CN104393972B - 一种基于用户位置信息的大规模mimo系统导频分配方法 - Google Patents

Abstract

一种基于用户位置信息的大规模MIMO系统导频分配方法，包括：初始化用户编号为自然编号；获取各小区中用户到中心小区中基站的距离信息；通仿真划分距离区间；确定各个用户所属距离的区间编号，确定期望用户的受干扰程度强弱以及干扰用户的干扰程度强弱；以SINR最大化为准则，采用贪婪用户调度算法，进行用户调度并获得用户分组；基站对各个分组进行导频分配。本发明利用随时间缓慢变化的用户位置信息进行导频分配，降低了导频污染效应的影响；通过距离划分用户等价类的方法，有效减轻阴影效应不确定性对干扰程度强弱区分的影响，提升导频分配结果的鲁棒性。

Description

一种基于用户位置信息的大规模MIMO系统导频分配方法

技术领域

本发明涉及一种基于用户位置信息的大规模MIMO系统导频分配方法，属于通信系统领域。

背景技术

随着用户对高速数据服务的需求不断增加，以及不断增加的小区用户数，移动通信网络对频谱资源的需求也日益增加。大规模MIMO系统通过在基站上部署大量的天线以及在传输过程中采用时分双工(TDD)操作，实现了信道容量和频谱效率的大幅度提升，从而引起了无线通信领域的广泛关注。在TDD通信机制中，上行训练和数据传输都在同一段相干时间内完成。因而利用信道互易性，信道状态信息(CSI)可以通过上行训练得到。

由于用于信道估计的正交导频序列的个数是有限的，无法保证分配给所有用户的导频序列相互正交，从到导致获得的信道估计受到了使用同导频用户信道的干扰，即“导频污染”。研究结果表明，当基站上的天线数趋于无穷大时，非相关噪声和快衰落对信道估计的影响将会消失，导频污染成为了大规模MIMO系统中影响通信质量的主要瓶颈。从TDD通信机制的过程来看，导频污染的影响可以通过优化的导频分配、智能信道估计以及导频污染预编码等方面的技术得到缓解。

研究结果表明，当基站上的天线数趋于无穷大时，有效的上行信号干扰噪声比(SINR)是一个依赖于大尺度衰落系数的随机量，并直接依赖于用户位置信息和阴影衰落系数。其中，由用户位置信息决定的路径损耗在大尺度衰落中起着决定性作用，并且应用现有的一些成熟的定位技术，比如全球定位系统(GPS)，用户位置信息可以很容易的获得。基于上述背景，本发明考虑公平性准则，以最小SINR最大化为目标，给出了基于用户位置信息的导频分配方案。

发明内容

针对现有技术的不足，本发明提供一种基于用户位置信息的大规模MIMO系统导频分配方法。该方法能有效减小导频污染效应的影响，提高系统公平性，使得所有期望用户中最小的SINR最大化，同时对于给定的SINR目标，能够使达到这个目标的用户比例最大；以及缓解现有解决导频污染效应的方法难以实现和算法复杂等问题。

本发明的技术方案是：

发明概述：

一种基于用户位置信息的大规模MIMO系统导频分配方法，利用用户的位置信息，确定期望用户受干扰程度的强弱；按期望用户受干扰程度由强到弱的次序，以SINR最大化为目标，采用基于贪婪策略的用户调度算法确定用户分组，以此进行导频分配。假定该大规模MIMO系统包括L个同步的小区，每个小区含有一个配置有M根天线的基站和K个单天线用户终端，通信过程采用TDD模式；并假定这L个小区以中心对称方式分布，中心小区的用户为期望用户，且中心小区编号为小区1，其余L-1个小区中的用户为干扰用户。中心小区中的这K个期望用户相比，距离中心小区基站较远的用户受到的干扰更强；对于L-1个干扰小区中的干扰用户，距离基站较近的用户对期望用户的干扰更强。

发明详述：

一种基于用户位置信息的大规模MIMO系统导频分配方法，包含以下步骤：

步骤1、初始化用户编号为自然编号，其中自然编号是指按整数顺序依次编号；

步骤2、获取各小区中用户到中心小区中基站的距离，设中心小区中基站的位置坐标为(x₀,y₀)，第l个小区中第k个用户的位置坐标是(x_lk,y_lk)，则第l个小区中第k个用户到中心小区中基站的距离表示为

步骤3、通过蒙特卡洛仿真，其中系统参数设置为小区个数为L，每个小区中仿真用户的个数为K₁，且K₁＞＞K，其中K为每个小区中实际的用户个数，根据统计平均代替时间平均的思想，按照步骤2中所述的距离度量方法，获得仿真用户的距离信息，并根据仿真用户的距离信息划分用户距离区间；

步骤4、根据步骤2所获得的用户距离信息和步骤3中获得的距离区间，分别比较用户距离和各个区间的边界点到中心小区中基站的距离，确定各个用户所属区间，从而定性地确定期望用户的受干扰程度强弱，以及干扰用户的干扰程度强弱；

步骤5、根据步骤4中获得的各用户所属距离区间编号，以SINR最大化为准则，采用贪婪用户调度算法，按受干扰程度从强到弱的次序进行用户调度，获得K个用户分组，即得到分组结果；

步骤6、根据步骤5中的分组结果，基站对各个分组进行导频分配，同一组内的用户分配相同的上行导频训练序列，不同用户组之间的用户分配相互正交的导频序列。

根据本发明优选的，所述步骤1中，每个小区的K个用户自然编号为{1,…,K}，并定义其中K的取值范围是大于1的整数。

根据本发明优选的，所述步骤2中，定义L×K维的用户到中心小区中基站的距离矩阵D，其中矩阵D的第(l,k)元素d_lk表示第l个小区中第k个用户到中心小区基站的距离。

根据本发明优选的，所述步骤3中给定区间个数C，通过蒙特卡洛仿真，以仿真用户距离等概率地落在各个区间为准则，划分距离区间(0,v₁),[v₁,v₂),…,[v_C-1,∞)，并为各个区间依次编号为1,…,C，定义区间编号集合

根据本发明优选的，所述步骤4中定义L×K维的距离区间隶属矩阵M，其中矩阵M的第(l,k)元素表示d_lk属于步骤3中所述编号为的距离区间。

根据本发明优选的，所述步骤5中所述分组过程，以SINR最大化为准则，按期望用户受干扰程度从强到弱的次序进行用户调度，分别从每个小区中选择一个用户，组成L个用户的组合 是第k个用户组中从第l个小区中选出用户的用户编号；采用贪婪用户调度算法，获得K个用户分组；

所述贪婪用户调度算法，包括步骤如下：

步骤51、根据步骤4中获得的用户距离隶属矩阵M，按受干扰程度从强到弱对期望用户排序，考虑用户k₁和用户k₂，如果则用户k₁受干扰程度要强于用户k₂；

步骤52、根据步骤51中获得的按受干扰程度从强到弱排序的用户编号，初始化第k个用户组，使得

步骤53、根据步骤4中获得的用户距离隶属矩阵M，从第j个小区中选出一个用户添加到集合使得用户的SINR最大；

步骤54、从集合中去除j增加1，重复步骤53，直到遍历了L个小区，至此确定了第k个用户分组

步骤55、k增加1，重复步骤52，直到完成所有K个用户分组

根据本发明优选的，所述步骤6中，长度为K的K个相互正交的导频序列，分别分配给K个用户分组，使得同一个小区内的用户分配不同的导频序列，不同小区、同一分组的用户分配相同的导频序列。

本发明的有益效果是：

与现有技术相比，路径损耗是随时间缓慢变化的随机过程，且在大尺度衰落中起着决定性作用，并且可由用户位置信息确定的；同时，应用现有的一些成熟的定位技术，比如全球定位系统(GPS)，用户位置信息可以很容易的获得；因此基于用户位置信息的导频分配方法，具有一定的实用性。本发明中提出的基于贪婪策略的导频分配方法，与随机用户分组分配导频方法相比，降低了导频污染效应对小区边缘用户的影响；因此提升了系统的公平性。本发明中通过距离区间划分用户等价类的方法，有效减轻阴影效应不确定性对干扰程度强弱区分的影响，当阴影效应标准差较小时，本发明可以和基于大尺度衰落的导频分配方法相比拟。

附图说明

图1为多小区多用户大规模MIMO系统模型；

图2为本发明实例中的基于用户位置信息的导频分配方法实施步骤的框图；

图3为本发明提出的大规模MIMO系统中距离划分示意图；

图4为本发明实例中的用户距离区间隶属矩阵。

具体实施方式

下面结合实施例和说明书附图对本发明做详细的说明，但不限于此。

实施例、

如图1所示，大规模MIMO系统由若干个小区组成，假定包括L个同步的小区，每个小区含有一个配置有M根天线的基站和K个单天线用户终端，通信过程采用TDD模式；并假定这L个小区以中心对称方式分布，中心小区的用户为期望用户，且中心小区编号为小区1，其余L-1个小区中的用户为干扰用户。每个小区中的用户采用自然编号，且第l个小区用户编号的集合表示为在TDD通信机制中，上行训练和数据传输都在同一段相干时间内完成。在上行训练阶段，L个小区中所有用户同时发送基站为其分配的导频序列，导频序列的长度为τ，且τ个正交的导频序列在L个小区中复用，为简化分析，假定τ＝K。

导频分配的过程可表述为分别从每个小区中选择一个用户，组成L个用户的组合 是第k个用户组中从第l个小区中选出用户的编号；这样的用户组共有K个，记为组内用户分配同一个导频序列，属于不同组的用户之间分配相互正交的导频序列。如图1所示，第j个小区中第k个用户到中心小区基站之间的信道g_jk是一个M×1的向量，包括大尺度衰落和小尺度h_jk两部分。研究结果表明，大规模MIMO系统中，采用TDD技术时，上行数据传输过程中期望用户的SINR表示为：

由上述SINR表达式可以看出，期望用户的SINR只受同一分组的干扰用户影响，且只和同一个分组用户的大尺度衰落系数相关。这里大尺度衰落可表示为其中z_jk是服从对数正态分布的阴影衰落，是由用户位置信息确定的路径损耗，且在大尺度衰落中，路径损耗起着主要的影响作用，这里d_jk是第j个小区中第k个用户到中心小区基站之间的距离，γ是路径损耗指数。基于上述分析，考虑公平性准则，本发明利用用户位置信息确定优化的用户分组进而分配导频，使得所有期望用户中最小的SINR最大化，同时对于给定的SINR目标，能够使达到这个目标的用户比例最大。

如图2所示：

一种基于用户位置信息的大规模MIMO系统导频分配方法，包含以下步骤：

步骤1、初始化用户编号为自然编号，其中自然编号是指按整数顺序依次编号；每个小区的K个用户自然编号为{1,…,K}，并定义其中K的取值范围是大于1的整数。

步骤2、获取各小区中用户到中心小区中基站的距离，设中心小区中基站的位置坐标为(x₀,y₀)，第l个小区中第k个用户的位置坐标是(x_lk,y_lk)，则第l个小区中第k个用户到中心小区中基站的距离表示为所述步骤2中，定义L×K维的用户到中心小区中基站的距离矩阵D，其中矩阵D的第(l,k)元素d_lk表示第l个小区中第k个用户到中心小区基站的距离；

步骤3、通过蒙特卡洛仿真，其中系统参数设置为小区个数为L，每个小区中仿真用户的个数为K₁，且K₁＞＞K，其中K为每个小区中实际的用户个数，根据统计平均代替时间平均的思想，按照步骤2中所述的距离度量方法，获得仿真用户的距离信息，并根据仿真用户的距离信息划分用户距离区间；所述步骤3中给定区间个数C，通过蒙特卡洛仿真，以仿真用户距离等概率地落在各个区间为准则，划分距离区间(0,v₁),[v₁,v₂),…,[v_C-1,∞)，并为各个区间依次编号为1,…,C，定义区间编号集合由于用户到中心小区基站的距离直接决定路径损耗，距离越远路径损耗越大，且路径损耗在大尺度衰落中起到主要作用，因此用户距离可以一定程度上决定干扰程度的强弱；

步骤4、根据步骤2所获得的用户距离信息和步骤3中获得的距离区间，分别比较用户距离和各个区间的边界点到中心小区中基站的距离，确定各个用户所属区间，从而定性地确定期望用户的受干扰程度强弱，以及干扰用户的干扰程度强弱；上述干扰程度，可通过用户距离定性的给出，如图1所示，中心小区中用户2到中心小区基站的距离要比用户1远，因此用户2受干扰程度更强；干扰小区j中，用户1到中心小区基站的距离要比用户2近，因此用户1对期望用户的干扰更强。然而，考虑到大尺度衰落中的阴影效应，上述用户距离对干扰程度的影响具有一定的不确定性，这种不确定性，可以通过距离区间划分的方法得到一定的缓解。距离区间划分示意图如图3所示。这里的距离区间划分，相当于划分了C个等价类，到中心小区基站的距离接近的不同用户，划分为同一个距离区间，具有等价的干扰程度；

所述步骤4中定义L×K维的距离区间隶属矩阵M，其中矩阵M的第(l,k)元素表示d_lk属于步骤3中所述编号为的距离区间。距离区间隶属矩阵M如图4所示。

步骤5、根据步骤4中获得的各用户所属距离区间编号，以SINR最大化为准则，采用贪婪用户调度算法，按受干扰程度从强到弱的次序进行用户调度，获得K个用户分组，即得到分组结果；

步骤6、根据步骤5中的分组结果，基站对各个分组进行导频分配，同一组内的用户分配相同的上行导频训练序列，不同用户组之间的用户分配相互正交的导频序列。

根据本发明优选的，所述步骤5中所述分组过程，以SINR最大化为准则，按期望用户受干扰程度从强到弱的次序进行用户调度，分别从每个小区中选择一个用户，组成L个用户的组合 是第k个用户组中从第l个小区中选出用户的用户编号；采用贪婪用户调度算法，获得K个用户分组；其中第k个用户分组 是第k个用户组中从第l个小区中选出用户的用户编号；如图1所示，由于中心小区中期望用户2受干扰程度要强于期望用户1，因此在用户分组时，期望用户2优先考虑；干扰小区j中，因为干扰用户2要比干扰用户1对期望用户2的干扰弱，因此将干扰小区j中干扰用户2和中心小区中期望用户2分到同一组；

所述贪婪用户调度算法，包括步骤如下：

步骤51、根据步骤4中获得的用户距离隶属矩阵M，按受干扰程度从强到弱对期望用户排序，考虑用户k₁和用户k₂，如果则用户k₁受干扰程度要强于用户k₂；

步骤52、根据步骤51中获得的按受干扰程度从强到弱排序的用户编号，初始化第k个用户组，使得

步骤53、根据步骤4中获得的用户距离隶属矩阵M，从第j个小区中选出一个用户添加到集合使得用户的SINR最大；

步骤54、从集合中去除j增加1，重复步骤53，直到遍历了L个小区，至此确定了第k个用户分组

步骤55、k增加1，重复步骤52，直到完成所有K个用户分组

根据本发明优选的，所述步骤6中，长度为K的K个相互正交的导频序列，分别分配给K个用户分组，使得同一个小区内的用户分配不同的导频序列，不同小区、同一分组的用户分配相同的导频序列。

Claims (7)

1.一种基于用户位置信息的大规模MIMO系统导频分配方法，其特征在于，该方法包含以下步骤：

步骤1、初始化用户编号为自然编号，其中自然编号是指按整数顺序依次编号；

步骤2、获取各小区中用户到中心小区中基站的距离，设中心小区中基站的位置坐标为(x₀,y₀)，第l个小区中第k个用户的位置坐标是(x_lk,y_lk)，则第l个小区中第k个用户到中心小区中基站的距离表示为

步骤3、通过蒙特卡洛仿真，其中系统参数设置为小区个数为L，每个小区中仿真用户的个数为K₁，且K₁＞＞K，其中K为每个小区中实际的用户个数，按照步骤2中所述的距离度量方法，获得仿真用户的距离信息，并根据仿真用户的距离信息划分用户距离区间；所述步骤3中给定区间个数C，通过蒙特卡洛仿真，以仿真用户距离等概率地落在各个区间为准则，划分距离区间(0,v₁),[v₁,v₂),…,[v_C-1,∞)，并为各个区间依次编号为1,…,C，定义区间编号集合

步骤4、根据步骤2所获得的用户距离信息和步骤3中获得的距离区间，分别比较用户距离和各个区间的边界点到中心小区中基站的距离，确定各个用户所属区间，从而定性地确定期望用户的受干扰程度强弱，以及干扰用户的干扰程度强弱；

步骤5、根据步骤4中获得的各用户所属距离区间编号，以SINR最大化为准则，采用贪婪用户调度算法，按受干扰程度从强到弱的次序进行用户调度，获得K个用户分组，即得到分组结果；

步骤6、根据步骤5中的分组结果，基站对各个分组进行导频分配，同一组内的用户分配相同的上行导频训练序列，不同用户组之间的用户分配相互正交的导频序列。

2.根据权利要求1所述的一种基于用户位置信息的大规模MIMO系统导频分配方法，其特征在于，所述步骤1中，每个小区的K个用户自然编号为{1,…,K}，并定义其中K的取值范围是大于1的整数。

3.根据权利要求1所述的一种基于用户位置信息的大规模MIMO系统导频分配方法，其特征在于，所述步骤2中，定义L×K维的用户到中心小区中基站的距离矩阵D，其中矩阵D的第(l,k)元素d_lk表示第l个小区中第k个用户到中心小区基站的距离。

4.根据权利要求1所述的一种基于用户位置信息的大规模MIMO系统导频分配方法，其特征在于，所述步骤4中定义L×K维的距离区间隶属矩阵M，其中矩阵M的第(l,k)元素表示d_lk属于步骤3中所述编号为的距离区间。

5.根据权利要求1所述的一种基于用户位置信息的大规模MIMO系统导频分配方法，其特征在于，所述步骤5中所述分组过程，以SINR最大化为准则，按期望用户受干扰程度从强到弱的次序进行用户调度，分别从每个小区中选择一个用户，组成L个用户的组合 是第k个用户组中从第l个小区中选出用户的用户编号；采用贪婪用户调度算法，获得K个用户分组。

6.根据权利要求1所述的一种基于用户位置信息的大规模MIMO系统导频分配方法，其特征在于，所述贪婪用户调度算法，包括步骤如下：

步骤51、根据步骤4中获得的用户距离隶属矩阵M，按受干扰程度从强到弱对期望用户排序，考虑用户k₁和用户k₂，如果则用户k₁受干扰程度要强于用户k₂；

步骤52、根据步骤51中获得的按受干扰程度从强到弱排序的用户编号，初始化第k个用户组，使得

步骤53、根据步骤4中获得的用户距离隶属矩阵M，从第j个小区中选出一个用户添 加到集合使得用户的SINR最大；

步骤54、从集合中去除j增加1，重复步骤53，直到遍历了L个小区，至此确定了第k个用户分组

步骤55、k增加1，重复步骤52，直到完成所有K个用户分组

7.根据权利要求1所述的一种基于用户位置信息的大规模MIMO系统导频分配方法，其特征在于，所述步骤6中，长度为K的K个相互正交的导频序列，分别分配给K个用户分组，使得同一个小区内的用户分配不同的导频序列，不同小区、同一分组的用户分配相同的导频序列。