CN105187110A - 用于在多小区多用户大规模天线系统中的解码方法 - Google Patents

Abstract

本发明涉及一种用于在多小区多用户大规模天线系统中的解码方法。本发明充分利用大规模天线系统，随着天线数的无限增加，用户间的非相关干扰和加性噪声会随着天线数的增加而消失，在不估计信道状态信息的情况下直接解码的方法。

Description

用于在多小区多用户大规模天线系统中的解码方法

技术领域

本发明属于无线通信技术领域，特别涉及无线通信多天线技术领域，具体是一种用于在多小区多用户大规模天线系统中的解码方法。

背景技术

多用户多输入多输出(MU-MIMO)无线通信系统在当今通信领域已得到广泛应用，它能提供改善频谱效率和无线链路传输性能的巨大潜力。一般来说，每个用户与基站(BS)之间的信道需要正交，这就使得他们之间的通信需处在不同时频资源上，从信息论的观点上看显然不是最佳的。如果不同用户与基站之间的通信能在同一时频资源上进行，就可以得到更高的频谱使用率，但这需要复杂的解码技术来消除用户间干扰。MU-MIMO技术在实际的蜂窝通信系统中不仅会受到小区内用户间干扰，位于小区边缘的用户还会受到来自邻小区的小区间干扰。

大规模天线系统不同于一般的MIMO系统，基站拥有大量天线，同时在同一频段上服务于多个用户终端。根据大数定理，不同用户与基站之间的信道趋于正交，这样小区内用户间的干扰就可以用简单的线性解码来消除，因此提高了频谱效率。大规模天线系统中，由于巨大的天线数目及多个用户同时同频通信，选择一个低解码复杂度的解码器显得尤为重要。线性解码器如最小均方误差(MMSE)和迫零(ZF)解码器，其解码复杂度相对于ML解码已大大降低，但是他们都需要求信道矩阵的逆矩阵，当天线数很大时计算复杂度还是比较高。

发明内容

为了进一步减小解码的复杂度，本发明提出了一种信号在多小区多用户大规模天线系统中直接解码方法，即充分利用大规模天线系统，随着天线数的无限增加，用户间的非相关干扰和加性噪声会随着天线数的增加而消失，在不估计信道状态信息的情况下直接解码的方法。

本发明提供了一种用于在多小区多用户大规模天线系统中的解码方法。

假定系统模型为：

$Y=\sqrt{\mathrm{\ρ}}HBX+W---\left(1\right)$

其中，设系统有L个小区，每个小区有一个基站和K个单天线用户，每个基站装有M根天线，M要远远大于所有用户数LK。假定系统的相干时间为T+τ，再假定每个用户发送长为T+τ的信息序列，假定τ＝K，且序列前端均包含有长为τ的训练序列头，则发送信号可表示成KL×(T+τ)的发送信号矩阵X，某小区基站接收信号可表示成M×(T+τ)的接收信号矩阵Y。ρ为信噪比,B＝diag([β₁₁,…,β_1K,β₂₁,…,β_LK])为对角矩阵，β_ij(1≤i≤L,1≤j≤K)表示第i个小区第j个用户到基站的大尺度衰落因子，W表示随机噪声。

下面以第i(1≤i≤L)个小区为例说明解码方法。

第一步：发送训练序列接收的信号

$Y_0=\sqrt{{\mathrm{\ρ}}_0}HB\mathrm{\Φ}+W_0---\left(2\right)$

其中，Y₀∈C^M×K，是发送训练序列时接收到的信号；ρ₀是训练序列的信噪比；H是M×KL的复矩阵，它的元素是均值为零，方差为1的复高斯的随机变量，且两两相互独立。其中I_K是K×K的单位矩阵，而上标t表示矩阵的转置，符号表示矩阵Φ中有L个单位矩阵I_K。这样，Φ是KL×K的矩阵。W₀是M×K的噪声矩阵，它的元素是均值为零，方差为1的独立的复高斯变量，且两两相互独立。B＝diag([β₁₁,…,β_1K,β₂₁,…,β_LK])，是LK×LK的对角矩阵。

第二步：发送信号接收到的信号

$Y_1=\sqrt{{\mathrm{\ρ}}_1}HBS+W_1---\left(3\right)$

其中，Y₁∈C^M×1，是发送信号的接收信号；ρ₁是接收数据的信噪比；S＝[s₁₁,…,s_1K,s₂₁,…,s_LK]^t为发送的数据，s_ij(1≤i≤L,1≤j≤K)表示第i个小区的第j个用户发送的数据，它的每个元素均匀地独立地取某个QAM(正交幅度调制信号)，S是LK×1的矩阵；W₁是加性高斯白噪声，是M×1的噪声矩阵，它的元素是均值为零，方差为1的独立的复高斯变量，且两两相互独立。

第三步：解码过程，具体如下：

令对于给定的j(1≤j≤K)，第j个用户的解码方法为

$\begin{array}{cc}{\hat{s}}_{ij}=\arg \underset{s_{ij}\∈S_i}{\min }\left|{\tilde{y}}_j-\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}{\mathrm{\β}}_{ij}^2{s}_{ij}\right|& 1\≤j\≤K\end{array}---\left(4\right)$

本发明的有益效果：充分利用大规模天线系统，随着天线数的无限增加，用户间的非相关干扰和加性噪声会随着天线数的增加而消失，在不估计信道状态信息的情况下直接解码，进一步减小解码的复杂度。

附图说明

图1为本发明在实施例的情况下，关于解码误比特率的仿真图。

具体实施方式

下面介绍该设计方法的理论依据：

假定系统模型为：

$Y=\sqrt{\mathrm{\ρ}}HBX+W---\left(5\right)$

其中，设系统有L个小区，每个小区有一个基站和K个单天线用户，每个基站装有M根天线，M要远远大于所有用户数LK。假定系统的相干时间为T+τ，再假定每个用户发送长为T+τ的信息序列，假定τ＝K，且序列前端均包含有长为τ的训练序列头，则发送信号可表示成KL×(T+τ)的发送信号矩阵X，某小区基站接收信号可表示成M×(T+τ)的接收信号矩阵Y。ρ为信噪比,B＝diag([β₁₁,…,β_1K,β₂₁,…,β_LK])为对角矩阵，β_ij(1≤i≤L,1≤j≤K)表示第i个小区第j个用户到基站的大尺度衰落因子，W表示随机噪声。

下面以第i(1≤i≤L)个小区为例说明解码方法。

第一步：发送训练序列接收的信号

$Y_0=\sqrt{{\mathrm{\ρ}}_0}HB\mathrm{\Φ}+W_0---\left(6\right)$

其中，Y₀∈C^M×K，是发送训练序列时接收到的信号；ρ₀是训练序列的信噪比；H是M×KL的复矩阵，它的元素是均值为零，方差为1的复高斯的随机变量，且两两相互独立。其中I_K，是K×K的单位矩阵，而上标t表示矩阵的转置。这样，Φ是KL×K的矩阵。W₀是M×K的噪声矩阵，它的元素是均值为零，方差为1的独立的复高斯变量，且两两相互独立。B＝diag([β₁₁,…,β_1K,β₂₁,…,β_LK])，是LK×LK的对角矩阵。

第二步：发送信号接收到的信号

$Y_1=\sqrt{{\mathrm{\ρ}}_1}HBS+W_1---\left(7\right)$

其中，Y₁∈C^M×1，是发送信号的接收信号；ρ₁是接收数据的信噪比；S＝[s₁₁,…,s_1K,s₂₁,…,s_LK]^t为发送的数据，它的每个元素均匀地独立地取某个QAM(正交幅度调制信号)，S是LK×1的矩阵；W₁是加性高斯白噪声，是M×1的噪声矩阵，它的元素是均值为零，方差为1的独立的复高斯变量，且两两相互独立。

第三步：解码过程

1、联合公式(6)、(7)，可得如下

$\begin{array}{c}\left({Y_0}^H{Y}_1\right)/M=\frac{1}{M}(\sqrt{{\mathrm{\ρ}}_0}{\mathrm{\Φ}}^H{B}^H{H}^H+{W_0}^H)(\sqrt{{\mathrm{\ρ}}_1}HBS+W_1)\\ =\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}{\mathrm{\Φ}}^H{B}^H\frac{H^{H}H}{M}BS+\sqrt{{\mathrm{\ρ}}_1}\frac{{W_0}^{H}H}{M}BS\\ +\sqrt{{\mathrm{\ρ}}_0}{\mathrm{\Φ}}^H{B}^H\frac{H^H{W}_1}{M}+\frac{{W_0}^H{W}_1}{M}\\ \≈\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}{\mathrm{\Φ}}^H{B}^{H}BS\end{array}---\left(8\right)$

其中，(·)^H表示矩阵的复共轭矩阵；在MIMO系统中，当M远大于LK且M→∞时，有 $\underset{M\→\∞}{\lim }\frac{{W_0}^{H}H}{M}=0;\underset{M\→\∞}{\lim }{H}^{H}H=\mathrm{MI};\underset{M\→\∞}{\lim }\frac{H^H{W}_1}{M}=0;\underset{M\→\∞}{\lim }\frac{{W_0}^H{W}_1}{M}=0$ 几乎处处成立。

2、由公式(8)可知，信道状态信息可被消去，进一步分析可知

$\begin{array}{c}{\mathrm{\Φ}}^H{B}^{H}BS=\[I_K,I_K,\mathrm{...},I_K\]diag(\[{\mathrm{\β}}_{11}^2,\mathrm{...},{\mathrm{\β}}_{1K}^2,{\mathrm{\β}}_{21}^2,\mathrm{...},{\mathrm{\β}}_{LK}^2\]){\[s_{11},\mathrm{...},s_{1K},s_{21},\mathrm{...},s_{LK}\]}^t\\ =\[B_1^2,B_2^2,\mathrm{...},B_L^2\]{\[s_1,\mathrm{...},s_L\]}^t=\[B_1^2{s}_1+B_2^2{s}_2+\mathrm{...}+B_L^2{s}_L\]\\ =\left[\begin{array}{c}{\mathrm{\β}}_{11}^2{s}_{11}+{\mathrm{\β}}_{21}^2{s}_{21}+\mathrm{...}+{\mathrm{\β}}_{L1}^2{s}_{L1}\\ \mathrm{...}\\ {\mathrm{\β}}_{1K}^2{s}_{1K}+{\mathrm{\β}}_{2K}^2{s}_{2K}+\mathrm{...}+{\mathrm{\β}}_{LK}^2{s}_{LK}\end{array}\right]\end{array}---\left(9\right)$

其中：s_i＝(s_i1,…,s_iK)^t1≤i≤L，表示第i个小区的发送信号；(·)^t表示矩阵的转置。

3、将公式(9)代入到公式(8)中，且令可得：

$\tilde{Y}=\left({Y_0}^H{Y}_1\right)/M\≈\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}{\mathrm{\Φ}}^H{B}^{H}BS---\left(10\right)$

将中的每项展开可得：

$\{\begin{array}{c}{\tilde{y}}_1=\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}({\mathrm{\β}}_{11}^2{s}_{11}+{\mathrm{\β}}_{21}^2{s}_{21}+...+{\mathrm{\β}}_{L1}^2{s}_{L1})\\ \mathrm{...}\\ {\tilde{y}}_K=\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}({\mathrm{\β}}_{1K}^2{s}_{1K}+{\mathrm{\β}}_{2K}^2{s}_{2K}+...+{\mathrm{\β}}_{LK}^2{s}_{LK})\end{array}---\left(11\right)$

其中第j个分量可以表示为：

$\begin{array}{cc}{\tilde{y}}_j=\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}({\mathrm{\β}}_{1j}^2{s}_{1j}+{\mathrm{\β}}_{2j}^2{s}_{2j}+...+{\mathrm{\β}}_{Lj}^2{s}_{Lj})& 1\≤j\≤K\end{array}---\left(12\right)$

对于给定的i(1≤i≤L)和j(1≤j≤K)，将其他L-1个小区的干扰信号当做噪声处理，可以由公式(12)解出第i个小区的第j个用户的信息s_ij。

4、所以可得解码方法为

$\begin{array}{cc}{\hat{s}}_{ij}=\arg \underset{s_{ij}\∈S_i}{\min }\left|{\tilde{y}}_j-\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}{\mathrm{\β}}_{ij}^2{s}_{ij}\right|& 1\≤j\≤K---\left(13\right)\end{array}$

实施例

如图1所示，假设系统有2个小区，每个小区有一个基站和2个单天线用户，每个基站装有128根天线。下面以第一个小区为例。

步骤1：令训练序列Φ＝[I₂,I₂]^t，其中I₂是2×2的单位矩阵，Φ是4×2的矩阵；假定B＝diag([1,1,0.4,0.4])，是4×4的对角矩阵。则可得发送训练序列接收到的信号为

$Y_0=\sqrt{{\mathrm{\ρ}}_0}HB\mathrm{\Φ}+W_0---\left(14\right)$

其中，Y₀∈C^128×2；H是128×4的复矩阵，它的元素是均值为零，方差为1的复高斯的随机变量；W₀是128×2的高斯白噪声噪声矩阵，它的元素是均值为零，方差为1的独立的复高斯变量，且两两相互独立。

步骤2：取发送的数据S＝[s₁₁,s₁₂,s₂₁,s₂₂]^t，是4×1的矩阵，其中每个元素均匀地取4-QAM。其它的条件如同步骤1。则可得发送信号接收到的信号为

$Y_1=\sqrt{{\mathrm{\ρ}}_1}HBS+W_1---\left(15\right)$

其中，Y₁∈C^128×1；W₁是128×1的高斯白噪声噪声矩阵，它的元素是均值为零，方差为1的独立的复高斯变量，且两两相互独立。

步骤3：令并将公式(14)、(15)代入可得

$\begin{array}{c}\tilde{Y}=\left({Y_0}^H{Y}_1\right)/M\\ \≈\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}{\mathrm{\Φ}}^H{B}^{H}BS+\tilde{W}\\ =\left[\begin{array}{c}\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}({\mathrm{\β}}_{11}^2{s}_{11}+{\mathrm{\β}}_{21}^2{s}_{21})\\ \sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}({\mathrm{\β}}_{12}^2{s}_{12}+{\mathrm{\β}}_{22}^2{s}_{22})\end{array}\right]\end{array}---\left(16\right)$

第j个分量可以表示为

$\begin{array}{cc}{\tilde{y}}_j=\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}({\mathrm{\β}}_{1j}^2{s}_{1j}+{\mathrm{\β}}_{2j}^2{s}_{2j})& 1\≤j\≤2\end{array}---\left(17\right)$

步骤4：在公式(17)中，对于给定的j(1≤j≤2)，将第2个小区的干扰信号当做噪声处理，可以解出第1个小区的第j(1≤j≤2)个用户的信息s_1j。于是可得解码方法为

$\begin{array}{cc}{\hat{s}}_{1j}=\arg \underset{s_{1j}\∈S_1}{\min }\left|{\tilde{y}}_j-\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}{\mathrm{\β}}_{1j}^2{s}_{1j}\right|& 1\≤j\≤2\end{array}---\left(18\right)$

通过仿真，得到该解码方法的性能分析如图1所示。

本领域的普通技术人员应当认识到，以上实例仅是用来说明本发明，而并非作为对本发明的限定，只要在本发明的范围内，对以上实施例的变化，变形都将落在本发明的保护范围。

Claims (1)

1.用于在多小区多用户大规模天线系统中的解码方法，设定系统模型为：

$Y=\sqrt{\mathrm{\ρ}}HBX+W---\left(1\right)$

其中，系统有L个小区，每个小区有一个基站和K个单天线用户，每个基站装有M根天线，M要远远大于所有用户数LK；设定系统的相干时间为T+τ，再设定每个用户发送长为T+τ的信息序列，设定τ＝K，且序列前端均包含有长为τ的训练序列头，则发送信号可表示成KL×(T+τ)的发送信号矩阵X，某小区基站接收信号可表示成M×(T+τ)的接收信号矩阵Y；ρ为信噪比,B＝diag([β₁₁,…,β_1K,β₂₁,…,β_LK])为对角矩阵，β_ij表示第i个小区第j个用户到基站的大尺度衰落因子，W表示随机噪声，1≤i≤L,1≤j≤K；

其特征在于该方法包括以下步骤：

第一步：发送训练序列接收的信号

$Y_0=\sqrt{{\mathrm{\ρ}}_0}HB\mathrm{\Φ}+W_0---\left(2\right)$ 其中，Y₀∈C^M×K，是发送训练序列时接收到的信号；ρ₀是训练序列的信噪比；H是M×KL的复矩阵，它的元素是均值为零，方差为1的复高斯的随机变量，且两两相互独立；其中I_K是K×K的单位矩阵，而上标t表示矩阵的转置，符号表示矩阵Φ中有L个单位矩阵I_K；这样，Φ是KL×K的矩阵；W₀是M×K的噪声矩阵，它的元素是均值为零，方差为1的独立的复高斯变量，且两两相互独立；B＝diag([β₁₁,…,β_1K,β₂₁,…,β_LK])，是LK×LK的对角矩阵；

第二步：发送信号接收到的信号

$Y_1=\sqrt{{\mathrm{\ρ}}_1}HBS+W_1---\left(3\right)$

其中，Y₁∈C^M×1，是发送信号的接收信号；ρ₁是接收数据的信噪比；

S＝[s₁₁,…,s_1K,s₂₁,…,s_LK]^t为发送的数据，s_ij(1≤i≤L,1≤j≤K)表示第i个小区的第j个用户发送的数据，它的每个元素均匀地独立地取某个QAM，S是LK×1的矩阵；W₁是加性高斯白噪声，是M×1的噪声矩阵，它的元素是均值为零，方差为1的独立的复高斯变量，且两两相互独立；

第三步：解码过程，具体如下：

令对于给定的j，第j个用户的解码为

${\hat{s}}_{ij}=\arg \underset{s_{ij}\∈S_i}{\min }\left|{\tilde{y}}_j-\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}{\mathrm{\β}}_{ij}^2{s}_{ij}\right|---\left(4\right).$