许的最大传输时延，Ω是non-GBR业务的满意度参考指数。其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：实际传输的平均速率的获得方法为：

(1)基站利用信道估计得到的信道矩阵信息，通过系统中用户信道范数排序选取接入用户集得到初始选择用户集Φ；

(2)利用SLNR算法计算得到初始选择用户集Φ的波束赋形矩阵；

(3)将波束赋形矩阵数据通过基站传输到用户端；

(4)用户端处理计算得到实际传输的平均速率其中，N为用户端正确接收的比特数，N_tm为一个TTI中的OFDM符号数，N_f为系统中RB的数目，Q_m是基站发射端调制指数，R_c是基站发射端的编码速率。其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：步骤三中遍历系统中所有用户直到选择用户集Φ中所有用户均符合用户的选择策略为：

利用SLNR算法得到用户的特征值和满意度值，对系统中用户进行重新选择放到选择用户集Θ中，更新最优用户集Θ；选择策略为：

$\underset{K_{\mathrm{all}}}{\max }\left(\underset{k\∈\mathrm{\Θ}}{\min }({\mathrm{SLNR}}_k/{\mathrm{SAT}}_k)\right)s.t.\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{\left|\right|w_i\left|\right|}_F^2\≤P$

式中，K_all是系统中所有用户数，Θ是最优用户集，SLNR_k是用户k的SLNR特征值，SAT_k是用户k当前TTI的前10个TTI满意度的平均值，W_i是用户i的波束赋形矩阵,P是基站端的最大传输功率限制；对步骤一中的选择用户集以外的所有用户进行遍历，按照选择策略进行用户选择；这样平均满意度越大的用户可以不用时刻被调度，平均满意度越小的用户在下一时隙被调度的可能性增加，保证了系统用户选择的用户公平性，与此同时，系统中用户的SLNR特征值也被作为选择策略，特征值越大的用户被选择的机会越大，这样便保证了系统的整体性能。其它步骤及参数与具体实施方式一至五之一相同。

采用以下实施例验证本发明的有益效果：

实施例一：

本实施例一种TD-LTE-A中基于用户满意度的联合用户选择和波束赋形方法，具体是按照以下步骤制备的：

图6为下行用户选择结合波束赋形的原理示意图，系统的总用户数设置为K_all，基站发射天线数为N_t，UE的接收天线数为N_r；在基站端，首先进行用户选择，利用信道范数初步选出系统同时可接入用户M个放到选择用户集Φ中，选择用户集中用户的数据通过串并转换模块，经由波束赋型模块发送给UE，对于用户k而言，其波束赋形矩阵可以表示为由于本文主要考虑波束赋型算法，因此假设各个用户以及数据流的发射功率相同，此时波束赋型矩阵的迹需要满足 $\mathrm{tr}\left(W_k{W}_k^H\right)=N_t;$

接收端，用户k的接收信号可表示为：

其中，为经过波束赋型模块后用户k的发送信号，m_k为用户k对应的数据流数,L是传输信号的符号数；为eNodeB到第k个用户的信道矩阵；n_k为用户端的零均值加性高斯噪声；

可以看出，在接收信号r_k中除了用户k的期望信号之外，还存在着其他用户对用户k的干扰，所以应用传统的SLNR波束赋形方法计算相应的波束赋形矩阵消除这种干扰；当UE端配置匹配滤波接收机且用户的发射功率已经被归一化时，用户k的SLNR可表示为：

$\begin{array}{c}J\left(W_k\right)=\frac{{\left|\right|H_k{W}_k\left|\right|}_F^2}{N_r{\mathrm{\σ}}^2+{\mathrm{\Σ}}_{i=1,i\≠k}^K{\left|\right|H_i{W}_k\left|\right|}_F^2}\\ =\frac{\mathrm{tr}\left(W_k^H{H}_k^H{H}_k{W}_k\right)}{\mathrm{tr}\left(W_k^H({\stackrel{\‾}{H}}_k^H{\stackrel{\‾}{H}}_k+N_r{\mathrm{\σ}}^2{I}_{N_t})W_k\right)}\end{array}$

式中，其中H_k是用户k的信道矩阵，W_k是用户k的波束赋形矩阵，表示矩阵的Frobenius范数，tr为矩阵的迹，N_r是用户端的接收天线数目，σ²为用户k的噪声功率，为N_T维的单位矩阵；基于SLNR准则的波束赋形算法以最大化上式为目标，即波束赋形矩阵可以由下面的公式得到：

$\begin{array}{c}{W}_k=\underset{W_k}{\mathrm{mrg}\max J}\left(W_k\right)\\ =\underset{W_k}{\arg \max }\frac{\mathrm{tr}\left(W_k^H{H}_k^H{H}_k{W}_k\right)}{\mathrm{tr}\left(W_k^H({\stackrel{\‾}{H}}_k^H{\stackrel{\‾}{H}}_k+N_r{\mathrm{\σ}}^2{I}_{N_t})W_k\right)}\end{array}$

通过上式可以发现，当采用SLNR算法时，用户k的最优波束赋形矩阵的选取只同其本身的波束赋形矩阵有关，而同其他用户的波束赋形矩阵并无直接关系；现有文献已经证明，当 ${\mathrm{\λ}}_1\≥{\mathrm{\λ}}_2\≥...\≥{\mathrm{\λ}}_{N_t}$ 为矩阵束 $\{H_k^H{H}_k,{\stackrel{\‾}{H}}_k^H{\stackrel{\‾}{H}}_k+N_r{\mathrm{\σ}}^2{I}_{N_t}\}$ 的广义特征值，而X_k为各广义特征值对应的广义特征向量时，用户k波束赋型矩阵的最优解即为X_k的前m_k列；因此，用户k的波束赋形矩阵可以表示为：式中，β_k是使波束赋形矩阵满足发射功率约束的权值系数，X_k(:,1:mk)是由X_k的前m_k列组成的矩阵；同时得到用户的SLNR特征值SLNR_k；然后，基站利用信道估计得到的信道矩阵信息，通过系统中用户信道范数排序选取可接入用户，利用SLNR算法得到所选用户的波束赋形矩阵，模拟实际传输估计在初始波束赋形矩阵下用户传输的平均速率，从而计算在波束赋形矩阵下初始选择用户集中每个用户的满意度，针对GBR业务和non-GBR业务定义的满意度计算方法如下：

${\mathrm{sat}}_k^{\mathrm{Non}-\mathrm{GBR}}=\left\{\begin{array}{cc}1& \stackrel{\‾}{r_k}\≥r_{k,\mathrm{tar}}\mathrm{and}\stackrel{\‾}{d_k}\≤d_{k,\mathrm{tar}}\\ {\left(\frac{\stackrel{\‾}{r_k}}{r_{k,\mathrm{tar}}}\right)}^{\mathrm{\Ω}}& \mathrm{otherwise}\\ 0& \stackrel{\‾}{d_k}>d_{k,\mathrm{tar}}\end{array}\right.$

式中，r_k,tar和r_k,min分别表示业务实际传输的平均速率、允许传输的最高速率以及最小传输速率要求；和d_k,tar分别代表业务的实际平均传输时延以及允许的最大时延，和Ω分别是GBR业务和non-GBR业务的满意度参考指数；

考虑到不同业务的优先级也不同，针对GBR业务和non-GBR业务，利用计算得到的SLNR特征值SLNR_k和满意度SAT_k值对初始选择用户中的用户进行重新选择，选择策略为：

$\underset{K_{\mathrm{all}}}{\max }\left(\underset{k\∈\mathrm{\Θ}}{\min }({\mathrm{SLNR}}_k/{\mathrm{SAT}}_k)\right)s.t.\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{\left|\right|w_i\left|\right|}_F^2\≤P$

式中，K_all是系统中所有用户数，Θ是最优用户集，SLNR_k是用户k的SLNR特征值，SAT_k是用户k当前TTI的前10个TTI满意度的平均值，W_i是用户i的波束赋形矩阵,P是基站端的最大传输功率限制；

依照LTE系统的参数要求，仿真参数设置如下：eNB的发射天线总数设置为8，用户端配置单天线，系统内的工作总用户数K_all＝40，同一时隙可以接入的用户数为M＝8，其中GBR业务和non-GBR业务的用户数均为4个；系统带宽为1.4MHz；信道为瑞利衰落信道，关于GBR业务和non-GBR业务满意度的具体参数配置如表1所示；为使仿真过程突出用户满意度的变化，本文未考虑资源分配等过程，且假设信道估计是完全理想的，同时假定各用户接收机的噪声方差是一致的；

表1为GBR业务和non-GBR业务满意度的参数配置

业务类型	rk,tar/Mbps	rk,min/Mbps	dk,tar/ms
				GBR	1	0.512	100
Non-GBR	1	-	100

图2和图3分别给出了本发明提供的用户选择算法和现有轮询、最大化信道范数、最大最小化SLNR的用户选择算法的GBR业务用户平均满意度及所有业务用户平均满意度的对比图，可以看出，本发明所提供的用户选择算法下用户的平均满意度提高了20％-30％，特别是GBR业务的用户平均满意度，有了40％-60％的提高；可以说明系统用户的满意度有了很到的提升；

图4是比较了最大最小化SLNR用户选择算法和本发明提供算法在针对GBR业务和non-GBR业务下用户满意度的方差变化，由于系统中所有用户满意度方差在一定程度上能够说明系统中用户的公平性，可以看出，本发明所提供的用户选择算法在GBR和non-GBR业务上均很大程度上改善了系统中用户的公平性；

图5给出了本发明所述的用户选择方法和现有轮询、最大化信道范数、最大最小化SLNR的用户选择算法的和容量对比；可以看出本发明提供算法较最大最小化SLNR算法只有2bps/Hz的下降，这说明本发明所提供算法能够保证系统的和容量性能；

由以上实施方案可以看出，本发明提供的TD-LTE-A中基于用户满意度的联合用户选择和波束赋形方法，可以有效地提高系统的整体满意度以及用户间的公平性，同时保证系统的整体和容量性能；

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (6)

1.一种TD-LTE-A中基于用户满意度的联合用户选择和波束赋形方法，其特征在于：一种TD-LTE-A中基于用户满意度的联合用户选择和波束赋形方法具体是按照以下步骤进行的：

步骤一、初始化系统中用户满意度，采用信道范数对系统中每个用户进行排序得到初始选择用户集Φ；

步骤二、采用现有的SLNR波束赋形方法得到初始选择用户集Φ中每个用户相应的波束赋形矩阵并获得初始选择用户集的特征值SLNR_k和初始选择用户集的满意度值；

步骤三、利用获得初始选择用户集的特征值SLNR_k和初始选择用户集的满意度值，针对GBR业务和non-GBR业务，遍历系统中所有用户直到更新后的选择用户集Φ中所有用户均符合用户选择策略为止，从而获得最优的选择用户集Θ；即完成了一种TD-LTE-A中基于用户满意度的联合用户选择和波束赋形方法。

2.根据权利要求1所述一种TD-LTE-A中基于用户满意度的联合用户选择和波束赋形方法，其特征在于：所述步骤一中采用信道范数对系统中用户进行排序方法为：

$\underset{K_{\mathrm{all}}}{\max }\left(\mathrm{norm}\left(H_k\right)\right)$

式中，H_k是用户k的信道矩阵,K_all是系统中所有用户数；步骤一结束后选取其中前M个用户放入初始选择用户集Φ中。

3.根据权利要求2所述一种TD-LTE-A中基于用户满意度的联合用户选择和波束赋形方法，其特征在于：所述步骤二中采用现有的SLNR波束赋形方法得到初始选择用户集Φ中每个用户相应的波束赋形矩阵的方法为：

用户端配置MMSE接收机且所选用户的发射功率归一化，用户k的SLNR表示为：

$\begin{array}{c}J\left(W_k\right)=\frac{{\left|\right|H_k{W}_k\left|\right|}_F^2}{N_r{\mathrm{\σ}}^2+{\mathrm{\Σ}}_{i=1,i\≠k}^K{\left|\right|H_i{W}_k\left|\right|}_F^2}\\ =\frac{\mathrm{tr}\left(W_k^H{H}_k^H{H}_k{W}_k\right)}{\mathrm{tr}\left(W_k^H({\stackrel{\‾}{H}}_k^H{\stackrel{\‾}{H}}_k+N_r{\mathrm{\σ}}^2{I}_{N_t})W_k\right)}\end{array}$

式中，其中H_k是用户k的信道矩阵，H_i是用户i的信道矩阵，W_k是用户k的波束赋形矩阵，表示矩阵的Frobenius范数，tr为矩阵的迹，N_t是基站端的发射天线数目，σ²为用户k的噪声功率，为N_T维的单位矩阵；

当SLNR最大，即用户的信漏噪比最大时，迭代获得的用户k的波束赋形矩阵为：

$\begin{array}{c}{W}_k=\underset{W_k}{\arg \max }J\left(W_k\right)\\ =\underset{W_k}{\arg \max }\frac{\mathrm{tr}\left(W_k^H{H}_k^H{H}_k{W}_k\right)}{\mathrm{tr}\left(W_k^H({\stackrel{\‾}{H}}_k^H{\stackrel{\‾}{H}}_k+N_r{\mathrm{\σ}}^2{I}_{N_t})W_k\right)}\end{array}.$

4.根据权利要求3所述一种TD-LTE-A中基于用户满意度的联合用户选择和波束赋形方法，其特征在于：步骤二中所述获得初始选择用户集波束赋形矩阵对应的的特征值SLNR_k和初始选择用户集的满意度值的方法为：

(1)用户集波束赋形矩阵对应的的特征值其中， ${\mathrm{\λ}}_1\≥{\mathrm{\λ}}_2\≥...\≥{\mathrm{\λ}}_{N_t}$ 为矩阵束 $\{H_k^H{H}_k,{\stackrel{\‾}{H}}_k^H{\stackrel{\‾}{H}}_k+N_r{\mathrm{\σ}}^2{I}_{N_t}\}$ 的广义特征值；

(2)针对GBR业务：

式中，为GBR业务实际传输的平均速率，r_k,tar为GBR业务允许传输的最高速率，r_k,min为GBR业务最小传输速率；为GBR业务实际平均传输时延，d_k,tar为GBR业务允许的最大传输时延，是GBR业务的满意度参考指数；

针对non-GBR业务，根据步骤二得到的所选用户波束赋形矩阵下，获得每个用户的满意度值为：

${\mathrm{sat}}_k^{\mathrm{Non}-\mathrm{GBR}}=\left\{\begin{array}{cc}1& \stackrel{\‾}{r_k}\≥r_{k,\mathrm{tar}}\mathrm{and}\stackrel{\‾}{d_k}\≤d_{k,\mathrm{tar}}\\ {\left(\frac{\stackrel{\‾}{r_k}}{r_{k,\mathrm{tar}}}\right)}^{\mathrm{\Ω}}& \mathrm{otherwise}\\ 0& \stackrel{\‾}{d_k}>d_{k,\mathrm{tar}}\end{array}\right.$

式中，为non-GBR业务实际传输的平均速率，r_k,tar为non-GBR业务允许传输的最高速率；为non-GBR业务实际平均传输时延，d_k,tar为non-GBR业务允许的最大传输时延，Ω是non-GBR业务的满意度参考指数。

5.根据权利要求4所述一种TD-LTE-A中基于用户满意度的联合用户选择和波束赋形方法，其特征在于：实际传输的平均速率的获得方法为：

(1)基站利用信道估计得到的信道矩阵信息，通过系统中用户信道范数排序选取接入用户集得到初始选择用户集Φ；

(2)利用SLNR算法计算得到初始选择用户集Φ的波束赋形矩阵；

(3)将波束赋形矩阵数据通过基站传输到用户端；

(4)用户端处理计算得到实际传输的平均速率其中，N为用户端正确接收的比特数，N_tm为一个TTI中的OFDM符号数，N_f为系统中RB的数目，Q_m是基站发射端调制指数，R_c是基站发射端的编码速率。

6.根据权利要求5所述的一种TD-LTE-A中基于用户满意度的联合用户选择和波束赋形方法，其特征在于：步骤三中遍历系统中所有用户直到选择用户集Φ中所有用户均符合用户的选择策略为：

利用SLNR算法得到用户的特征值和满意度值，对系统中用户进行重新选择放到选择用户集Θ中，更新最优用户集Θ选择策略为：

$\underset{K_{\mathrm{all}}}{\max }\left(\underset{k\∈\mathrm{\Θ}}{\min }({\mathrm{SLNR}}_k/{\mathrm{SAT}}_k)\right)s.t.\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{\left|\right|w_i\left|\right|}_F^2\≤P$

式中，K_all是系统中所有用户数，Θ是最优用户集，SLNR_k是用户k的SLNR特征值，SAT_k是用户k当前TTI的前10个TTI满意度的平均值，W_i是用户i的波束赋形矩阵,P是基站端的最大传输功率限制。