CN104467930A - 基于空间角的多用户mimo系统用户选择方法 - Google Patents

Abstract

本发明公开了基于空间角的多用户MIMO系统用户选择方法，包括：初始化部分，多用户MIMO系统中，初始化备选用户集合为T＝{1,2,…,K_t}，调度集合为并计算每一个用户k的信道矩阵H_k的F-范数k＝1,2,…,K_t，其中K_t为小区中用户总数；选择第一个用户为u₁＝arg max_k∈Tδ_k，更新两个集合S＝S+{u₁}和T＝T\{u₁}，并计算此时的系统吞吐量C＝waterfilling(S)；循环迭代部分：从第2个用户开始通过利用计算已选用户集合S组成的子空间W和当前用户子空间V的夹角的方式进行干扰最小化贪心选择，循环直到选出K个用户为止，其中K为系统容纳的用户的上限，返回选中的用户集合S，并计算此时的MIMO系统的吞吐量C。本发明在保证方法复杂度较低的同时，大大提高了系统的吞吐量。

Description

基于空间角的多用户MIMO系统用户选择方法

技术领域

本发明涉及无线通信技术领域，具体涉及基于空间角的多用户MIMO系统用户选择方法。

背景技术

近年来，多用户的多输入多输出系统(MU-MIMO，Multi-User Multiple-InputMultiple-Output)得到了普及，比起单用户多输入多输出系统(SU-MIMO，Single-UserMultiple-Input Multiple-Output)，它利用了多用户的分集，增加了空间维度，从而极大的提高了系统的吞吐量，使得系统吞吐量和min{M,KN}线性相关，其中M,N分别是发射端(基站)和接收端(用户设备)的天线数目。

在MU-MIMO系统中，由于多用户的存在，来自其他用户的干扰也是不可避免的。因此很多消除多用户干扰的措施(预编码方案)被提出来，同时也提高了系统的吞吐量。首先是最优的预编码方案，脏纸编码，它是基于非因果的信道干扰，以达到信息论的理论容量。然而，它的大量重复非线性迭代操作所带来的较高的复杂度阻止了它在实际环境中的应用。因此，很多次优的算法方案被提出来以满足复杂度的要求，其中最流行的就是线性预编码算法。其基本思想就是传输端迫零思想，也就是常说的迫零波束成形(ZF-BF,Zero-ForcingBeamforming)，但是该算法比较适合接收端是单天线的场景；基于这种方案，块对角化预编码算法(BD,Block Diagonalization)被提出来适应多接收天线情况。BD预编码算法的思想是通过预编码矩阵的处理，使得多用户多接收天线的信道分成多个并行的多用户单天线的信道，并且被分成的单天线信道中无相互干扰。但是，BD预编码算法要求发射天线数不得小于接收天线数之和。鉴于同一个基站下面可能有大量的用户，因此多用户选择方案对于线性预编码系统是必需的，它直接决定了系统的吞吐量。现在，经典的多用户选择方法在保证算法复杂度的同时，系统吞吐量还有待于提高。

发明内容

为解决现有技术存在的不足，本发明公开了基于空间角的多用户MIMO系统用户选择方法。

为实现上述目的，本发明的具体方案如下：

基于空间角的多用户MIMO系统用户选择方法，包括以下步骤：

步骤一：初始化部分，多用户MIMO系统中，初始化备选用户集合为其中K_t为小区中用户总数，调度集合为并计算每一个用户k的信道矩阵H_k的F-范数

选择第一个用户为此时更新两个集合和并计算此时的系统吞吐量其中表示系统吞吐量，waterfilling表示注水算法过程；

步骤二：循环迭代部分：从第2个用户开始通过利用已选用户集合组成的子空间W和当前用户子空间V的夹角的方式选择，循环直到选出K个用户为止，其中K为系统容纳的用户的上限；

步骤三：返回步骤二中选中的用户集合并计算此时的MIMO系统的吞吐量

所述步骤二中的循环迭代部分第一种方式具体包括：

(2-1)令其中H为信道矩阵，下表表示中的第i个用户，然后计算对应两子空间W和V的夹角θ；

(2-2)通过选择准则选择用户，并定义

(2-3)计算并比较系统吞吐量和如果则更新和使得 否则就直接终止本次循环，开始下次循环过程。

所述步骤二中的循环迭代部分第二种方式具体包括：

2.1令其中计算W和V的夹角θ；

2.2缩小备选用户集合使之成为其中α为经验值，然后通过与第一种方式类似的准则并更新原备选用户集合和选中的用户集合，即

所述计算W和V的夹角θ具体为：

子空间W＝span{w₁,w₂,…,w_p}和子空间V＝span{v₁,v₂,…,v_q}的夹角可表示为：

$\mathrm{\θ}=\arccos \sqrt{\frac{\left|\right|P_V{w}_1,P_V{w}_2,\·\·\·,P_V{w}_p\left|\right|}{\left|\right|u_1,u_2,\·\·\·,u_p\left|\right|}}$

其中p,q分别为子空间W和子空间V的维度，P_Vw_i表示w_i向空间V的投影向量，||·||表示取n-范数操作。

可以简述为空间W的基向空间V的投影范数与其自身范数的比值就是所述两空间夹角的余弦值。

本发明的有益效果：

本发明具有较低的算法复杂度。发明中提出的两种用户选择方法在复杂度和吞吐量方面给出了一个较好的折中，在保证方法复杂度较低的同时，大大提高了系统的吞吐量。

附图说明

图1是下行多用户MIMO系统中用户调度原理框图；

图2示出了在几种不同情况下α的经验值，主要是用于所述系统容量的仿真比较；

图3是本发明提出的多用户MIMO系统中用户选择方法与常见的几种方法进行对比，其中SUS就是经典的半正交用户选择方法，BD c-Alg和BD n-Alg是BD预编码下两个准最优的用户选择方法；

图4是针对上述容量性能比较中的各种用户选择方法列出了其复杂度的关系。

具体实施方式：

下面结合附图对本发明进行详细说明：

图1描述了多用户MIMO系统，其中总的用户数目为K_t，基站端配有M根发射天线，用户i配置N_i根接收天线,i＝1,2,…,K_t，信道为加性高斯白噪声信道。

多用户MIMO发射端处理模块M1：对于信源产生的比特流进行符号映射，射频、中频调制及基带处理。可以将该模块分为两个单元，第一单元用于完成层映射，也就是将码本映射到层上，第二单元用于完成多用户的预编码，通过消除多用户的干扰完成功率分配过程。需要说明的是，本发明提出的用户调度方案也是在此模块中实现。

多用户MIMO的OFDM(Orthogonal Frequency Division Multiplexing,正交频分复用)模块M2：主要是对预编码之后的天线数据进行天线端口的资源映射，并对映射后的数据使用OFDM处理，增强抗干扰能力，从而形成的数据流经过各个天线发送出去。

多用户MIMO模块M3：主要是标记出即将被选中的用户，也就是多用户MIMO调度系统选出的服务用户集合，也即本发明方法的输出。

图1中符号M表示基站端(发射端)配置的发射天线总数，符号N_i表示第i个用户所拥有的接收天线数目。为了实现的方便，我们假设各个用户配置了等量的天线，且信道的环境大致相同，也就是说各个用户是同构的。本领域技术人员应该理解，本发明提出的方法同样适合各用户配置不同天线数的情况。

基于以上信道系统模型，并假设每个用户的信道都是加性高斯白噪声信道，信道在调度时隙中是平稳的，我们可以得出用户i的接收信号为

其中H_i为用户i的信道矩阵，T_i,T_j分别是用户i和用户j的BD预编码矩阵，n_i为用户i的噪声，为零均值高斯白噪声，发射信号满足功率限制E[XX^H]≤P，其中X为聚合了x_i的信源矩阵，P为发射端的发射功率，集合表示被选用户集合，本发明的目的就是从中选择要服务的用户。从上式可以明显看出，中间项就是在MU-MIMO系统中其他用户对用户i的干扰。

由于上式中所述干扰的存在，因此预编码方案是必需的。鉴于非线性预编码方法具有较高的复杂度，实际应用中我们应用线性预编码方法，其中在多用户MIMO系统中最为有效的就是块对角化方法。块对角化方法的主要思想是使多用户干扰为零，也就是使上式(1)的中间项直接为零，即为求这个解我们可以加强其约束条件，使得下式成立即可

H_iT_j＝0    i≠j且    (2)从空间的角度看上去就是使得除i之外的所有用户的预编码矩阵T_j落在第i个用户的信道矩阵H_i的零子空间中。为了求解的方便我们可以利用组合矩阵，将个用户的信道矩阵组合成如(3)所示的形式，

${\tilde{H}}_j=[H_1\·\·\·H_{j-1}{H}_{j+1}\·\·\·H_K]---\left(3\right)$

其中K是被调度集合中用户总数。根据以上分析可以得出T_j落在的零空间中。因此，我们通过对进行奇异值分解，利用所得到的右奇异矩阵来构造组合矩阵的零空间。需要说明的是，进行奇异值分解会受到矩阵秩的限制，反映到实际的应用中就是发射天线数不能小于每个用户的接收天线数之和，从这一点也佐证了上述的用户选择的必要性。因为发射端天线数目有限，而用户规模一般是一个很庞大的集合，所以有效的用户选择方法是确保容量性能的先决条件。

预编码方案中还包含一个直接影响系统容量的关键技术，功率分配技术。一般情况下发射端的发射功率是固定的，这就要求我们按照一定的准则把这些功率分配到各个用户。本发明研究的主要是基于信道状态信息完全已知的情况。并且发明人经理论研究证实了在这种情况下，注水功率分配方法是最优的功率分配方法，因此本发明提出的方法是基于注水功率分配方法实现功率分配的。

需要进一步说明的是，本发明主要是基于空间夹角，且空间夹角的定义如下：

子空间W＝span{w₁,w₂,…,w_p}和子空间V＝span{v₁,v₂,…,v_q}的夹角可表示为：

$\mathrm{\θ}=\arccos \sqrt{\frac{\left|\right|P_V{w}_1,P_V{w}_2,\·\·\·,P_V{w}_p\left|\right|}{\left|\right|u_1,u_2,\·\·\·,u_p\left|\right|}}---\left(4\right)$

其中p,q分别为两个空间的维度,P_Vw_i为子空间W的基向量w_i在子空间上的投影向量，||·||为取矩阵的n-范数操作。可以简述为空间W的基向空间V的投影与其自身范数的比值就是其空间夹角的余弦值。其中||·||表示为n-范数，其具体定义可以由n-内积表示，写成如下形式：

$\left|\right|a_1,a_2,\·\·\·,a_n\left|\right|=\sqrt{(a_1,a_1|a_2,\·\·\·a_n)}---\left(5\right)$

其中a_i为n维向量。n-内积是二维平面的推广，是向量内积的拓展，它具有多种表达形式，其中本文中表达形式为：

其中(·,·)为两个n维向量的内积，|·|为矩阵的行列式。

基于以上的数学知识，本发明提出了两种在复杂度和系统系能之间取得良好折中的用户调度方法。方法1(GUSBA，Greedy User Selection Based on Angles)是基于原用户集合的贪婪的用户选择方法，方法2(USBS,User Selection Based on Subsets)简化为基于其子集的用户选择方法。其中，GUSBA方法和USBS方法的目的都是最终选出一个需要服务的用户集合，使得该集合的系统性能尽量的高，但不能保证最高。牺牲的性能主要体现在算法复杂度的降低上。

GUSBA方法的主要思想是每一步都选取在该步骤看来是最优的用户，最终达到整体最优，进而选择出最优的用户集合。GUSBA方法可以简述为如下，

(1)初始化部分：

a.初始化用户数为Kt的备选用户集合为其中每一个数字代表一个用户的ID，调度集合为并计算集合中每一个用户k信道的范数

b.选择第一个用户为此时更新前述的两个集合和并计算此时的系统吞吐量其中为系统吞吐量，waterfilling为注水算法的过程；

(2)循环迭代部分：

从第2个用户开始循环以下步骤直到找出K个用户为止，K为系统容纳的用户的上限；

a.令其中H为信道矩阵，下标代表中的第i个用户，利用式(4)计算矩阵W,V组成的子空间W和子空间V的夹角θ；

b.通过选择用户，并定义临时选择的用户集合

c.计算并比较系统吞吐量和如果则更新和使得 否则就直接终止本次迭代，开始下次迭代过程；

(3)循环终止部分：

该部分主要是返回上述选中的用户集合并计算此时的MIMO系统的吞吐量

基于上述步骤可以看出第一个用户是用最大信道矩阵范数选出的，其他用户的选择主要是由角度和其他用户信道在已选中的用户信道垂直子空间上的投影共同决定的。并且用系统的吞吐量指标作为该用户是否应该被选中的标准，也即如果该用户在已选中用户平面上的垂直子空间投影最大，并且加入了该用户使得系统容量增大，则把该用户放在选中用户集合中；否则就会放弃该用户，继续考虑其他用户。

由于上述GUSBA方法把信道的容量作为选择用户的唯一指标，而且计算系统容量时需要大量的矩阵运算，因此我们可以对GUSBA方法做进一步地改进，以牺牲小部分的系统容量为代价来降低算法的复杂度。

为进一步地改善用户调度方法的性能，我们又提出了USBS方法。USBS方法主要是基于缩小备选用户集合的，其具体实现步骤可以表述如下：

(1)初始化部分：

本步骤和前述GUSBA方法的初始化部分相同，分为以下两步，

a.初始化备选用户集合为调度集合为并计算每一个用户信道的范数 ${\mathrm{\δ}}_k={\left|\right|H_k\left|\right|}_F^2,k=\mathrm{1,2},\·\·\·,K_t;$

b.选择第一个用户为此时更新前述的两个集合和并计算此时的系统吞吐量

(2)循环迭代部分：

从第2个用户开始循环以下步骤知道找出K个用户为止，K为系统容纳的用户的上限；

a.令其中利用式(4)计算子空间W和子空间V的夹角θ；

b.缩小备选用户集合使之成为其中α为经验值，主要目的是缩小集合用，并且通过并更新原用户集合和选中的用户集合

(3)循环终止部分：

该部分主要是返回上述选中的用户集合并计算此时的MIMO系统的吞吐量

从上述的USBS方法描述中可以看出，本步骤主要是应用来缩小备选用户集合，然后在缩小后的备选用户集合中选出待服务的用户。至于上述提到的α，可以由经验给出，本次实现主要是给出了部分天线情况的α值。

经过理论分析，上述两种用户选择方法的复杂度均为虽然GUSBA方法相对来说复杂度比较大，但这相对于现存的最优算法复杂度有了极大的改进。当然性能损失也是不可避免的。

实施例给出的是基于空间角度的多用户MIMO系统中用户调度方案的系统性能分析图。

在本实施例中，假设信道是独立同分布的，信噪比为5dB，并且通过5000次信道平均实现。主要是和较经典的用户选择方法SUS，最优的用户选择方法，以及BD预编码下两个准最优的用户选择方法(BD c-Alg和BD n-Alg)做对比来说明情况的。

仿真环境：

Matlab 2012a，信道为归一化的随机信道。信道矩阵通过randn()函数来生成。噪声为零均值单位方差的归一化高斯白噪声。所得结果是通过5000次的独立实现的统计结果。信道矩阵H_i为

预编码矩阵是指等效信道奇异值分解后，取右奇异矩阵的γ列也即等效信道矩阵的零空间的基向量，并与注水功率分配方法的矩阵的积，也就是T_i＝Μ_iQ_i，其中T_i为信道的零空间矩阵，取自等效信道的右奇异矩阵，Q_i为注水算法得到的功率分配矩阵。

仿真中各项参数的设置：

1.天线配置：发射端天线M＝12，每一个接收端配置的天线N_i＝2；

2.用户数量的变化范围：K_t＝6～48

3.其中图3和图4中α的值从图2中可以得出α＝0.4。

仿真结果分析：

图2给出了本发明的USBS方法中参数α在不同的发射天线场景下的经验值，主要是仿真了当天线对分别为2×12，2×8和2×6的情况，并且从图中可以看出随着发射天线的增大，最优的α值在逐渐的增大。当发射天线数目达到12的时候，最优的α值增至0.4左右。α值主要表现了矩阵空间的正交性和矩阵的范数对信道容量的影响。α值直接决定了备选集合的大小。较小的α值时，导致了较小的集合，致使较少的备选用户，从而在一定程度上造成了容量的损失。较大的α值时，影响容量的主要因素是正交性。因为在较大值的情况下，正交性表现得较弱，同样造成了一定的容量损失。

图3展示了在2×12的天线和信噪比为5dB的情况下，各类用户选择方法的容量性能，其中最优的方法也就是复杂性最高的方法表现出最好的系统性能，但是它较高的复杂度导致了它不能被用在实际中。BD c-Alg和BD n-Alg分别为基于BD的贪婪方法和范数方法，SUS是半正交的用户选择方法。可以看出本发明提出的两种用户选择方法(GUSBA和USBS)表现出较优的情形。

图4从复杂度方面刻画了各用户选择方法的性能，可以看出本发明中提出的两种用户选择方法具有较低的算法复杂度。结合图3中的分析结果，可以总体上评价本发明中提出的两种用户选择方法在复杂度和吞吐量方面给出了一个较好的折中。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (4)

1.基于空间角的多用户MIMO系统用户选择方法，其特征是，包括以下步骤：

步骤一：初始化部分，多用户MIMO系统中，初始化备选用户集合为调度集合为并计算每一个用户k的信道矩阵H_k的F-范数k＝1，2，…，K_t，其中K_t为小区中用户总数；

选择第一个用户为更新两个集合和并计算此时的系统吞吐量其中表示系统吞吐量，waterfilling表示注水算法过程；

步骤二：循环迭代部分：从第2个用户开始通过计算已选用户集合组成的子空间W和当前用户子空间V的夹角的方式选择用户，循环直到选出K个用户为止，其中K为系统容纳的用户的上限；

步骤三：返回步骤二中选中的用户集合，并计算此时的MIMO系统的吞吐量

2.如权利要求1所述的基于空间角的多用户MIMO系统用户选择方法，其特征是，所述步骤二中的循环迭代部分第一种方式具体包括：

(2-1)令 其中H为信道矩阵，下表表示中的第i个用户，然后计算由矩阵W,V张成的子空间W和子空间V的夹角θ；

(2-2)通过选择准则选择用户，并定义

(2-3)计算并比较系统吞吐量和如果则更新和使得 否则就直接终止本次循环，开始下次循环过程。

3.如权利要求1所述的基于空间角的多用户MIMO系统用户选择方法，其特征是，所述步骤二中的循环迭代部分第二种方式具体包括：

2.1令 其中计算其张成的子空间W和子空间V的夹角θ；

2.2缩小备选用户集合使之成为其中α为经验值，然后通过与第一种方式类似的准则并更新原备选用户集合和选中的用户集合，即令 。

4.如权利要求2或3所述的基于空间角的多用户MIMO系统用户选择方法，其特征是，所述计算子空间W和子空间V的夹角θ具体为：

子空间W＝span(w₁，w₂，…，w_p}和子空间V＝span{v₁，v₂，…，v_q}的夹角可表示为：

其中p,q为W和V的维度，P_Vw_i表示w_i向空间V的投影向量，||·||表示取n-范数操作。