CN104394108B

CN104394108B - 异构网中面向增强的小区间干扰协调的信干噪比估计方法

Info

Publication number: CN104394108B
Application number: CN201410709504.0A
Authority: CN
Inventors: 王霞; 石军; 孙黎; 王元双
Original assignee: Xian Jiaotong University
Current assignee: Xian Jiaotong University
Priority date: 2014-11-27
Filing date: 2014-11-27
Publication date: 2017-10-20
Anticipated expiration: 2034-11-27
Also published as: CN104394108A

Abstract

本发明公开了一种异构网中面向增强的小区间干扰协调的信干噪比估计方法，包括以下步骤：多小区场景下，当帧类型由正常帧切换为ABS帧时，则用户信道发生突变，使用基于灰色模型的SINR估计方法估计用户历史ABS SINR的值及下一时刻的ABS SINR的值。本发明所述的异构网中面向增强的小区间干扰协调的信干噪比估计方法可以准确的估计出用户下一时刻的ABS SINR的值，在信道相关性较强的情况有很好的效果。

Description

异构网中面向增强的小区间干扰协调的信干噪比估计方法

技术领域

本发明属于无线通信技术领域，涉及一种信干噪比估计方法，具体涉及一种异构网中面向增强的小区间干扰协调的信干噪比估计方法。

背景技术

为了满足日益增加的高速率需求，LTE引入了异构网络。异构网络结构引入了一些相对于传统的小区基站发射功率更小的发射节点如微微(Pico)基站、毫微微基站、中继等。这些小基站可以弥补宏基站的覆盖漏洞并且提高系统性能。Macro-Pico场景下，Pico基站发射功率较小，因此服务的用户个数就较少，达不到替Macro基站分担负载的目的。小区范围扩展(CRE)技术指在参考信号接收功率下增加偏置值，使更多的用户接入Pico基站。由于在Pico基站与宏基站之间允许频谱复用，使用CRE技术后接入到Pico基站的用户会受到宏站的强烈干扰。为了有效处理上述的干扰问题，3GPP中提出了增强的小区间干扰协调(eICIC)技术。eICIC中最关键的技术就是配置几乎空白子帧(ABS)，即在宏基站某段时间不发送数据(除了一些必要的信息)，这样就能保证Pico基站用户不受到干扰，从而提升系统性能。

当Normal帧切换为ABS帧时，用户信道状况会发生突变，如何估计ABS帧下SINR是一个关键的问题。目前，主要有两种方法解决此问题。第一种是利用历史ABS帧的SINR估计。若使用单个历史SINR，则不能很好的跟踪整个ABS中SINR的变化，导致估计效果不佳；第二种方法是利用ABS帧的上一帧Normal帧估计当前的SINR，此种方法经过一系列的推导出ABS帧下的SINR。但是该方法很难精确预测出当帧类型切换时干扰的变化，因此估计效果也不会很好。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种异构网中面向增强的小区间干扰协调的信干噪比估计方法，该估计方法可以准确的估计出用户下一时刻的ABSSINR的值。

为达到上述目的，本发明所述的异构网中面向增强的小区间干扰协调的信干噪比估计方法包括以下步骤：多小区场景下，当帧类型由正常帧切换为ABS帧时，则用户信道发生突变，使用基于灰色模型的SINR估计方法估计用户历史ABS SINR的值及下一时刻的ABSSINR的值。

所述基于灰色模型的SINR估计方法具体如下：

获取n个历史ABS SINR，将n个历史ABS SINR累加得到生成序列SINR⁽¹⁾(k)，其中

根据式(1)建立如下的微分方程：

其中，SINR⁽¹⁾(1)＝SINR⁽⁰⁾(1)为初始条件，式(2)所述的微分方程的解为

根据历史ABS SINR与生成序列SINR⁽¹⁾(k)的关系，得到历史ABS SINR的估计值及下一时刻的ABS SINR的估计值，其中，

当k＝1，2，...，n-1时，为历史ABS SINR的估计值；当k＝n时，为下一时刻的ABS SINR的估计值，参量a和b的估计值利用最小二乘法得到，其中

其中，

y＝(SINR⁽⁰⁾(2)，SINR⁽⁰⁾(3)，…，SINR⁽⁰⁾(n))^T。

本发明具有以下有益效果：

本发明所述的异构网中面向增强的小区间干扰协调的信干噪比估计方法估计的过程中，当帧类型由正常帧切换为ABS帧时，用户信道发生突变，则使用基于灰色模型的SINR估计方法估计用户下一时刻的ABSSINR的值，经本发明可以得到下一时刻的ABS SINR的估计值。

进一步，本发明所述的基于灰色模型的SINR估计方法采用原始序列累加的方法得到生成序列，然后根据生成序列建立微分方程，再解所述微分方程，从而得到历史ABS SINR的估计值及下一时刻的ABS SINR的估计值，在处理时，得到的累加生成序列呈规律性的递增，因此非常适用于eICIC下的SINR估计，同时随着信道相关性的增强，此种方法估计的SINR越来越准确且吞吐量越来越高并接近于理想吞吐量。

附图说明

图1为本发明所应用的场景实例；

图2为本发明中所使用的不同调制编码方式下的误码率；

图3为本发明中验证性试验中SINR的均方误差的对比图；

图4为本发明中验证性试验中获得的吞吐量与其他吞吐量对比图；

图5为本发明中验证性试验中不同ABS帧比例下吞吐量性能对比。

具体实施方式

下面结合附图对本发明做进一步详细描述：

参考图1，本发明所述的异构网中面向增强的小区间干扰协调的信干噪比估计方法包括以下步骤：多小区场景下，当帧类型由正常帧切换为ABS帧时，则用户信道发生突变，使用基于灰色模型的SINR估计方法估计用户历史ABS SINR的值及下一时刻的ABS SINR的值。

所述基于灰色模型的SINR估计方法具体如下：

设有n个历史ABS SINR，将n个历史ABS SINR累加得到生成序列SINR⁽¹⁾(k)，其中

根据式(1)建立如下的微分方程：

根据历史ABS SINR与生成序列SINR⁽¹⁾(k)的关系，得到历史ABSSINR的估计值及下一时刻的ABS SINR的估计值，其中，

其中

y＝(SINR⁽⁰⁾(2)，SINR⁽⁰⁾(3)，…，SINR⁽⁰⁾(n))^T。

验证性试验：

参考图2，根据估计的用户历史ABS SINR的值及下一时刻的ABS SINR的值选择相应的调制编码方式进行传输，若估计值不准确，会导致较低传输效率，验证时，给出相关信道模型，利用复化梯形算法推导出信道容量C，并与基于灰色模型的SINR估计方法获得的容量进行对比。

所述相关信道模型定义如下：

其中，Inf为新增加的信息且服从瑞利分布，a_j为相关系数，1-a_n+1为相关因子。

香农容量为：

其中，f(H)为H(n)的概率密度函数，为了算出香农容量，则需要得到H(n)的方差利用自相关函数之间的关系：

求得自相关函数为：

R＝A^-1b

其中

得

概率密度函数为

其中，设

利用复化梯形算法近似求解香农容量：

其中，代表步长，样本值x_i＝a+ih。

图3给出了SINR估计均方误差，可知当相关因子大于0.4时，本发明方法的准确性大于对比方法，且相关性越大优势越明显。图4可以看出，香农容量相对于其它容量有明显优势，而理想吞吐量指的是SINR估计完全准确时所获得吞吐量。当相关因子约大于0.4时，本发明优于对比方法，且随着相关性越大优势越明显。这与均方误差性能保持一致。图5代表的是不同帧比例下的吞吐量性能对比，可以看出Normal帧估计方法不随相关性变化，这是因为此种方法只与上一帧的Normal帧有关。

Claims

1.一种异构网中面向增强的小区间干扰协调的信干噪比估计方法，其特征在于，包括以下步骤：多小区场景下，当帧类型由正常帧切换为ABS帧时，则用户信道发生突变，使用基于灰色模型的SINR估计方法估计下一时刻的ABS SINR的值；

所述基于灰色模型的SINR估计方法具体如下：

获取n个历史ABS SINR，将所述n个历史ABS SINR累加得到生成序列SINR⁽¹⁾(k)，其中

<mrow> <msup> <mi>SINR</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <msup> <mi>SINR</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>....</mn> <mo>,</mo> <mi>n</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>

根据式(1)建立如下的微分方程：

<mrow> <mfrac> <mrow> <msup> <mi>dSINR</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>d</mi> <mi>t</mi> </mrow> </mfrac> <mo>+</mo> <msup> <mi>aSINR</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>b</mi> <mo>,</mo> <msup> <mi>SINR</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>SINR</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>

当k＝1,2,...,n-1时，为历史ABS SINR的估计值；当k＝n时，为下一时刻的ABS SINR的估计值，参量a和b的估计值利用最小二乘法得到，其中

其中，

y＝(SINR⁽⁰⁾(2),SINR⁽⁰⁾(3),…,SINR⁽⁰⁾(n))^T。