CN104868947A - 一种实现波束成型的方法及基站 - Google Patents

Abstract

本发明公开了一种实现波束成型的方法及基站，其中该实现波束成型的方法包括：根据综合信道误差模型和下行链路模型建立下行波束优化模型；根据建立的下行波束优化模型，获取最优波束成型矩阵优化目标；分别获取基站所在服务小区和基站所在协作簇内除服务小区之外的各小区的信道矩阵及各信道矩阵分别对应的非理想参数；根据获得的各信道矩阵及其各自对应的非理想参数，和所述最优波束成型矩阵优化目标，获取所述基站的波束成型矩阵，所述基站根据获得的波束成型矩阵发送下行数据。该波束成型的方法有效抑制了TDD系统信道误差，消除了复杂迭代计算步骤，能够有效的抑制小区间的干扰。

Description

一种实现波束成型的方法及基站

技术领域

本发明涉及多小区多入单出（MISO，Multi-Input Single-Output）无线通信技术，尤指一种基于时分复用（TDD）系统的实现波束成型的方法及基站。

背景技术

以长期演进（LTE）为代表的第三代移动通信技术（3G）的演进型系统，实现了移动通信在3G之后的一次阶段性变革。为了进一步满足国际电信联盟的高级国际通信技术（ITU IMT—Advanced）的要求，同时也作为LTE技术的演进，3GPP通过了LTE的增强技术（LTE-A，LTE-Advanced）作为第四代移动通信技术（4G）标准的一个提案。多小区MIMO是LTE-A关键技术之一。同时，为了满足系统高速率及高频谱利用率的要求，LTE-A下行采用正交频分多址（OFDMA）的接入方式，这样在两个小区的结合边缘处，信道频率可能相同，因而在小区边缘处的用户对邻小区将会产生很强的干扰。这样导致的结果就是：为了保证用户的通信量，需要大幅提升整个小区发送功率；而如果保证较低的发送功率，小区的吞吐量又会大幅下降。因此小区间的干扰抑制是LTE-A系统研究的关键课题之一。

当前多小区干扰抑制的一个研究热点就是调整天线的分配波束成型，它的设计目的在于通过调整天线的分配，即确定每个用户在每个子载波上传输时应该怎样配置发射天线，以及基站应该怎样配置接收天线，来使发送波束在最大限度上与接收天线相正交。波束成型技术的目的就是通过多个基站合作来降低小区间的干扰。

对于多天线系统而言，传统方案把所有信息汇总到一个中央处理器（CPU）来计算整个系统的最优化问题，但是，由于X2接口的带宽和中央处理器的计算能力受限，这种方案比较难实现。所以需要采用信息交互开销和计算开销比较少的分布式方案，每个基站通过交互得到其它小区信息，再根据本地的信息，计算本小区的最优化问题，以迭代的方式得到系统的解。所以分布式框架具有较高可行性。但是，分布式框架下算法迭代的收敛性与收敛速度也是需要考虑的问题，往往需要迭代过程的算法在时间上有明显的缺陷，因此，分布式方案在实际情况下不具备应用价值。

此外，传统的波束成型算法大多假设系统进行理想的信道状态信息（CSI，Channel State Information）估计，即估计到的CSI与实际CSI相比不存在任何误差。而在实际的时分复用（TDD）系统中是存在估计误差和延时误差的，这样，造成了传统的波束成型算法在实际系统中会有严重的性能下降。

为了提高传统的波束成型算法在实习系统中的性能，现有技术中考虑CSI误差对系统的影响，B.Dai,W.Xu,and C.Zhao的研究成果“带有延迟的码本CSI反馈的多小区通信系统中的最优MMSE下行波束成型算法”（“Optimal MMSE beamforming for multiuserdownlink with delayed CSIfeedback using codebooks”in Proc.IEEEGlobecom,Houston,USA,Dec.2011）中，考虑了延时误差和估计误差同时存在的信道，对非理想信道进行了建模。基于非理想信道模型，文献设计了单小区下的鲁棒性波束成型问题，并且得到了鲁棒性问题的最优解。通过仿真，文献证明了提出的算法与传统波束成型算法相比，能够有效的克服延时误差和估计误差这两种误差带来的性能损失。但是文章考虑的模型仅局限于单小区范围内，不具有实用价值。

为了提高传统的波束成型算法在实习系统中的性能，以及为了有更好的实用价值，该领域的研究者Bogale,T.E.，Vandendorpe,L.和Chalise,B.K.的研究成果“Robust Transceiver Optimization for Downlink Coordinated BaseStation Systems:Distributed Algorithm（下行合作的基站系统中的鲁棒性发送波束：分布式算法）”in IEEE Trans.on Sig.Process.Vol.60,No.1,January2012，考虑了多小区系统中信道估计误差和延时误差对系统的影响，并以平均均方误差（AMSE）为优化目标进行计算。计算中采用了发送和接收波束交替优化的迭代形式的计算方式，最终得到最优解。但是，因为算法需要大量迭代步骤，工程实现性不高。

另外，工业界3GPP标准规定了TDD系统的上下行链路采用同一个频段不同的时隙进行通信。所以基站可以根据用户上行发送的训练序列，也叫做Sounding信号来估计信道。所以，可以以TDD系统的特有机制作为出发点，设计分布式的合作机制。

基于以上系统需求和已有的学术成果与标准的分析，需要设计一种既能够有效抑制TDD系统信道误差，又不需要复杂迭代步骤的计算，同时还能够适应TDD系统的通信特点的波束成型算法。

发明内容

为了解决上述技术问题，本发明提供了一种实现波束成型的方法及基站，能够有效的抑制TDD系统信道误差，消除复杂迭代计算步骤，从而有效的抑制小区间的干扰。

为了达到上述发明目的，本发明公开了一种实现波束成型的方法，包括：

根据综合信道误差模型和下行链路模型建立下行波束优化模型；

根据建立的下行波束优化模型，获取最优波束成型矩阵优化目标；

分别获取基站所在服务小区和基站所在协作簇内除服务小区之外的各小区的信道矩阵及各信道矩阵分别对应的非理想参数；

根据获得的各信道矩阵及其各自对应的非理想参数，和所述最优波束成型矩阵优化目标，获取所述基站的波束成型矩阵，所述基站根据获得的波束成型矩阵发送下行数据。

进一步地，所述建立下行波束优化模型之前，该方法还包括：所述基站利用时分复用TDD系统的信道互易性建立所述综合信道误差模型。

进一步地，所述在所述基站利用时分复用TDD系统的信道互易性建立所述综合信道误差模型，具体包括：

根据所述基站的信道状态信息CSI的实际值和估计值，获得估计误差模型；

根据所述基站的信道状态信息CSI在估计时刻的估计值和传输时刻的实际值，获得延时误差模型；

将所述延时误差模型代入所述估计误差模型，得到所述综合信道误差模型。

进一步地，所述建立下行波束优化模型包括：

将所述综合信道误差模型聚合成矩阵形式，得到矩阵形式的综合信道误差模型；

根据得到的矩阵形式的综合信道误差模型和所述下行链路模型，获取服务小区的表示通信质量的指标；

对所有服务小区的表示通信质量的指标做求和运算，以最小化表示通信质量的指标之和为目标，以及以各个基站的发射功率小于预定功率作为限制条件，得到下行波束优化模型。

进一步地，所述获取服务小区的表示通信质量的指标，包括：

根据得到的矩阵形式的综合信道误差模型和下行链路模型，通过限制各个服务小区的接收系数相同，得到服务小区的表示通信质量的指标。

进一步地，所述分别获取基站所在服务小区和基站所在协作簇内除所述服务小区之外的各小区的信道矩阵及各信道矩阵分别对应的非理想参数，包括：

接收所述服务小区内的所有终端设备UE发送的第一训练序列信号，根据接收到的第一训练序列信号获取所述服务小区的信道矩阵及其对应的非理想参数；

接收所述协作簇内除所述服务小区之外的小区内的所有终端设备UE发送的第二训练序列信号，根据接收到的第二训练序列信号获取所述协作簇内除所述服务小区之外的小区的信道矩阵及其对应的非理想参数。

进一步地，根据接收到的第一训练序列信号获取所述服务小区的信道矩阵及其对应的非理想参数，包括：

根据接收到的第一训练序列信号，使用已有的信道估计算法获得所述服务小区的信道矩阵；

根据获取的所述服务小区的信道矩阵，所述基站测量所述服务小区的信道矩阵对应的非理想参数，得到所述服务小区的信道矩阵对应的非理想参数。

进一步地，根据接收到的第二训练序列信号获取所述协作簇内除所述服务小区之外的小区的信道矩阵及其对应的非理想参数，包括：

根据接收到的第二训练序列信号，使用已有的信道估计算法获得所述协作簇内除所述服务小区之外的小区的信道矩阵；

根据获取的所述协作簇内除所述服务小区之外的小区的信道矩阵，所述基站测量所述协作簇内除所述服务小区之外的小区的信道矩阵对应的非理想参数，得到所述协作簇内除所述服务小区之外的小区的信道矩阵对应的非理想参数。

进一步地，所述根据建立的下行波束优化模型，获取最优波束成型矩阵优化目标包括：

根据下行波束优化模型，得到所述下行波束优化模型的拉格朗日函数；

以表示通信质量的指标和接收系数为优化变量，对所述下行波束优化模型的拉格朗日函数进行求偏导数运算，得到所述下行波束优化模型的拉格朗日函数的最优化条件KTT；

根据得到的最优化条件KTT和发射功率最大作为约束条件建立联立方程组，求解方程组获取所述最优波束成型矩阵优化目标。

进一步地，所述表示通信质量的指标包括平均均方误差AMSE。

本发明还公开了一种基站，包括：

第一建立模块，用于根据综合信道误差模型和下行链路模型建立下行波束优化模型；

运算模块，用于根据建立的下行波束优化模型，获取最优波束成型矩阵优化目标；

获得模块，用于分别获取基站所在服务小区和基站所在协作簇内除服务小区之外的各小区的信道矩阵及各信道矩阵分别对应的非理想参数；

处理模块，用于根据获得的各信道矩阵及其各自对应的非理想参数，和所述最优波束成型矩阵优化目标，获取所述基站的波束成型矩阵，所述基站根据获得的波束成型矩阵发送下行数据。

进一步地，所述基站还包括：第二建立模块，用于在所述建立下行波束优化模型之前，所述基站利用时分复用TDD系统的信道互易性建立所述综合信道误差模型。

进一步地，所述第二建立模块，具体用于：

根据所述基站的信道状态信息CSI的实际值和估计值，获得估计误差模型；根据所述基站的信道状态信息CSI在估计时刻的估计值和传输时刻的实际值，获得延时误差模型；将所述延时误差模型代入所述估计误差模型，得到所述综合信道误差模型。

进一步地，所述第一建立模块具体用于：

将所述综合信道误差模型聚合成矩阵形式，得到矩阵形式的综合信道误差模型；根据得到的矩阵形式的综合信道误差模型和所述下行链路模型，获取服务小区的表示通信质量的指标；对所有服务小区的表示通信质量的指标做求和运算，以最小化表示通信质量的指标之和为目标，以及以各个基站的发射功率小于预定功率作为限制条件，得到下行波束优化模型。

进一步地，所述第二建立模块还用于：

根据得到的矩阵形式的综合信道误差模型和下行链路模型，通过限制各个服务小区的接收系数相同，得到服务小区的表示通信质量的指标。

进一步地，所述获得模块包括第一获得模块和第二获得模块，其中

第一获得模块，用于接收所述服务小区内的所有终端设备UE发送的第一训练序列信号，根据接收到的第一训练序列信号获取所述服务小区的信道矩阵及其对应的非理想参数；

第二获得模块，用于接收所述协作簇内除所述服务小区之外的小区内的所有终端设备UE发送的第二训练序列信号，根据接收到的第二训练序列信号获取所述协作簇内除所述服务小区之外的小区的信道矩阵及其对应的非理想参数。

进一步地，所述第一获得模块具体用于：

根据接收到的第一训练序列信号，使用已有的信道估计算法获得所述服务小区的信道矩阵；

根据获取的所述服务小区的信道矩阵，所述基站测量所述服务小区的信道矩阵对应的非理想参数，得到所述服务小区的信道矩阵对应的非理想参数。

进一步地，所述第二获得模块具体用于：

根据接收到的第二训练序列信号，使用已有的信道估计算法获得所述协作簇内除所述服务小区之外的小区的信道矩阵；

根据获取的所述协作簇内除所述服务小区之外的小区的信道矩阵，所述基站测量所述协作簇内除所述服务小区之外的小区的信道矩阵对应的非理想参数，得到所述协作簇内除所述服务小区之外的小区的信道矩阵对应的非理想参数。

进一步地，运算模块具体用于：

根据下行波束优化模型，得到所述下行波束优化模型的拉格朗日函数；

以表示通信质量的指标和接收系数为优化变量，对所述下行波束优化模型的拉格朗日函数进行求偏导数运算，得到所述下行波束优化模型的拉格朗日函数的最优化条件KTT；

根据得到的最优化条件KTT和发射功率最大作为约束条件建立联立方程组，求解方程组获取所述最优波束成型矩阵优化目标。

进一步地，所述表示通信质量的指标包括平均均方误差AMSE。

本申请技术方案包括：根据综合信道误差模型和下行链路模型建立下行波束优化模型；根据建立的下行波束优化模型，获取最优波束成型矩阵优化目标；分别获取基站所在服务小区和基站所在协作簇内除服务小区之外的各小区的信道矩阵及各信道矩阵分别对应的非理想参数；根据获得的各信道矩阵及其各自对应的非理想参数，和所述最优波束成型矩阵优化目标，获取所述基站的波束成型矩阵，所述基站根据获得的波束成型矩阵发送下行数据。根据所述问题的最优解的形式，可知，每个基站的波束成型矩阵的解都为闭式形式，实现只需经过一次计算即可得到，计算复杂度低，且根据上述算法过程，每次调度基站只须计算一次闭式解，没有迭代的过程，工程易实现。

本发明考虑了TDD系统同时存在估计误差和延时误差，并对TDD系统的信道建立了综合信道误差模型，实现了鲁棒性。

另外，本发明采用各个服务小区的接收系数相同的方案，以及以最小化表示通信质量的指标之和为目标，实现了每个基站的波束成型矩阵的解都为闭式形式。

最后，本发明设计了基站之间的协作机制，实现了本方案在TDD系统下具有天然的分布式性质。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实现波束成型的方法的流程图；

图2为本发明一种基站的结构示意图；

图3为本发明的应用场景图；

图4为本发明的应用场景图内小区协作机制示意图；

图5为本发明技术方案与其他波束成型方案的吞吐量曲线对比图；

图6为本发明技术方案与非鲁棒性的传统MMSE波束成型方案达到的AMSE曲线对比图。

具体实施方式

下面结合附图及具体实施例对本发明进行详细说明。

图1为本发明实现波束成型的方法的流程图，包括以下步骤：

步骤101，根据综合信道误差模型和下行链路模型建立下行波束优化模型。

优选地，在建立下行波束优化模型之前，还包括：所述基站利用时分复用TDD系统的信道互易性建立所述综合信道误差模型。具体包括：

首先，根据所述基站的信道状态信息CSI的实际值和估计值，获得估计误差模型。

TDD系统的信道互易性指的是上行和下行的空口无线传播信道是相同的。

举例说明，估计误差由TDD系统的信道估计特征造成。由于TDD系统信道具有互易性，系统通过UE的上行Sounding信号来估计CSI。由于Sounding估计序列的非理想，会产生加性的估计误差。用和分别表示基站CSI的实际值和估计值，估计误差模型可表示为其中；为BS-m的天线相关矩阵；为各个元素服从独立同分布的误差向量，为功率谱密度。表征TDD系统中信道估计时由于Sounding信号有限带来的CSI误差值。

其次，根据所述基站的信道状态信息CSI在估计时刻的估计值和传输时刻的实际值，获得延时误差模型。

举例说明，延时误差由系统的CSI估计时刻和下行传输时刻之间延时造成，当延时过大时，下行传输所用的实际信道和估计到的CSI会有较大偏差。如果用和分别表示第k时刻（传输数据的时刻）和第k-d时刻（CSI估计时刻）的CSI，那么延时误差模型可表示为两个时刻CSI的关系： $h_{{\mathrm{mq}}_i}\left[k\right]={\mathrm{\ρ}}_{{\mathrm{mq}}_i}{h}_{{\mathrm{mq}}_i}[k-d]+n_{{\mathrm{mq}}_i}\left[k\right].$ 其中相关系数 ${\mathrm{\ρ}}_{{\mathrm{mq}}_i}=J_0\left(2\mathrm{\πd}{f}_{q_i}{T}_s\right)$ 表示两个时刻CSI的相关性，J₀(·)为0阶1型Bessel函数，为US-q_i的最大Doppler频移，T_s为一个符号的长度。为延时误差加性部分，各个元素服从0均值，功率谱密度为的高斯独立同分布。表征TDD系统中两个不同时刻CSI的相异性。

最后，将所述延时误差模型代入所述估计误差模型得到所述综合信道误差模型。

举例说明，将延时误差模型代入估计误差模型得到综合信道误差模型，如公式(1)所示：

$h_{{\mathrm{mq}}_i}^H\left[k\right]={\mathrm{\ρ}}_{{\mathrm{mq}}_i}\left({\hat{h}}_{{\mathrm{mq}}_i}^H\right[k-q]+R_{\mathrm{Tm}}^{1/2}{e}_{{\mathrm{mq}}_i}^H[k-d\left]\right)+n_{{\mathrm{mq}}_i}^H\left[k\right]---\left(1\right)$

公式(1)表示的是第(k-d)个时刻（CSI估计时刻）CSI的估计值和第k个时刻（传输数据的时刻）CSI的实际值之间的关系。如果已知信道估计和下行数据传输之间的时间间隔，基站根据估计时刻估计到的CSI预测下行发送数据是真实的CSI。

进一步地，将所述综合信道误差模型聚合成矩阵形式，得到矩阵形式的综合信道误差模型。

举例说明，将一个小区的信道聚合成矩阵，矩阵形式的综合信道模型为： $H_{\mathrm{mq}}={\mathrm{\Ψ}}_{\mathrm{mq}}({\hat{H}}_{\mathrm{mq}}+R_{\mathrm{Tm}}^{1/2}{E}_{\mathrm{mq}})+N_{\mathrm{mq}}.$ 其中，

${\mathrm{\Ψ}}_{\mathrm{mq}}=\mathrm{diag}\{{\mathrm{\ρ}}_{{\mathrm{mq}}_1},{\mathrm{\ρ}}_{{\mathrm{mq}}_2},...,{\mathrm{\ρ}}_{{\mathrm{mq}}_{K_q}}\},$

${\hat{H}}_{\mathrm{mq}}={\left[{\hat{h}}_{{\mathrm{mq}}_1}\right[k-d],{\hat{h}}_{{\mathrm{mq}}_2}[k-d],...,{\hat{h}}_{{\mathrm{mq}}_{K_q}}[k-d\left]\right]}^H,$

$E_{\mathrm{mq}}={\left[e_{{\mathrm{mq}}_1}\right[k-d],e_{{\mathrm{mq}}_2}[k-d],...,e_{{\mathrm{mq}}_{K_q}}[k-d\left]\right]}^H,$

$N_{\mathrm{mq}}={\left[n_{{\mathrm{mq}}_1}\right[k],n_{{\mathrm{mq}}_2}[k],...,n_{{\mathrm{mq}}_{K_q}}[k\left]\right]}^H.$

进一步地，根据得到的矩阵形式的综合信道误差模型和下行链路模型，获取服务小区的表示通信质量的指标。

其中，下行链路模型为已知的模型，可以表示为：： $y_q=H_{\mathrm{qq}}{U}_q{x}_q+\underset{m\≠q}{\overset{Q}{\mathrm{\Σ}}}{H}_{\mathrm{mq}}{U}_m{x}_m+z_q,$ 其中， $y_q={[y_{q_1},y_{q_2},...,y_{q_{K_q}}]}^T$ 为小区q内UE接收的信号，表示小区q中编号为i的UE（记作UE-q_i）接收到的信号；为BS-m到小区q的所有UE的信道矩阵，为N_T维列向量，表示(BS-m)到(US-q_i)之间的CSI；U_q有N_T行K_q列，为基站q的波束成型矩阵，是本发明的设计目标；用来表示BS-q传输的信号，为标量，表示要传输给UE-q_i的有用信号，不失一般性，假设它具有单位能量，即为噪声向量，是功率为σ²的加性高斯白噪声（AWGN，Additive White Gaussian Noise）。

将矩阵形式的综合信道误差模型代入下行链路误差模型，得到系统评价指标MSE表示期望信号与实际信号之间的偏差，可以表示为公式(2)所示：

${\mathrm{MSE}}_q(U,\mathrm{\β})=E_{x_q,z_q}\left\{{\left|\right|x_q-{\mathrm{\β}}^{-1}{y}_q\left|\right|}_F^2\right\}={\mathrm{\β}}^{-2}\underset{m\≠q}{\overset{Q}{\mathrm{\Σ}}}{\left|\right|H_{\mathrm{mq}}{U}_m\left|\right|}_F^2+{\mathrm{\β}}^{-2}{\mathrm{\σ}}^2{K}_q+{\left|\right|I_{K_q}-{\mathrm{\β}}^{-1}{H}_{\mathrm{qq}}{U}_q\left|\right|}_F^2---\left(2\right)$

在公式(2)中，β为小区q对应的接收系数，这里为了能够使构建的最优化问题得到闭式解，降低系统开销，对MSE模型做了简化，限制每个服务小区的接收系数都设为相等。

基站需要得到平均优化目标AMSE是由于引入综合误差模型后的信道矩阵H_mq包含服从概率分布的部分，调度过程中无法实时得到其准确值，只能根据其分布特性来进行设计。服从概率部分具体包括估计误差中的高斯误差矩阵E_mq以及延时误差中用来表征两个不同时刻CSI相异性的部分N_mq。对于小区q来说平均优化目标表示为 ${\mathrm{AMSE}}_q=E_{H_{\mathrm{mq}}|{\hat{H}}_{\mathrm{mq}}}\left\{{\mathrm{MSE}}_q\right\}=K_q+{\mathrm{\σ}}_q^2{K}_q-2{\mathrm{\β}}^{-1}\mathrm{Re}\left[\mathrm{tr}\left({\mathrm{\Ψ}}_{\mathrm{qq}}{\hat{H}}_{\mathrm{qq}}{U}_q\right)\right]+{\mathrm{\β}}^{-2}{\mathrm{\Σ}}_{m=1}^Q\mathrm{tr}\left(U_m^H{V}_{\mathrm{mq}}{U}_m\right).$ 其中 $V_{\mathrm{mq}}=E_{E_{\mathrm{mq}},N_{\mathrm{mq}}}\left(H_{\mathrm{mq}}^H{H}_{\mathrm{mq}}\right)={\hat{H}}_{\mathrm{mq}}^H{\mathrm{\Ψ}}_{\mathrm{mq}}^2{\hat{H}}_{\mathrm{mq}}+{\mathrm{\Σ}}_{i=1}^{K_m}[(1-{\mathrm{\ρ}}_{{\mathrm{mq}}_i}^2)I_{N_T}+{\mathrm{\σ}}_{{\mathrm{mq}}_i}^2{\mathrm{\ρ}}_{{\mathrm{mq}}_i}^2{R}_{\mathrm{mT}}^{H,1/2}{R}_{\mathrm{mT}}^{1/2}]$ 为信道均方矩阵。

其中，表示通信质量的指标包括平均均方误差AMSE。

较优地，对所有服务小区的表示通信质量的指标做求和运算，以最小化表示通信质量的指标之和和各个基站的发射功率小于预定功率作为限制条件，得到下行波束优化模型。

举例说明，整个系统的优化问题是基于以上建模分析构建的，具体是在保证各个基站发送功率受上限制约的条件下最小化所有UE的平均MSE（AMSE）之和，下行波束优化模型可以表述为：

$\begin{array}{cc}\underset{U,\mathrm{\β}}{\min }& \underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{\mathrm{AMSE}}_q\\ s.t.& {\left|\right|U_q\left|\right|}_F^2\≤P_q,\∀q\end{array}$

步骤102，根据建立的下行波束优化模型，获取最优波束成型矩阵优化目标。

本步骤具体包括：

首先，根据下行波束优化模型，得到所述下行波束优化模型的拉格朗日函数。

其次，以表示通信质量的指标和接收系数为优化变量，对所述下行波束优化模型的拉格朗日函数进行求偏导数运算，得到所述下行波束优化模型的拉格朗日函数的最优化条件KTT。

最后，根据得到的最优化条件KTT和发射功率最大作为约束条件建立联立方程组，求解方程组获取所述最优波束成型矩阵优化目标。

下面举例说明本步骤，采用最优化条件KTT算法对下行波束优化模型进行运算。

所述的下行波束优化模型是根据最优化基础理论中KKT条件求解的，具体步骤如下：

（1）写出问题的拉格朗日函数；

$L(U,\mathrm{\β})=\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{\mathrm{AMSE}}_q+\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{\mathrm{\λ}}_q(\mathrm{tr}\left(U_q{U}_q^H\right)-P_q),$

（2）对关于问题的优化变量对拉格朗日函数求偏导数，得到其KKT条件；本发明中的优化问题以各个基站的波束成型矩阵以及接收系数E为优化变量，得到共Q+1个KKT条件组成的方程组；

$\frac{\∂L(U,\mathrm{\β})}{\∂U_q}=-2{\mathrm{\β}}^{-1}{\left({\mathrm{\Ψ}}_{\mathrm{qq}}{\hat{H}}_{\mathrm{qq}}\right)}^H+2{\mathrm{\β}}^{-2}\underset{m=1}{\overset{Q}{\mathrm{\Σ}}}{V}_{\mathrm{qm}}{U}_q+2{\mathrm{\λ}}_q{U}_q=0,\∀q,$

$\frac{\∂L}{\∂\mathrm{\β}}=\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}-2{\mathrm{\β}}^{-3}{\mathrm{\σ}}^2{K}_q+2{\mathrm{\β}}^{-2}\mathrm{tr}\left({\mathrm{\Ψ}}_{\mathrm{qq}}{\hat{H}}_{\mathrm{qq}}{U}_q\right)-2{\mathrm{\β}}^{-3}\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}\underset{m=1}{\overset{Q}{\mathrm{\Σ}}}\mathrm{tr}\left(U_m^H{V}_{\mathrm{mq}}{U}_m\right)=0.$

（3）根据系统发射功率最大作为约束条件建立方程组：与Q+1个KKT条件联立，组成Q+2个方程的方程组，求解得到问题的最优解。

最终，所述下行波束优化模型的最优解的形式为：

${\stackrel{\‾}{U}}_q={[\underset{m=1}{\overset{Q}{\mathrm{\Σ}}}({\hat{H}}_{\mathrm{qm}}^H{\mathrm{\Ψ}}_{\mathrm{qm}}^2{\hat{H}}_{\mathrm{qm}}+\underset{i}{\mathrm{\Σ}}{\left|{\mathrm{\ρ}}_{{\mathrm{qm}}_i}\right|}^2{\mathrm{\σ}}_{{\mathrm{qm}}_i}^2{R}_{\mathrm{qT}}^{1/2,H}{R}_{\mathrm{qT}}^{1/2}+\underset{i}{\mathrm{\Σ}}(1-{\mathrm{\ρ}}_{{\mathrm{qm}}_i}^2)I_{K_q})+\frac{K_q{\mathrm{\σ}}_z^2}{P_q}{I}_{K_q}]}^{-1}{\left({\mathrm{\Ψ}}_{\mathrm{qq}}{\hat{H}}_{\mathrm{qq}}\right)}^H$

$U_q^{*}=\sqrt{\frac{P_q}{\mathrm{tr}\left({\stackrel{\‾}{U}}_q^H{\stackrel{\‾}{U}}_q\right)}}\·{\stackrel{\‾}{U}}_q$

可以看到最优解为闭式形式，并且满足最优化条件

本步骤中，用到了最优化问题的数学知识，下面对本步骤涉及到的部分进行解释。假设求解的最优化问题为：

min   f(x)

s.t.  g(x)≤0

最优化理论定义：求解最优化问题有三个步骤：

1、写出问题的拉格朗日函数，拉格朗日函数在最优化理论中已有定义，求解任何一个最优化问题都需要写出拉格朗日函数，详见《最优化理论与算法》（第二版，清华大学出版社）相关章节，为：L(x,λ)＝f(x)+λg(x)，其中λ为拉格朗日对偶变量。

2、对拉格朗日函数求偏导数，令其为零，得到问题的KKT条件（即最优解需要满足的关系式）：

$\frac{\∂L(x,\mathrm{\λ})}{\∂x}=0,\frac{\∂L(x,\mathrm{\λ})}{\∂\mathrm{\λ}}=0$

3、根据以上KKT条件解方程得到最优解。

综上所述，根据定义就可以直接写出问题的拉格朗日函数：

$L(U,\mathrm{\β})=\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{\mathrm{AMSE}}_q+\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}{\mathrm{\λ}}_q(\mathrm{tr}\left(U_q{U}_q^H\right)-P_q).$

步骤103，分别获取基站所在服务小区和基站所在协作簇内除服务小区之外的各小区的信道矩阵及各信道矩阵分别对应的非理想参数。具体包括，

接收所述服务小区内的所有终端设备UE发送的第一训练序列信号，根据接收到的第一训练序列信号获取所述服务小区的信道矩阵及其对应的非理想参数。其中，具体为：

根据接收到的第一训练序列信号，使用已有的信道估计算法获得所述服务小区的信道矩阵；

根据获取的所述服务小区的信道矩阵，所述基站测量所述服务小区的信道矩阵对应的非理想参数，得到所述服务小区的信道矩阵对应的非理想参数。

进一步地，接收所述协作簇内除所述服务小区之外的小区内的所有终端设备UE发送的第二训练序列信号，根据接收到的第二训练序列信号获取所述协作簇内除所述服务小区之外的小区的信道矩阵及其对应的非理想参数。其中，具体为：

根据接收到的第二训练序列信号，使用已有的信道估计算法获得所述协作簇内除所述服务小区之外的小区的信道矩阵；

根据获取的所述协作簇内除所述服务小区之外的小区的信道矩阵，所述基站测量所述协作簇内除所述服务小区之外的小区的信道矩阵对应的非理想参数，得到所述协作簇内除所述服务小区之外的小区的信道矩阵对应的非理想参数。

本步骤中涉及到了小区的协作机制，小区协作机制具体为，已经设定好的协作簇内的基站共享其UE信息，包括UE所属小区ID，小区组ID等，在新UE进行小区搜索加入某个小区时实时更新共享的UE信息。协作簇内的Q个基站与簇内所有UE同步。在TDD系统中，由于上下行采用相同的信道，基站根据UE上行发送的Sounding信号估计下行信道。UE在上行发送Sounding信号时不仅要发给自己的服务基站，这个信号同时也发给了邻区的干扰基站。在簇内所有UE上行Sounding结束后，一个基站就获得了自己到簇内所有被其干扰的UE的CSI信息，这一过程中基站需要交互的信息仅为UE的小区搜索和同步信息。具体包括：

在已经组成的协作簇内，基站共享所有UE的小区搜索和同步信息。建立基站与所有UE（包括本小区UE与协作簇内其他小区UE）之间的暂时同步，使UE能够给其干扰基站发送Sounding信号；

UE对所有基站（包括其服务基站与干扰基站）发送上行Sounding信号；

基站根据接受到的上行Sounding信号估计小区内信道和跨小区干扰信道测量他们对应的非理想参数

步骤104，根据获得的各信道矩阵及其各自对应的非理想参数，和所述最优波束成型矩阵优化目标，获取所述基站的波束成型矩阵，所述基站根据获得的波束成型矩阵发送下行数据。

举例说明，将获得的各信道矩阵及其各自对应的非理想参数，代入最优波束成型矩阵优化目标，即可以得到基站的波束成型矩阵，这样，基站就可以根据得到的波束成型矩阵发送下行数据。

本发明中，构建最优解需要的信息包括3类：（1）小区内部CSI信息，包括BS-q到本小区UE的CSI估计值及其相关的信道误差参数ρ_qq和小区UE数K_q，基站发送功率P_q和发送天线相关矩阵（2）跨小区CSI信息，包括BS-q到其他小区UE的干扰信道CSI估计值及其相关的信道误差参数{ρ_qm}_m≠q，（3）公用信息，高斯白噪声功率其中小区内部信息和公用信息在小区内部为已知信息，为了实现最优解的分布式特性，本发明利用TDD系统的信道互易性，设计了其配套的TDD系统小区协作机制，使基站以尽可能少的信息交互获得跨小区CSI信息。

本发明的最优解形式和相应的协作机制的优点在于：

（1）根据最优波束成型矩阵优化目标的形式，每个基站的波束成型矩阵都为如下所示的闭式形式：

${\stackrel{\‾}{U}}_q={[\underset{m=1}{\overset{Q}{\mathrm{\Σ}}}({\hat{H}}_{\mathrm{qm}}^H{\mathrm{\Ψ}}_{\mathrm{qm}}^2{\hat{H}}_{\mathrm{qm}}+\underset{i}{\mathrm{\Σ}}{\left|{\mathrm{\ρ}}_{{\mathrm{qm}}_i}\right|}^2{\mathrm{\σ}}_{{\mathrm{qm}}_i}^2{R}_{\mathrm{qT}}^{1/2,H}{R}_{\mathrm{qT}}^{1/2}+\underset{i}{\mathrm{\Σ}}(1-{\mathrm{\ρ}}_{{\mathrm{qm}}_i}^2)I_{K_q})+\frac{K_q{\mathrm{\σ}}_z^2}{P_q}{I}_{K_q}]}^{-1}{\left({\mathrm{\Ψ}}_{\mathrm{qq}}{\hat{H}}_{\mathrm{qq}}\right)}^H$

$U_q^{*}=\sqrt{\frac{P_q}{\mathrm{tr}\left({\stackrel{\‾}{U}}_q^H{\stackrel{\‾}{U}}_q\right)}}\·{\stackrel{\‾}{U}}_q$

在计算时只经过一次计算可以得到，计算复杂度低。且根据上述算法过程，每次调度基站只须计算一次闭式解，没有迭代的过程，工程易实现。

（2）根据上诉闭式解的形式，其中只包含本小区CSI，包括在小区q内为已知信息；还包括本小区基站到其他小区UE的跨小区CSI，包括在TDD系统中可以根据本小区UE和其他小区UE发送给本小区基站的上行Sounding信号就可以估计得到，不需要基站之间交互CSI；所以能够以有限的信令交互得到需要的信息，实现分布式求解。

（3）根据本发明采用的TDD系统综合信道模型，算法在计算时不仅仅使用信道估计值进行优化，而是考虑了CSI估计误差和延时误差Ψ_mq和N_mq，对目标求平均值进行优化，具有鲁棒性。

本发明中，最优波束成型矩阵优化目标是通过求解下行波束优化模型得到，也就是说最优波束成型矩阵优化目标是下行波束优化模型的最优解，而各个基站的波束成型矩阵是将各个基站所对应的非理想参数代入最优波束成型矩阵优化目标得到的一个全部是常量的矩阵。

图2为本发明基站的结构示意图，包括：第一建立模块，运算模块，获得模块，处理模块。其中，

第一建立模块，用于根据综合信道误差模型和下行链路模型建立下行波束优化模型。其中，第一建立模块具体用于：

将所述综合信道误差模型聚合成矩阵形式，得到矩阵形式的综合信道误差模型；

根据得到的矩阵形式的综合信道误差模型和下行链路模型，得到服务小区的表示通信质量的指标；

对所有服务小区的表示通信质量的指标做求和运算，以最小化表示通信质量的指标之和和各个基站的发射功率小于预定功率作为限制条件，得到下行波束优化模型。

本发明中，表示通信质量的指标包括平均均方误差AMSE。

运算模块，用于根据建立的下行波束优化模型，获取最优波束成型矩阵优化目标。其中，运算模块具体用于：

根据下行波束优化模型，得到所述下行波束优化模型的拉格朗日函数；

以表示通信质量的指标和接收系数为优化变量，对所述下行波束优化模型的拉格朗日函数进行求偏导数运算，得到所述下行波束优化模型的拉格朗日函数的最优化条件KTT；

根据得到的最优化条件KTT和发射功率最大作为约束条件建立联立方程组，求解方程组获取所述最优波束成型矩阵优化目标。

获得模块，用于分别获取基站所在服务小区和基站所在协作簇内除服务小区之外的各小区的信道矩阵及各信道矩阵分别对应的非理想参数。

进一步地，所述获得模块包括第一获得模块和第二获得模块，其中

第一获得模块，用于接收所述服务小区内的所有终端设备UE发送的第一训练序列信号，根据接收到的第一训练序列信号获取所述服务小区的信道矩阵及其对应的非理想参数；其中，所述第一获得模块具体用于：

根据接收到的第一训练序列信号，使用已有的信道估计算法获得所述服务小区的信道矩阵；

根据获取的所述服务小区的信道矩阵，所述基站测量所述服务小区的信道矩阵对应的非理想参数，得到所述服务小区的信道矩阵对应的非理想参数。

第二获得模块，用于接收所述协作簇内除所述服务小区之外的小区内的所有终端设备UE发送的第二训练序列信号，根据接收到的第二训练序列信号获取所述协作簇内除所述服务小区之外的小区的信道矩阵及其对应的非理想参数。其中，第二获得模块具体用于：

根据接收到的第二训练序列信号，使用已有的信道估计算法获得所述协作簇内除所述服务小区之外的小区的信道矩阵；

根据获取的所述协作簇内除所述服务小区之外的小区的信道矩阵，所述基站测量所述协作簇内除所述服务小区之外的小区的信道矩阵对应的非理想参数，得到所述协作簇内除所述服务小区之外的小区的信道矩阵对应的非理想参数。

处理模块，用于根据获得的各信道矩阵及其各自对应的非理想参数，和所述最优波束成型矩阵优化目标，获取所述基站的波束成型矩阵，所述基站根据获得的波束成型矩阵发送下行数据。

所述基站还包括：第二建立模块，用于在所述建立下行波束优化模型之前，所述基站利用时分复用TDD系统的信道互易性建立所述综合信道误差模型。其中，所述第二建立模块，具体用于：

根据所述基站的信道状态信息CSI的实际值和估计值，获得估计误差模型；

根据所述基站的信道状态信息CSI在估计时刻的估计值和传输时刻的实际值，获得延时误差模型；

将所述延时误差模型代入所述估计误差模型得到所述综合信道误差模型。

其中，TDD系统的信道互易性指的是上行和下行的空口无线传播信道是相同的。

较优地，第二建立模块还用于，根据得到的矩阵形式的综合信道误差模型和下行链路模型，通过限制各个服务小区的接收系数相同，得到服务小区的表示通信质量的指标。

下面结合具体实施例对本发明实现波束成型的方法进行说明。

实施例一

本实施例考虑一个有三个小区构成的协作簇。每个小区包含一个2天线的基站和两个单天线的UE，一个UE在接收本小区基站服务的同时也会受到另两个小区基站的干扰。公开实施例中的信道为随机生成的高斯信道，其路损系数为2。典型地，公开实施例中的误差模型参数设为下面结合附图3和附图4详细说明本发明具体实施例。

图3为本发明的应用场景图，包括：基站1，基站2，基站3，以及包括基站1服务下的用户（UE-11、UE-12）、基站2服务下的用户（UE-21、UE-22）和基站3服务下的用户（UE-31、UE-32）。

图4为本发明的应用场景图内小区协作机制示意图，图4以图3所示的场景中的一个基站（基站1）和其相邻的基站（基站2）服务下的用户（UE-21）为示例，解释了小区协作的具体实施方式。

本发明提供的协作机制具体描述为一个基站在下行发送数据之前与自己在簇内干扰到的UE建立暂时同步，接收跨小区上行Sounding信号，用估计到的跨小区干扰信道状态设计波束成型矩阵。

如图4所示，小区1内存在UE-11和UE-12两个用户，小区2内存在UE-21和UE-22两个用户。对于基站1来说，UE-1和UE-2为其服务用户，UE-21为其干扰用户。基站协作时，基站1和2先共享UE-11、UE-1、UE-21和UE-22的小区搜索和同步信息确定用户所属小区和位置信息，以确保基站1的干扰用户UE-21能够和基站1建立暂时的同步并发送上行Sounding信号。基站1接收到UE-21发送来的Sounding后，估计出跨小区干扰信道CSI和非理想参数。

本实施例需要一个基站与每个其干扰到的UE的服务基站进行协作，本示例仅演示了一个基站与一个相邻基站下的一个干扰用户进行协作的过程。

基于提出的协作机制，下面给出本实施例的具体实施过程：

1、在已经组成的协作簇（小区1、2、3）内，由于3GPP标准中小区搜索与随机接入机制，每个基站都与自己的服务用户建立了同步。每个基站首先接受其服务用户的Sounding信号，基站1接收UE-11和UE-12的Sounding信号，基站2接收UE-21和UE-22的Sounding信号，基站3接收UE-31和UE-32的Sounding信号。

2、基站根据步骤1中定义的Sounding模式，接收到小区内上行Sounding信号，从而使用已有的信道估计算法估计小区内信道矩阵测量他们对应的非理想参数

3、参考本实施例所述的协作机制，基站共享所有UE的小区搜索和同步信息。通过小区搜索和随机接入机制，建立基站与其干扰UE之间的暂时同步，使干扰UE能够给其基站发送Sounding信号。

4、根据协作机制中所述，每个UE给自己的干扰基站发送上行Sounding信号。本实施例中，基站1接收UE-21、UE-22、UE-31和UE-32的Sounding信号；基站2接收UE-11、UE-12、UE-31和UE-32的Sounding信号；基站3接收UE-11、UE-12、UE-21和UE-22的Sounding信号。

5、所有基站根据步骤4中定义的Sounding模式，接收到小区外上行Sounding信号，根据接收到的跨小区上行Sounding信号使用已有的信道估计算法估计跨小区干扰信道测量他们对应的非理想参数 ${\left\{{\mathrm{\ρ}}_{{\mathrm{qm}}_i}\right\}}_{q\≠m}^3{\left\{{\mathrm{\σ}}_{{\mathrm{qm}}_i}^2\right\}}_{q\≠m}^3.$

6、基站已获得所述最优解所需要的信息，根据计算最优波束成型矩阵开始下行发送数据。

本实施例并不能限制本发明的方案，协作簇内小区的数量是没有限制的，根据实际情况而定，之所以选择三个小区的协作簇是为了便于描述。

图5为本发明技术方案与其他波束成型方案的吞吐量曲线对比图。

如图5所示，纵坐标表示吞吐量，横坐标表示信噪比，实线代表本发明方，虚线代表系统容量上限，三角虚线代表不协作方案。经过仿真，结果显示本实施例的最优解能够有效逼近图1所示场景的系统吞吐量上限。图5是公开实施例在系统信噪比（Signal to Noise Ratio,SNR）从0dB增加至30dB时分别采用本发明方案和系统容量上限以及不协作方案的吞吐量曲线对比图。系统容量上限方案中每个小区采用不同的接收系数β_q，需要发送波束成型矩阵U_q与β_q轮流迭代求解最优解，达到的最优解在理想条件下为系统容量上限。不协作方案采用博弈论的思想，每个小区UE把受到的干扰当作噪声处理，只优化本小区部的AMSE，求解时仅需要使用小区内部信道，各个小区间无任何信息交互。由于不协作方案中各个基站是相互竞争的关系，其整体吞吐量无法从SNR中获得有效增益。从图5可以看出，公开实施例达到的系统吞吐量要明显高于对比的基于博弈思想的非协作方案，并且能够充分逼近系统的容量上限。

图6为本发明技术方案与非鲁棒性的传统MMSE波束成型方案达到的AMSE曲线对比图。

如图6所示，纵坐标表示求和AMSE，横坐标表示信噪比，实线代表本发明方案，虚线代表非鲁棒MMSE波束方案。在仿真结果中也可以观察到本实施例对于信道估计误差和延时误差的抑制作用。图6是在系统SNR从0dB增加至30dB时分别采用本发明方案和非鲁棒MMSE波束方案的AMSE曲线对比图。对比的MMSE波束方案以CSI估计误差和延时误差都不存在为前提，求解MSE和最小化的问题得到的最优解。MMSE波束相当于本发明中最小化AMSE鲁棒性波束的非理想参数，是本发明的一种退化形式，不具有鲁棒性。从图6可以看出，非鲁棒MMSE波束方案并不能有效从SNR中获得增益。相反，由于过大的发送功率能够放大CSI误差带来的性能损失，在较高SNR下系统的AMSE反而随着SNR的增大而增大。而公开实施例方案能够有效解决这个问题，在SNR增大时能够有效获得增益，有效抑制CSI误差，提高吞吐量。

以上所述，仅为本发明的较佳实例而已，并非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 (20)

1.一种实现波束成型的方法，其特征在于，包括：

根据综合信道误差模型和下行链路模型建立下行波束优化模型；

根据建立的下行波束优化模型，获取最优波束成型矩阵优化目标；

分别获取基站所在服务小区和基站所在协作簇内除服务小区之外的各小区的信道矩阵及各信道矩阵分别对应的非理想参数；

根据获得的各信道矩阵及其各自对应的非理想参数，和所述最优波束成型矩阵优化目标，获取所述基站的波束成型矩阵，所述基站根据获得的波束成型矩阵发送下行数据。

2.根据权利要求1所述的方法，其特征在于，所述建立下行波束优化模型之前，该方法还包括：所述基站利用时分复用TDD系统的信道互易性建立所述综合信道误差模型。

3.根据权利要求2所述的方法，其特征在于，所述在所述基站利用时分复用TDD系统的信道互易性建立所述综合信道误差模型，具体包括：

根据所述基站的信道状态信息CSI的实际值和估计值，获得估计误差模型；

根据所述基站的信道状态信息CSI在估计时刻的估计值和传输时刻的实际值，获得延时误差模型；

将所述延时误差模型代入所述估计误差模型，得到所述综合信道误差模型。

4.根据权利要求1所述的方法，其特征在于，所述建立下行波束优化模型包括：

将所述综合信道误差模型聚合成矩阵形式，得到矩阵形式的综合信道误差模型；

根据得到的矩阵形式的综合信道误差模型和所述下行链路模型，获取服务小区的表示通信质量的指标；

对所有服务小区的表示通信质量的指标做求和运算，以最小化表示通信质量的指标之和为目标，以及以各个基站的发射功率小于预定功率作为限制条件，得到下行波束优化模型。

5.根据权利要求4所述的方法，其特征在于，所述获取服务小区的表示通信质量的指标，包括：

根据得到的矩阵形式的综合信道误差模型和下行链路模型，通过限制各个服务小区的接收系数相同，得到服务小区的表示通信质量的指标。

6.根据权利要求1所述的方法，其特征在于，所述分别获取基站所在服务小区和基站所在协作簇内除所述服务小区之外的各小区的信道矩阵及各信道矩阵分别对应的非理想参数，包括：

接收所述服务小区内的所有终端设备UE发送的第一训练序列信号，根据接收到的第一训练序列信号获取所述服务小区的信道矩阵及其对应的非理想参数；

接收所述协作簇内除所述服务小区之外的小区内的所有终端设备UE发送的第二训练序列信号，根据接收到的第二训练序列信号获取所述协作簇内除所述服务小区之外的小区的信道矩阵及其对应的非理想参数。

7.根据权利要求6所述的方法，其特征在于，根据接收到的第一训练序列信号获取所述服务小区的信道矩阵及其对应的非理想参数，包括：

根据接收到的第一训练序列信号，使用已有的信道估计算法获得所述服务小区的信道矩阵；

根据获取的所述服务小区的信道矩阵，所述基站测量所述服务小区的信道矩阵对应的非理想参数，得到所述服务小区的信道矩阵对应的非理想参数。

8.根据权利要求6所述的方法，其特征在于，根据接收到的第二训练序列信号获取所述协作簇内除所述服务小区之外的小区的信道矩阵及其对应的非理想参数，包括：

根据接收到的第二训练序列信号，使用已有的信道估计算法获得所述协作簇内除所述服务小区之外的小区的信道矩阵；

根据获取的所述协作簇内除所述服务小区之外的小区的信道矩阵，所述基站测量所述协作簇内除所述服务小区之外的小区的信道矩阵对应的非理想参数，得到所述协作簇内除所述服务小区之外的小区的信道矩阵对应的非理想参数。

9.根据权利要求1所述的方法，其特征在于，所述根据建立的下行波束优化模型，获取最优波束成型矩阵优化目标包括：

根据下行波束优化模型，得到所述下行波束优化模型的拉格朗日函数；

以表示通信质量的指标和接收系数为优化变量，对所述下行波束优化模型的拉格朗日函数进行求偏导数运算，得到所述下行波束优化模型的拉格朗日函数的最优化条件KTT；

根据得到的最优化条件KTT和发射功率最大作为约束条件建立联立方程组，求解方程组获取所述最优波束成型矩阵优化目标。

10.根据权利要求4所述的方法，其特征在于，所述表示通信质量的指标包括平均均方误差AMSE。

11.一种基站，其特征在于，包括：

第一建立模块，用于根据综合信道误差模型和下行链路模型建立下行波束优化模型；

运算模块，用于根据建立的下行波束优化模型，获取最优波束成型矩阵优化目标；

获得模块，用于分别获取基站所在服务小区和基站所在协作簇内除服务小区之外的各小区的信道矩阵及各信道矩阵分别对应的非理想参数；

处理模块，用于根据获得的各信道矩阵及其各自对应的非理想参数，和所述最优波束成型矩阵优化目标，获取所述基站的波束成型矩阵，所述基站根据获得的波束成型矩阵发送下行数据。

12.根据权利要求11所述的基站，其特征在于，所述基站还包括：第二建立模块，用于在所述建立下行波束优化模型之前，所述基站利用时分复用TDD系统的信道互易性建立所述综合信道误差模型。

13.根据权利要求12所述的基站，其特征在于，所述第二建立模块，具体用于：

根据所述基站的信道状态信息CSI的实际值和估计值，获得估计误差模型；根据所述基站的信道状态信息CSI在估计时刻的估计值和传输时刻的实际值，获得延时误差模型；将所述延时误差模型代入所述估计误差模型，得到所述综合信道误差模型。

14.根据权利要求11所述的基站，其特征在于，所述第一建立模块具体用于：

将所述综合信道误差模型聚合成矩阵形式，得到矩阵形式的综合信道误差模型；根据得到的矩阵形式的综合信道误差模型和所述下行链路模型，获取服务小区的表示通信质量的指标；对所有服务小区的表示通信质量的指标做求和运算，以最小化表示通信质量的指标之和为目标，以及以各个基站的发射功率小于预定功率作为限制条件，得到下行波束优化模型。

15.根据权利要求14所述的基站，其特征在于，所述第二建立模块还用于：

根据得到的矩阵形式的综合信道误差模型和下行链路模型，通过限制各个服务小区的接收系数相同，得到服务小区的表示通信质量的指标。

16.根据权利要求11所述的基站，其特征在于，所述获得模块包括第一获得模块和第二获得模块，其中

第一获得模块，用于接收所述服务小区内的所有终端设备UE发送的第一训练序列信号，根据接收到的第一训练序列信号获取所述服务小区的信道矩阵及其对应的非理想参数；

第二获得模块，用于接收所述协作簇内除所述服务小区之外的小区内的所有终端设备UE发送的第二训练序列信号，根据接收到的第二训练序列信号获取所述协作簇内除所述服务小区之外的小区的信道矩阵及其对应的非理想参数。

17.根据权利要求16所述的基站，其特征在于，所述第一获得模块具体用于：

根据接收到的第一训练序列信号，使用已有的信道估计算法获得所述服务小区的信道矩阵；

根据获取的所述服务小区的信道矩阵，所述基站测量所述服务小区的信道矩阵对应的非理想参数，得到所述服务小区的信道矩阵对应的非理想参数。

18.根据权利要求16所述的基站，其特征在于，所述第二获得模块具体用于：

根据接收到的第二训练序列信号，使用已有的信道估计算法获得所述协作簇内除所述服务小区之外的小区的信道矩阵；

根据获取的所述协作簇内除所述服务小区之外的小区的信道矩阵，所述基站测量所述协作簇内除所述服务小区之外的小区的信道矩阵对应的非理想参数，得到所述协作簇内除所述服务小区之外的小区的信道矩阵对应的非理想参数。

19.根据权利要求11所述的基站，其特征在于，运算模块具体用于：

根据下行波束优化模型，得到所述下行波束优化模型的拉格朗日函数；

以表示通信质量的指标和接收系数为优化变量，对所述下行波束优化模型的拉格朗日函数进行求偏导数运算，得到所述下行波束优化模型的拉格朗日函数的最优化条件KTT；

根据得到的最优化条件KTT和发射功率最大作为约束条件建立联立方程组，求解方程组获取所述最优波束成型矩阵优化目标。

20.根据权利要求14所述的基站，其特征在于，所述表示通信质量的指标包括平均均方误差AMSE。