CN105007108A - 基于发射天线选择的分布式干扰对齐方案 - Google Patents

Abstract

本发明提出了一种发射天线选择条件下的分布式干扰对齐方案，涉及到无线通信领域，解决发射天线选择条件下分布式干扰对齐方案中基于贪心以及最优策略具有很高的算法复杂度，限制了该技术在实际应用的问题，本发明把天线选择条件下分布式干扰对齐分为两步完成，首先对于每个BSS(基本业务集)分别采用基于最大Frobenius范数的天线选择算法，从信道矩阵中找到信道质量相对较好的发射天线，然后在此基础上，采用分布式迭代干扰对齐技术进行干扰对齐，最终在性能仅相差几个dB的情况下成倍地降低算法复杂度，本发明主要应用于采用发射天线选择条件下分布式干扰对齐技术的无线通信设备当中。

Description

基于发射天线选择的分布式干扰对齐方案

技术领域

本发明涉及无线通信技术领域，针对OBSS(Overlap Basic Service Set，交叠的基本业务集)场景，在研究基于穷搜索的最优发射天线选择条件下的分布式干扰对齐技术以及基于贪心策略的低复杂度的发射天线选择算法基础上，提出了一种新的发射天线选择条件下的分布式干扰对齐技术方案。

背景技术

MIMO(多输入多输出)技术在系统发送端和接收端配置多根天线,可以有效地提高系统的可靠性，并且可以在不增加系统带宽的情况下提高信道容量。但是MIMO系统性能的提升是以极高的硬件成本换来的。比如，每个发射/接收天线都需要自己的射频链路(包括低噪声放大器，功率放大器以及模数转换器等)。随着天线数目的增加,天线射频链路的硬件成本不断增加，相对于射频链路成本，天线的成本相对较低,所以在天线组中选取最好的若干天线组成一个子天线组进行发射和接收的天线选择技术成为一个研究热点。天线选择技术用相对较少的收发射频链路来支持较多的天线，因此能够保证MIMO系统不再完全受射频成本限制，同时天线选择仍然可以保证MIMO技术所带来的吞吐量优势。

干扰对齐作为一种全新的干扰管理思想，可以有效地提高通信系统的自由度，干扰对齐的基本思想是通过在发送端设计预编码矩阵，使得接收端可以将来自其他发送端的干扰信号重叠在相同的子空间内，最后在接收端通过简单的迫零处理恢复出无干扰的有用信号。在OBSS(Overlap Basic Service Set，交叠的基本业务集)中，在每个BSS(Basic Service Set，基本业务集)内部，多个用户可以通过正交频分的方式使BSS内的用户信息承载在相互正交的子载波上，这样可以避免BSS内用户间的干扰。由此，干扰管理的关键就在于如何抑制BSS间的干扰。在OBSS场景中，由于各个小区之间不能协作，所以每个小区无法知道全局信道状态信息。因此只能采用分布式干扰对齐算法，该算法仅需要知道本地信道状态信息，并且可以适用于多用户对。目前为止，对K用户干扰信道，主要是通过迭代方式不断优化来实现干扰对齐，但是这种实现方式都是在MIMO技术下来进行运用，这样需要极高的硬件成本。因此，将发射天线选择(Transmit Antenna Selection,TAS)技术引入到采用分布式干扰对齐技术的多BSS系统中就显得尤为必要。基于发射天线的分布式干扰对齐中，采用基于穷搜索策略的天线选择，是一种最优的策略，但是该方法的算法复杂度特别大，因此，目前提出了一种适用于多小区IA的低复杂度TAS(IA-Low Complexity-TAS,IA-LC-TAS)算法，该算法利用贪心搜索策略和改进的分布式干扰对齐方法来联合降低计算复杂度，相对于最优的发射天线选择条件下的分布式干扰对齐，该算法虽然有效地降低了算法复杂度，但是复杂度依然很大，尤其是对每个小区进行贪心的时候，每次搜索都要进行分布式干扰对齐，这会严重地限制分布式干扰对齐技术在天线选择条件下的应用。

发明内容

本发明的目的在于，为克服现有技术中算法复杂度特别大，限制了天线选择条件下分布式干扰对齐技术的实际应用问题，提出一种在性能相差不大的前提下可以成倍降低算法度的方法。下面首先介绍场景。

附图1是一个OBSS场景图，总共有K个BSS，每个BSS中包含一个AP(接入点)和一个STA(终端)。对于每个BSS，AP端的发射天线数为M_t，发送数据的自由度为d，从中选择L个射频链路(M_t＞L)，STA端的接收天线个数和射频链路数均为N_r，每个AP仅与相应的STA通信，对于第i个BSS，设为BSS_i，BSS_i中的AP，设为AP_i，BSS_i中的STA，设为STA_i。假定收发之间的信道为块衰落MIMO信道，块衰落信道系数为H_ij(1≤i，j≤K)，表示从AP_j到STA_i的信道矩阵，其元素服从均值为0、方差为1的独立复高斯分布。OBSS中每个STA与所有AP之间均存在低速无延迟无差错反馈信道，可将信道状态信息和接收机重组矩阵反馈到AP，每个AP通过广播方式将预编码矩阵发送到所有STA。

对于BSS_i(i＝1,2,…,K)，在天线选择中，AP_i可以从M_t个发射天线当中选取L根天线连接到射频链路上，所有的备选发射天线组合为集合总共有个备选天线组合，其中表示从M_t个发射天线当中选取L个射频链路的组合数。假定BSS_i被选中的组合为λ_i，则系统的TAS方案ω＝(λ₁,λ₂,…,λ_K)。BSS之间的干扰消除，采用分布式干扰对齐技术，分布式干扰对齐主要是利用了通信系统的对偶性，即如果一个接收节点在某个信号维度受到其他发送节点的干扰最小，那么如果将此接收节点作为发送节点，则其沿此信号维度发送信号时，对其他发送节点产生的干扰也是最小的。在附图1中，如果AP_k向终端STA_k发送的数据为s_k，则STA_k接收到的数据y_k如公式(1)所示。

$y_k={\left(U_k^{\mathrm{\Δ}}\right)}^H{H}_{kk}^{{\mathrm{\λ}}_k}{V}_k^{\mathrm{\Δ}}{s}_k+\underset{i=1,i\≠k}{\overset{K}{\Σ}}{\left(U_k^{\mathrm{\Δ}}\right)}^H{H}_{ki}^{{\mathrm{\λ}}_i}{V}_i^{\mathrm{\Δ}}{s}_i+{\left(U_k^{\mathrm{\Δ}}\right)}^H{n}_k---\left(1\right)$

其中，表示采用分布式干扰对齐技术时AP_k的预编码矩阵，表示STA_k的接收解码矩阵。(·)^H表示取共轭转置。为AP_i被选中的发射天线到STA_k的信道矩阵。n_k表示均值为0，方差为1的高斯白噪声。STA_k的平均发送功率为P_k，公式(1)中y_k的第一项表示STA_k需要接收的有用信号，第二项表示其他BSS对第k个BSS的干扰信号，第三项表示接收端本身的噪声。

预编码矩阵和接收解码矩阵在迭代开始随机产生，然后通过逐步迭代更新实现干扰对齐。即最终需要满足如下条件：

${\left(U_k^{\mathrm{\Δ}}\right)}^H{H}_{ki}^{{\mathrm{\λ}}_i}{V}_i^{\mathrm{\Δ}}=0_{d\×d},\∀i\≠k$

$rank\left({\left(U_k^{\mathrm{\Δ}}\right)}^H{H}_{ki}^{{\mathrm{\λ}}_i}{V}_i^{\mathrm{\Δ}}\right)=d_k,\∀k\∈K$

其中，rank(·)表示矩阵的秩。

然后介绍在该场景下基于发射天线选择的分布式干扰对齐技术的主要解决方法。

第一种方法是OBSS中分布式干扰对齐的最优TAS(IA-O-TAS)算法，最优TAS算法采用穷尽搜索的方式，需要穷尽所有的天线组合，然后针对每一种天线组合采用分布式干扰对齐技术，最终从所有组合中找出最优的一组天线组合。OBSS场景中总共有K个BSS，发射天线选择的时候，系统TAS方案ω＝(λ₁,λ₂,…,λ_K)，对于任意λ_i，λ_i为备选发射天线集合中的一种，即λ_i总共有种可能。而ω中K个λ的所有组合必须穷尽，因此IA-O-TAS算法中TAS方案ω总共有种可能，然后针对每一种可能，采用分布式干扰对齐算法来设计和 $V_k^{\mathrm{\Δ}}(k=1,2,...,K),$ 设计完成后利用设计好的和 $V_k^{\mathrm{\Δ}}(k=1,2,...,K)$ 来计算系统的和容量，在BSS间的干扰被完全消除的情况下，系统和容量的计算如公式(2)所示，最后按照最大化系统和容量的准则，确定最优的系统TAS方案

$C=\underset{i=1}{\overset{K}{\Σ}}{\log }_2\[\det (I_{d_k}+\frac{P_k}{d}{\left(U_k^{\mathrm{\Δ}}\right)}^H{H}_{kk}^{{\mathrm{\λ}}_k}{V}_k^{\mathrm{\Δ}}{\left(H_{kk}^{{\mathrm{\λ}}_k}{V}_k^{\mathrm{\Δ}}\right)}^H{U}_k^{\mathrm{\Δ}})\]---\left(2\right)$

执行D-IA的算法复杂度如公式(3)，其中T表示保证算法收敛所需要的迭代次数的经验值。由于按照公式(2)计算系统和容量的复杂度和(3)相比较小，因此这部分计算复杂度可以忽略，IA-O-TAS算法的总的复杂度为搜索次数和每一次分布式干扰对齐的复杂度的乘积，整理后如公式(4)所示。

$f_{IA-O-TAS}={\left(C_N^L\right)}^K{f}_{D-IA}---\left(4\right)$

第二种方法是基于贪心策略的低复杂度的发射天线选择算法TAS(IA-LC-TAS)，和穷搜索的IA-O-TAS方法不同，该算法采用贪心策略，首先保持其他BSS的发射天线选择方案不变，然后沿着系统和容量增加的搜索方向依次对各个BSS进行优化。具体是第一步初始化系统TAS方案ω，第二步沿着系统和容量增加的搜索方向，每一次搜索优化ω中的一个元素，得到一个局部最优解在该局部最优解的获取中，保持其他BSS的不变，然后搜索λ_i的备选发射天线集合实现干扰对齐，选择能够最大化系统和容量的备选发射组合序号作为然后进行K次搜索，分K步完成整个搜索过程，得到最终的该算法每次搜索中需要遍历个备选天线组合，分为K步遍历，所以总的搜素次数为由于每一次搜索过程中都要采用分布式干扰对齐算法进行干扰对齐，在获得ω^*后执行分布式干扰对齐的计算复杂度为f_D-IA，计算系统和容量的复杂度忽略不计的情况下，该算法总的计算复杂度如公式(5)所示：

$f_{IA-LC-TAS}={\mathrm{KC}}_{Mt}^L{f}_{D-IA}+f_{D-IA}=KT(\frac{{\mathrm{KtC}}_N^L}{T}+1)\[O\left(L^3\right)+O\left({N_r}^3\right)+2(K-1)\left(O\right(L^2{N}_r)+O({{\mathrm{LN}}_r}^2\left)\right)\]---\left(5\right)$

考虑到分布式干扰对齐在迭代开始阶段，系统和容量增加比较快，而在迭代的中后期，系统和容量趋于稳定，所以该算法采用了部分迭代的分布式干扰对齐。公式(5)中的t即为部分迭代的迭代次数。

IA-LC-TAS相比IA-O-TAS算法，当K>1且时，小于尤其是K比较大或者比较大的时候，远小于因此IA-LC-TAS的算法复杂度有了很大的降低。但是尽管如此，IA-LC-TAS算法复杂度依然非常大，对于IA-LC-TAS算法，在真正进行干扰对齐之前，首先需要进行次搜索，而每一次搜索都需要进行干扰对齐，而干扰对齐的复杂度很高，导致了在一个块衰落信道的有效时间内，天线搜索占据了大量的时间，从而使得有效时间中用户信息的传输时间减少。由此可见，虽然采用分布式干扰对齐技术，使系统的信道容量增大，但是在一个块衰落时间中用户信息传输时间的减少，却限制了有效时间内用户信息量的传输。因此，需要找到一种方法，既能够使得系统的信道容量增大，同时能够减小天线搜索过程中对块衰落信道有效时间的占据。基于这个考虑，本发明提供一种新的基于发射天线选择的分布式干扰对齐技术方案，可以大大降低算法复杂度，促进该算法在实际当中的应用。

下面介绍本发明所提方案。

本发明方案采用两步完成，第一步为了减少射频链路，降低硬件成本，需要从发射天线系统当中选择性能比较好的几根天线，作为与射频链路相连的天线，用来真正发射信号，选择方式采用基于矩阵最大Frobenius范数的天线选择算法。

基于矩阵最大Frobenius范数的天线选择算法的步骤为：首先对于每一个BSS，分别采用基于矩阵最大Frobenius范数的天线选择算法来选择性能比较好的L根发射天线。这样就得到了K个BSS的发射天线集合，并以此作为整个OBSS场景中发射端的天线集合。

第二步是在第一步的基础上采用分布式干扰对齐技术降低干扰。即首先预编码矩阵在迭代开始随机产生，然后在STA端根据预编码矩阵和信道矩阵，得到每个BSS的干扰协方差矩阵，各个BSS通过对各自的干扰协方差矩阵进行处理，得到相应的接收解码矩阵然后反转通信方向，以STA端的接收解码矩阵作为预编码矩阵，通过同样的过程得到AP端的接收解码矩阵，并用AP端的接收解码矩阵来更新AP端的矩阵接下来再次反转通信方向，以AP端的矩阵作为预编码矩阵，更新STA端的接收解码矩阵如此，通过逐步迭代更新实现干扰对齐。

所提算法由于把基于发射天线选择条件下的分布式干扰对齐分为两步完成，即首先进行发射天线选择，对K个BSS均选出信道条件比较好的发射天线后，然后进行分布式迭代干扰对齐技术。因此，该算法的复杂度为两步的复杂度之和。第一步中对于拥有K个BSS的OBSS，基于信道矩阵最大Frobenius范数的天线选择的复杂度为KO(M_t)，第二步中分布式干扰对齐的复杂度为f_D-IA，所以，该算法的计算复杂度如公式(6)所示。在IA-LC-TAS和IA-O-TAS算法中，由于计算系统和容量的复杂度和f_D-IA相比较小，因此忽略了计算系统和容量的复杂度，而KO(M_t)同样远小于f_D-IA，因此，在忽略KO(M_t)的前提下，所提算法的复杂度几乎等于只进行分布式干扰对齐时候的复杂度，即其中符号表示近似相等。

f＝KO(M_t)+f_D-IA  (6)

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

附图1为本方案当中的OBSS场景图；

附图2为分别采用IA-LC-TAS算法，IA-O-TAS算法，随机天线选择算法以及所提算法时，系统和容量随信噪比的变化图。其中假定OBSS场景中的BSS个数K＝4，对于所有BSS采用MIMO传输技术，等功率发送。在每个BSS中，设AP的天线数M_t＝4，STA的天线数N_r＝3，AP端在发射天线选择中的射频链路个数L为3，每个BSS发送的自由度d＝1，分布式干扰对齐的迭代次数T＝30。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实现的具体实施例提供了该方案的具体的性能对比图，该发明方案可以在性能变化不大的前提下成倍地降低算法复杂度。其具体实施方式如下所示：

(1)在OBSS场景中，首先进行发射天线选择，在K个BSS中，对每个BSS，分别基于信道矩阵最大Frobenius范数的天线选择算法，从M_t根发送天线中选取L根。对于任何一个BSS_i，实现过程如下：

a计算AP_i中的每根天线到用户STA_i的所有接收天线的Frobenius范数，即计算信道矩阵H_ii每一列的Frobenius范数，如公式(8)。

${\mathrm{\ρ}}_i^m={||H_{ii}^m||}_F,m\∈1,2,...,M_t---\left(8\right)$

其中，表示信道矩阵H_ii的第m列。||·||_F表示矩阵的Frobenius范数。

b定义AP_i的初始化发送天线集合为S_i＝{1,2，…，M_t}，选出的天线集合初始化为空集λ_i，然后分L次按照公式(9)寻找目标天线。每次找出一根天线m后，从发送天线集合S_i中去除对应天线，并把m加入到选出的天线集合λ_i中。

$m=\underset{m\∈S_i}{\arg max}{\mathrm{\ρ}}_i^m---\left(9\right)$

(2)设对于BSS_i基于信道矩阵最大Frobenius范数的天线选择集合,则对于整个OBSS场景，最终得到的系统TAS方案此时每个BSS都选出了各自性能最好的L根天线，和未经天线选择时候相比，选择后的BSS改善了信号的传输环境，从而可以提高系统的吞吐量。

(3)在前面已经完成的TAS方案的基础上，利用分布式干扰对齐消除BSS之间的干扰。其主要步骤如下：

a初始化每个BSS发送端的预编码矩阵满足

b计算每个BSS中STA端的干扰协方差矩阵Q_k，并分别求出每个STA端的接收解码矩阵用ν_d(·)表示矩阵的d个最小特征值所对应的特征向量。则：

$Q_k=\underset{i=1,i\≠k}{\overset{K}{\Σ}}\frac{P_i}{d}{H}_{ki}^{{{\mathrm{\λ}}_i}^{*}}{V}_i^{\mathrm{\Δ}}{\left(H_{ki}^{{{\mathrm{\λ}}_i}^{*}}{V}_i^{\mathrm{\Δ}}\right)}^H$

$U_k^{\mathrm{\Δ}}=v_d\left(Q_k\right)$

c反转通信方向，以每个STA端的接收解码矩阵作为反转后网络的发送端预编码矩阵，计算对偶网络中每个接收端的接收干扰协方差矩阵Q_j，并基于此求出对偶网络中的接收干扰抑制矩阵其中

$Q_j=\underset{k=1,k\≠j}{\overset{K}{\Σ}}\frac{P_k}{d}{H}_{jk}^{{{\mathrm{\λ}}_k}^{*}}{U}_k^{\mathrm{\Δ}}{\left(H_{jk}^{{{\mathrm{\λ}}_k}^{*}}{U}_k^{\mathrm{\Δ}}\right)}^H$

$V_j^{\mathrm{\Δ}}=v_d\left(Q_j\right)$

d再次反转通信方向，把作为发送端的预编码矩阵。依次迭代，直到最终收敛。最终收敛的条件是OBSS中每个STA端的接收干扰泄露功率接近于0。

附图2表示了几种方案对比时，系统的和容量随信噪比的性能变化，IA-O-TAS算法遍历了OBSS场景中所有发射天线选择方案，因此获得了最优的系统和容量。随机选择方案的系统和容量最差。IA-LC-TAS算法的系统和容量和IA-O-TAS算法相比，大约相差2个dB左右，所提的方案性能比随机选择算法的系统和容量高，但是比IA-LC-TAS方案性能有所降低，大约降低了3个dB左右，但是和IA-LC-TAS方案相比，系统复杂度由变成了f_D-IA，相当于在牺牲3个dB的情况下，系统复杂度降低了16倍的f_D-IA。和IA-O-TAS算法相比，复杂度由原来的变为f_D-IA，在本次仿真中，系统复杂度降低了255倍的f_D-IA，综上可知，本方案在性能降低不是特别大的情况下，可以成倍地降低了算法复杂度，从而促进发射天线选择条件下的分布式干扰对齐在实际中的应用。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.基于发射天线选择的分布式干扰对齐方案，该方案用于MIMO系统当中，采用基于发射天线选择条件下的分布式干扰对齐技术的通信设备当中，所述方法由两步完成：

一是对于每个BSS(Basic Service Set，基本业务集)，分别采用基于最大Frobenius范数的天线选择算法，从信道矩阵中找到信道质量相对较好的发射天线；

二是针对找到的每个BSS的信道质量相对较好的发射天线，采用分布式迭代干扰对齐技术来实现干扰对齐。

2.根据权利要求1所述的第一步，其特征在于，

对于OBSS(交叠的基本业务集)场景，针对任何一个BSS(基本业务集)，要从M_t根发射天线当中选出L根，假定AP的初始化发送天线集合为S＝{1,2，…，M_t}，选出的天线集合初始化为空集λ，则需要分L次按照矩阵的最大Frobenius范数原则寻找目标天线。每次找出一根天线m后，从发送天线集合S中去除对应天线，并把m加入到选出的天线集合λ中。

3.根据权利要求2所述的矩阵的最大Frobenius范数原则，其特征在于，从信道矩阵中选择发送天线S所对应的子信道矩阵，然后求出子信道矩阵每一列的Frobenius范数，并找到最大的Frobenius范数所在的列，该列的列号便是需要选择的发射天线的天线编号。

4.根据权利要求1所述的第二步，其特征在于，在第一步选好的发射天线集合的基础上，采用分布式干扰对齐技术来消除BSS之间的干扰，该技术利用信道互易性的原则，通过多次调转通信方向，迭代更新实现干扰对齐，包含如下步骤：

首先初始化每个BSS的AP端的预编码矩阵；

然后根据信道矩阵和AP端的预编码矩阵，计算各个BSS中STA端的干扰协方差矩阵，并根据干扰协方差矩阵求出每个BSS中STA端的接收解码矩阵；

接着反转通信方向，以STA端的接收解码矩阵作为预编码矩阵，向AP端发送信号，AP端利用反向信道矩阵以及STA端的预编码矩阵，得到本端的接收解码矩阵；

继续反转通信方向，以AP端的接收解码矩阵作为预编码矩阵，向STA端发送信号，然后重复上面两步的过程，直到OBSS中每个BSS接收端的干扰泄露功率趋近于0。