CN105554899A - 一种mimo中基于上行特征向量的下行调度方法 - Google Patents

Abstract

本发明公开了一种MIMO中基于上行特征向量的下行调度方法，本发明方法分为两部分，一是将FDD系统中上行特征向量转化为下行特征向量；二是基于下行特征向量的调度算法设计。首先，利用天线数趋于无穷时信道协方差的特征向量近似为天线阵列响应向量的特性，估计出天线阵列对应的夹角，利用传播互易特性得到上、下行特征向量的相位差；其次，计算用户的下行主特征矢量间的夹角，作为衡量用户间统计正交性的标准，选择一组统计信道近似正交的用户：随机选取一个用户加入调度集合，再依次调度与被调度用户的等效相关夹角最大的用户，直到用户间的统计正交性不满足阈值条件。本发明有效地解决了FDD系统中上、下行特征向量的转化问题，同时实现复杂度低。

Description

一种MIMO中基于上行特征向量的下行调度方法

技术领域

本发明属于无线通讯技术领域，特别涉及一种MIMO中基于上行特征向量的下行调度方法。

背景技术

大规模MIMO技术给无线通信带来了更高的系统容量与更可靠的通信，受到了广泛的关注。然而，大规模MIMO中瞬时信道状态信息的获取需要占用大量的系统资源，使得瞬时信道状态信息的获取在实际系统中难以实现。相比之下，信道二阶统计信息，如：信道协方差及其特征向量等，更新速率远远小于瞬时信道状态信息的变化速率。因此，基于信道二阶统计信息的方案设计是大规模MIMO系统中的关键技术。

FDD系统中的上、下行信道的载波频率不同，导致上、下行信道协方差矩阵不同，相应的特征向量也不同，所以研究FDD系统中上、下行协方差矩阵的特征向量相互转化的有效方法是有必要的。某论文提出一种高效的“矩阵转化算法”，实现了上、下行特征向量的转化，但是此算法的复杂度会随着天线数量的增加而大幅度增加，所以需要研究适合大规模MIMO系统的转化算法，进一步降低转化复杂度。

用户调度是多用户系统中的一项关键技术，当用户数较多时，选取部分用户进行服务可以减小用户间的干扰，增加系统容量，提高传输效率。

综合已有的基于瞬时信道状态信息的调度方案，调度主要有两种指标：一是系统和速率，二是用户间信道的正交性，确保被调度用户间信道的正交性是提高系统和速率的间接指标。如“最大化用户调度算法”是依次调度对系统和速率有最大提升的用户的贪婪算法；“迭代式功率投影算法”则是依据用户的瞬时信道状态信息调度出一组信道近似正交的用户的调度算法。

目前，大规模MIMO系统中基于信道二阶统计信息的波束成形和调度算法的设计都是基于一些特殊信道条件和假定条件，不能适用于一般的大规模MIMO系统。

发明内容

本发明提供一种MIMO中基于上行特征向量的下行调度方法，包括如下步骤：

1)：将信道协方差矩阵的特征向量近似为天线阵列响应失量形式，从上行特征向量中估计对应的天线阵列响应失量的角度；

2)：根据上、下行载波频率及对应的天线阵列响应失量角度计算出上、下行相位差，进而估计对应的下行特征向量；

3)：计算用户间的下行主特征向量的内积的反余弦，得到相关夹角；

4)：随机选择一个用户，加入调度集合；

5)：计算每个未被调度用户与所有已被调度用户间的相关夹角的几何平均值，记为等效相关夹角，选择最大等效相关夹角的用户作为备选用户；

6-1)备选用户满足阈值条件时，将备选用户加入调度集合后返回步骤5；

6-2)备选用户不满足阈值条件时，调度结束。

其中，步骤2中计算下行特征向量的具体步骤如下：

步骤一：从用户k的第i个上行特征向量v_k,i中估计对应的天线阵列响应矢量的角度θ_k,i：

${\mathrm{\θ}}_{k,i}=\arcsin \left(\underset{n=2}{\overset{L}{\Σ}}angle\right(\frac{v_{k,i}\left(n\right)}{v_{k,i}(n-1)})/\left(2\mathrm{\π}D\right));$

其中，v_k,i(n)是v_k,i的第n个元素且L＜＜N_t；

步骤二：假定c是下行载波对上行载波频率的比值，则相位补偿矩阵为：

$T_{k,i}=diag(1,e^{j2\mathrm{\π}D(c-1)sin\left({\mathrm{\θ}}_{k,i}\right)},...,e^{j2\mathrm{\π}D(c-1)(N_t-1)sin\left({\mathrm{\θ}}_{k,i}\right)});$

步骤三：计算对应的下行特征向量w_k,i：

w_k,i＝T_k,i×v_k,i。

其中，步骤5中选择备选用户的具体步骤如下：

第一步：计算每两个用户间的相关夹角，即主特征向量间的内积的反余弦：

${\mathrm{\α}}_{ij}=\arccos \left(\right|w_{i,1}^H{w}_{j,1}\left|\right),(i,j=1...K)$

其中，w_i,1是用户i的下行最主特征向量，即对应最大特征值的特征向量。

第二步：初始化调度集合P和剩余用户集合R：

P＝ΦR＝{1,2,…,K}；

第三步：随机选取第一个用户，记为k，加入调度集合，更新两个集合：

P＝{k}R＝{1,…,k-1,k+1,…,K}；

第四步：计算R中每个用户与P中每个用户的相关夹角的几何平均值：

${\mathrm{\α}}_i={\left(\underset{j\∈P}{\Π}{\mathrm{\α}}_{ij}\right)}^{1/\left|P\right|}(i\∈R)$

则下一个备选用户是： $k^{*}=\arg \underset{i\∈R}{max}{\mathrm{\α}}_i.$

有益效果：与现有技术相比，本发明的优点在于：这种将上行特征向量转化为下行特征向量的方法充分利用了天线数趋于无穷时信道协方差的特征向量近似为天线阵列响应向量的特性，降低了转化复杂度；这种基于下行特征向量的调度方案，以信道的统计正交性作为调度准则，并以用户的信道协方差的主特征向量之间的夹角作为衡量用户间统计正交性的标准，调度一组统计信道近似正交的用户，实现复杂度低。本转化方法与“矩阵转化算法”相比，在计算量上取得了明显的降低；本调度方法与随机调度方案相比，在系统容量上取得了提高。

附图说明

图1是本发明的流程图；

图2是本发明与“矩阵转化算法”的性能对比图；

图3是本发明与随机调度方案的性能对比图。

具体实施方式

下面结合附图和具体实施方式，进一步阐明本发明。

如图1所示，本发明方法主要分为两个部分，一是将FDD系统中上行特征向量转化为下行特征向量；二是基于下行特征向量的调度算法设计。首先，利用天线数趋于无穷时信道协方差的特征向量近似为天线阵列响应向量的特性，估计出天线阵列对应的夹角，利用传播互易特性得到上、下行特征向量的相位差；其次，计算用户的下行主特征矢量间的夹角，作为衡量用户间统计正交性的标准，选择一组统计信道近似正交的用户：随机选取一个用户加入调度集合，再依次调度与被调度用户的等效相关夹角最大的用户，直到用户间的统计正交性不满足阈值条件。

本发明方法的具体步骤如下：

1)：将信道协方差矩阵的特征向量近似为天线阵列响应失量形式，从上行特征向量中估计对应的天线阵列响应失量的角度；

2)：根据上、下行载波频率及对应的天线阵列响应失量角度计算出上、下行相位差，进而估计对应的下行特征向量；

3)：计算用户间的下行主特征向量的内积的反余弦，得到相关夹角；

4)：随机选择一个用户，加入调度集合；

5)：计算每个未被调度用户与所有已被调度用户间的相关夹角的几何平均值，记为等效相关夹角，选择最大等效相关夹角的用户作为备选用户；

6-1)备选用户满足阈值条件时，将备选用户加入调度集合后返回步骤5；

6-2)备选用户不满足阈值条件时，调度结束。

上述步骤(1)充分利用了天线数趋于无穷时信道协方差的特征向量近似为天线阵列响应失量的特性；步骤(2)利用了信道的传播互易性，即FDD系统中上、下行信道的子径数量和对应的角度是一致的特性；步骤(3)以下行主特征向量间的夹角作为衡量用户间统计正交性的标准，调度一组统计信道近似正交的用户；步骤(5)以所有相关夹角的几何平均作为等效相关夹角，保证了每两个被调度用户间的统计信道的正交性。

本发明系统是小区内一个配有N_t根天线的基站服务K个单天线用户。信道采用基于簇的平坦衰落信道，簇中有多条子径，信道响应记为：

$h\left(t\right)=\underset{m=1}{\overset{M}{\Σ}}{\mathrm{\ρ}}_m\left(t\right)s_t\left({\mathrm{\θ}}_m\right),$

其中：M为子径数；ρ_m、θ_m分别为第m条子径的衰落系数及离开角，满足E[|ρ_m|²]＝P(θ_m)，m≠n；信道强度归一化条件。M条子径均匀分布在簇中心离开角θ_c的周围。s_t(θ_m)为θ_m对应的阵列响应矢量，当天线配置均匀线性阵列(ULA)时：

$s_t\left({\mathrm{\θ}}_m\right)=\frac{1}{\sqrt{M}}{\[1,\exp \left(j2{\mathrm{\πDsin\θ}}_m\right),\mathrm{...},\exp \left(j\right(N_t-1)2{\mathrm{\πDsin\θ}}_m)\]}^T$

其中：D是天线间隔与波长的比值，对应信道协方差矩阵形式为：

以上证明：当天线数趋于无穷时，s_t(θ_m),(m＝1,...,M)近似正交，即s_t(θ_m),(m＝1,...,M)近似等效为信道协方差矩阵R的特征向量。

将用户k的第i个上行特征向量v_k,i转化为下行向量w_k,i的具体流程：

第一步：从上行特征向量v_k,i中估计θ_k,i：

${\mathrm{\θ}}_{k,i}=\arcsin \left(\underset{n=2}{\overset{L}{\Σ}}angle\right(\frac{v_{k,i}\left(n\right)}{v_{k,i}(n-1)})/\left(2\mathrm{\π}D\right));$

其中：v_k,i(n)是v_k,i的第n个元素且L＜＜N_t。

第二步：假定c是下行载波对上行载波频率的比值，则相位补偿矩阵为：

$T_{k,i}=diag(1,e^{j2\mathrm{\π}D(c-1)sin\left({\mathrm{\θ}}_{k,i}\right)},...,e^{j2\mathrm{\π}D(c-1)(N_t-1)sin\left({\mathrm{\θ}}_{k,i}\right)})$

第三步：计算对应的下行特征向量w_k,i：

w_k,i＝T_k,i×v_k,i

基于估计的下行特征向量的调度的具体流程如下：

第一步：计算每两个用户间的相关夹角，即主特征向量间的内积的反余弦：

${\mathrm{\α}}_{ij}=\arccos \left(\right|w_{i,1}^H{w}_{j,1}\left|\right),(i,j=\mathrm{1...}K)$

其中，w_i,1是用户i的下行最主特征向量，即对应最大特征值的特征向量。

第二步：初始化调度集合P和剩余用户集合R:

P＝ΦR＝{1,2,…,K}

第三步：随机选取第一个用户，记为k，加入调度集合，更新两个集合：

P＝{k}R＝{1,…,k-1,k+1,…,K}

第四步：计算R中每个用户与P中每个用户的相关夹角的几何平均值：

${\mathrm{\α}}_i={\left(\underset{j\∈P}{\Π}{\mathrm{\α}}_{ij}\right)}^{1/\left|P\right|}(i\∈R)$

则下一个备选用户是： $k^{*}=\arg \underset{i\∈R}{\max }{\mathrm{\α}}_i$

第五步：如果备选用户k^*和每个被调度用户的最小的相关夹角满足阈值条件，即则将k^*放入调度集合中，返回第四步；否则，调度算法结束。

如图2所示，是本发明方法与“矩阵转化算法”的性能对比图。选取基站端天线数分别为128，256时的两种方案的性能，横坐标为信道的簇中心离开角，纵坐标是带权重的关系系数，其中带权重的关系系数为：

$\mathrm{\η}=\underset{i=1}{\overset{r}{\Σ}}\left|\frac{v_i^H{\tilde{v}}_i}{\left|\right|v_i^H\left|{|}_F\right|\left|{\tilde{v}}_i\right|{|}_F}\right|$

其中：r是信道协方差矩阵中主要特征向量的个数，是转化得到的下行特征向量，v_i是对应的理论值。图2显示本发明方法优于“矩阵转化算法”。

如图3所示，是本发明方案与随机调度方案的性能对比图。其中纵坐标是系统遍历和速率，横坐标是所有待选的用户数。选取基站天线数为16，如图3所示本发明方案性能优于随机调度方案。

本发明利用了大规模MIMO系统中天线阵列响应近似正交的特性，有效地解决了FDD系统中上、下行特征向量的转化问题；而下行调度方法以信道的统计正交性作为调度准则，并以用户信道协方差的主特征向量之间的夹角作为衡量用户间统计正交性的标准，实现复杂度低。

Claims (3)

1.一种MIMO中基于上行特征向量的下行调度方法，其特征在于：包括如下步骤：

1)：将信道协方差矩阵的特征向量近似为天线阵列响应失量形式，从上行特征向量中估计对应的天线阵列响应失量的角度；

2)：根据上、下行载波频率及对应的天线阵列响应失量角度计算出上、下行相位差，进而估计对应的下行特征向量；

3)：计算用户间的下行主特征向量的内积的反余弦，得到相关夹角；

4)：随机选择一个用户，加入调度集合；

5)：计算每个未被调度用户与所有已被调度用户间的相关夹角的几何平均值，记为等效相关夹角，选择最大等效相关夹角的用户作为备选用户；

6-1)备选用户满足阈值条件时，将备选用户加入调度集合后返回步骤5；

6-2)备选用户不满足阈值条件时，调度结束。

2.根据权利要求1所述的一种MIMO中基于上行特征向量的下行调度方法，其特征在于：步骤2中计算下行特征向量的具体步骤如下：

步骤一：从用户k的第i个上行特征向量v_k,i中估计对应的天线阵列响应矢量的角度θ_k,i：

${\mathrm{\θ}}_{k,i}=\arcsin \left(\underset{n=2}{\overset{L}{\Σ}}angle\right(\frac{v_{k,i}\left(n\right)}{v_{k,i}\left(n-1\right)})/(2\mathrm{\π}D\left)\right);$

其中，v_k,i(n)是v_k,i的第n个元素且L＜＜N_t；

步骤二：假定c是下行载波对上行载波频率的比值，则相位补偿矩阵为：

$T_{k,i}=diag(1,e^{j2\mathrm{\π}D(c-1)sin\left({\mathrm{\θ}}_{k,i}\right)},...,e^{j2\mathrm{\π}D(c-1)(N_t-1)sin\left({\mathrm{\θ}}_{k,i}\right)});$

步骤三：计算对应的下行特征向量w_k,i：

w_k,i＝T_k,i×v_k,i。

3.根据权利要求1所述的一种MIMO中基于上行特征向量的下行调度方法，其特征在于：步骤5中选择备选用户的具体步骤如下：

第一步：计算每两个用户间的相关夹角，即主特征向量间的内积的反余弦：

${\mathrm{\α}}_{ij}=\arccos \left(\right|w_{i,1}^H{w}_{j,1}\left|\right),(i,j=1...K)$

其中，w_i,1是用户i的下行最主特征向量，即对应最大特征值的特征向量。

第二步：初始化调度集合P和剩余用户集合R：

P＝ΦR＝{1,2,…,K}；

第三步：随机选取第一个用户，记为k，加入调度集合，更新两个集合：

P＝{k}R＝{1,…,k-1,k+1,…,K}；

第四步：计算R中每个用户与P中每个用户的相关夹角的几何平均值：

${\mathrm{\α}}_i={\left(\underset{j\∈P}{\Π}{\mathrm{\α}}_{ij}\right)}^{1/\left|P\right|},(i\∈R)$

则下一个备选用户是：