CN105846944A - 联合基站用户关联的干扰消除方法 - Google Patents

Abstract

本发明公开了一种联合基站用户关联的干扰消除方法，主要解决现有干扰消除技术仅适用于求解基站用户关联固定的系统的自由度问题。其实现步骤是：(1)设置系统模型；(2)将系统自由度最大化问题转化为一个最优化模型，然后求解该最优化模型；(3)根据最优化模型的解确定最优的基站用户关联关系以及系统最大可达自由度；(4)在基站用户关联关系最优的情况下，在基站端进行干扰消除，本发明适用范围更广，可提高系统最大可达自由度，有效消除干扰，可用于基站与用户之间的关联是任意的多小区MIMO的多址接入上行网络。

Description

联合基站用户关联的干扰消除方法

技术领域

本发明属于通信技术领域，特别涉及一种干扰消除方法，可用于基站与用户之间的关联是任意的多小区MIMO多址接入上行网络。

背景技术

在多小区MIMO无线网络中，随着用户的数目以及用户需求的不断增多，基站与用户之间在进行数据传输时受到的其他小区干扰也会增多，这就严重影响了通信的质量。因此有效的干扰消除方案，变得极其重要。为了极大程度的实现干扰消除，一个极其有效的方法便是在干扰消除之前进行干扰对齐，通过对齐把干扰压缩到一个很小维度的空间，然后再针对这个小维度的干扰空间进行干扰消除。这一极具突破性的方法最早是由美国加州大学的IEEE Fellow S.A.Jafar教授提出，对于一个K用户的干扰信道，在时域或者频域有无限大的符号扩展的场景下，Jafar教授提出的方案可以将干扰信号压缩在1/2倍信号总空间的维度之内，将剩余的1/2倍信号总空间用来接收有用信号，最后在干扰信号所在的1/2倍信号总空间中对干扰进行消除。Jafar教授提出的方案作为干扰处理技术的一个重大突破，极大的提升了系统最大可达自由度。但是，实际通信系统不可能提供无限大的符号扩展。为了克服这个问题，本领域的其他研究者提出了无符号扩展的干扰消除方案。

对于无符号扩展的干扰消除方案，美国斯坦福大学的IEEE Fellow D.Tse教授针对小区数大于等于三的多址接入信道,提出了一种子空间干扰对齐算法，将干扰空间进行压缩，最后在接收端对干扰进行消除，得到该系统下的最大可达自由度。但是这种方案只适用于每个用户传输的数据流为1的场景。美国普渡大学的D.J.Love教授研究了多小区同构网络的上行链路系统，提出了一种基于零空间的干扰对齐方法，通过迫零技术对干扰进行消除，得到多小区MIMO多址接入恒参信道下系统的最优自由度。但是这种方法可行的前提是信道矩阵的零空间必须存在。韩国首尔国立大学的Lee K教授对于多小区多用户的上行MIMO链路进行了研究，提出了一种信号空间的非迭代的干扰消除方案，并分析了系统的可达自由度，推导出系统自由度会趋于一个恒定值。但是这种方法计算复杂度较高。韩国高丽大学的C.G.Kang教授提出多小区MIMO高斯干扰多址接入信道场景下干扰消除算法，该算法引入了回程链路使基站之间通过协作实现干扰消除。但是，这种方案只适用于基站和用户之间固定关联的场景。

发明内容

本发明的目的在于针对上述已有技术中的不足，提出一种联合基站用户关联的干扰消除方法，以求出基站与用户为在不固定场景下的最优组合，使系统的可达自由度最大化。

本发明的技术思路是：针对基站和用户之间的关联是任意的多小区MIMO上行网络，对该场景下基站与用户之间的关联关系进行数学建模，将该数学模型转化为混合整数线性规划模型，并在该模型有解的条件下求出基站与用户之间的最优关联关系,最后在基站端进行干扰消除，其实现方案包括如下：

1)设置系统模型：

设置G个基站和J个用户，基站与基站之间设有回程链路，每个基站和用户的天线数均为M，每个用户发送的数据流均为d，d∈{1,2,…M}，第k个基站接收N_k个用户发送来的数据流,并将第j个给基站k发送数据流的用户记作(k,j)，其中k∈[1,G]，j∈[1,N_k]，N_k≥0；

针对基站和用户之间的关联是不固定的场景，设第j个用户和第k个基站的关联因子为a_(k,j)，且

2)把每个用户的最大数据流作为目标函数,确定目标函数需要满足的约束条件：

2.1)假设期望信号和干扰信号相互独立，则约束条件为：N_kd+d≤M，其中，N_k表示能给第k个基站发送数据流的用户数；

2.2)假设从第(K_IA+1)个小区以后不需要进行干扰对齐，1≤K_IA≤G，则在第(K_IA+1)个小区的基站端，则期望信号维度与所有干扰信号维度之间的约束条件为：

3)根据步骤2)的约束条件，结合图论，把系统自由度最大化问题转化为最优化模P，即P：

4)从K_IA的取值范围中任选一个整数代入最优化模型P中，求解K_IA取该值时基站用户的最优关联与最大数据流，将步骤3)中的最优化模型P转化为一个二次约束整数规划模型P₁，即P₁：

5)求解二次约束整数规划模型P₁；

5.1)将数据流d松弛到区间内，且令d'＝1/d，使步骤3)中的二次约束整数规划模型P₁转化为混合整数规划模型P₂，即P₂：其中表示向下取整数值；

5.2)求解混合整数规划模型P₂，得出最优的关联因子{a_(k,j)}和d′的值；

5.3)根据将步骤5.2)求出的d′转化为d，检查d是否满足二次约束整数规划模型P₂的约束条件，如果满足，则二次约束整数规划模型P₁求解完毕，否则继续执行步骤5.4)；

5.4)将数据流d代入到混合整数规划模型P₂的约束条件中,定义一个与混合整数规划模型P₂的约束条件不相关的目标表达式t,形成一个混合整数线性规划模型P₃，即P₃：其中t∈[0,1]；

5.5)求解步骤5.4)中的混合整数线性规划模型P₃，得到一组最优的关联因子{a_(k,j)}，则二次约束整数规划模型P₁求解完毕；

6)结合步骤5)，求解最优化模型P：

6.1)按照步骤5)的方法，遍历所有的K_IA的值，得到在不同K_IA值下的一组关联因子{a_(k,j)}和一组数据流；

6.2)将步骤6.1)中求得的一组数据流进行比较，得到d的最大值和最优关联因{a_(k,j)}，至此最优化模型P求解完毕；

7)根据步骤6)中最优化模型P的解，确定系统中基站与用户之间的最优关联关系，以确保在基站端将干扰完全消除：

对于第s个基站端，1≤s≤K_IA，先将该基站收到的干扰信号对齐到一个最低维度的空间中，以对干扰空间进行压缩，再在压缩后的干扰空间的零空间中设计该基站的解码矩阵，实现干扰消除；

对于第r个基站端，K_IA+1≤r≤G，通过在该基站的干扰空间的零空间中设计解码矩阵，实现干扰消除。

本发明与现有技术相比，具有如下优点：

1)扩展了适用范围。

现有的干扰消除方法中，基站与用户之间的关联都是固定的，所以现有的方法并没有普遍适用性，而本发明提出的方案中基站与用户之间的关联是任意的；

2)提高了系统的可达自由度。

现有的干扰消除方法都只确定了系统的可达自由度，本发明的干扰消除方法针对基站与用户关联不固定的场景，可以得到一种最优的基站用户关联关系，从而得到系统的最大可达自由度，因此，在系统配置相同的情况下本发明的干扰消除方法可使系统的可达自由度得到提升。

附图说明：

图1为本发明的实现流程图；

图2为本发明中设置的系统模型；

图3为本发明中对二次约束整数规划模型P₁的求解子流程图；

图4为本发明中的用户数据流与现有干扰消除方法中用户数据流在四个基站六个用户场景下的对比图；

图5为本发明中的用户数据流与现有干扰消除方法中用户数据流在五个基站八个用户场景下的对比图。

具体实施方式

以下参照附图对本发明的技术方案和效果作进一步详细描述。

参照图1，本发明的实现步骤如下：

步骤1，设置系统模型

参照图2，本发明设置的系统模型为多小区MIMO多址接入上行网络，该网络中包含G个基站和J个用户，基站与基站之间设有回程链路，基站在接收到本小区的信号后可以通过回程链路传递给其他基站,基站和用户之间的关联是不固定的，每个基站和用户的天线数均为M，每个用户发送的数据流均为d，d∈{1,2,…M}，第k个基站接收N_k个用户发送来的数据流,并将第j个给基站k发送数据流的用户记作(k,j)，其中k∈[1,G]，j∈[1,N_k],N_k≥0；

针对基站和用户之间的关联是不固定的场景，设第j个用户和第k个基站的关联因子为a_(k,j)，如果第j个用户和第k个基站之间进行信息传输，则关联因子a_(k,j)置为1，否则关联因子a_(k，j)置为0，即：

步骤2，把每个用户的数据流作为目标函数,确定目标函数需要满足的约束条件。

所述约束条件分为如下两种情况：

2.1)假设期望信号和干扰信号相互独立，则约束条件为：N_kd+d≤M，其中，N_k表示能给第k个基站发送数据流的用户数；

2.2)假设从第(K_IA＋1)个基站以后不需要进行干扰对齐，1≤K_IA≤G，则在第(K_IA＋1)个小区的基站端，则期望信号维度与所有干扰信号维度之间的约束条件为：

步骤3，根据步骤2的约束条件，结合图论，把系统自由度最大化问题转化为最优化模P。

3.1)在第一个基站端到第K_IA个基站端进行干扰对齐，结合图论，设置最优化模型P的约束条件：

其中，N₁表示给第一个基站发送数据流的用户数，N_p表示给第p个基站发送数据流的用户数，1≤p≤K_IA，N_k'表示给第k'个基站发送数据流的用户数，K_IA＋1≤k'≤G；

3.2)结合步骤3.1)，设定从第K_IA+1个基站开始，不需要进行干扰对齐就能消除全部干扰，则N_k和数据流d之间满足不等关系式

3.3)设置每个用户只能与一个基站关联，则

3.4)根据系统中用户的总数为J，则系统中所有关联因子之和数为J，即

3.5)把关联因子{a_(k,j)}、数据流d和K_IA作为可控变量，结合步骤2.1)-2.2)和步骤3.1)-3.4)，得到将系统的最大自由度问题转化为最优化模型P为：并且根据步骤2.1)-2.2)和步骤3.1)-3.4)得到最优化模型P的约束条件；

N_kd＋d≤M；

${\mathrm{\Σ}}_{k=K_{IA}+1}^G{N}_{k}d\≤M;$

${\mathrm{\Σ}}_{k=K_{IA}}^G{N}_{k}d>M;$

d∈{1,2,…M}；

a_(k,j)∈{0,1}；

${\mathrm{\Σ}}_{k=1}^G{a}_{(k,j)}=1;$

${\mathrm{\Σ}}_{j=1}^J{\mathrm{\Σ}}_{k=1}^G{a}_{(k,j)}=J;$

$N_k=\underset{j=1}{\overset{J}{\Σ}}{a}_{(k,j)};$

$N_{1}d+{\mathrm{\Σ}}_p^{K_{IA}}(p-1)N_{p}d+{\mathrm{\Σ}}_{k^{\′}=K_{IA}+1}^G(K_{IA}-1)N_{k}d\≤K_{IA}M.$

步骤4，从K_IA的取值范围中任选一个整数u代入最优化模型P中，1≤u≤G，求解K_IA取该数值时基站用户的最优关联与最大数据流，将步骤3中的最优化模型P转化为一个二次约束整数规划模型P₁，即P₁：并且将K_IA的值代入最优化模型P的约束条件中，得到二次约束整数规划模型P₁的约束条件如下：

N_kd＋d≤M；

${\mathrm{\Σ}}_{k=u+1}^G{N}_{k}d\≤M;$

${\mathrm{\Σ}}_{k=u}^G{N}_{k}d>M;$

d∈{1,2,…M}；

a_(k,j)∈{0,1}；

${\mathrm{\Σ}}_{k=1}^G{a}_{(k,j)}=1;$

${\mathrm{\Σ}}_{j=1}^J{\mathrm{\Σ}}_{k=1}^G{a}_{(k,j)}=J;$

$N_k=\underset{j=1}{\overset{J}{\Σ}}{a}_{(k,j)}$

$N_{1}d+{\mathrm{\Σ}}_{p=1}^u(p-1)N_{p}d+{\mathrm{\Σ}}_{k^{\′}=u+1}^G(K_{IA}-1)N_{k^{\′}}d\≤uM.$

步骤5，求解二次约束整数规划模型P₁；

参照图3，求解二次约束整数规划模型P₁的步骤如下：

5.1)将数据流d松弛到区间内，且令d'＝1/d，使步骤3)中的二次约束整数规划模型P₁转化为混合整数规划模型P₂，即P₂：并且将d'＝1/d代入到二次约束整数规划模型P₁的约束条件中，得到混合整数规划模型P₂的约束条件如下：

N_k＋1≤Md'；

${\mathrm{\Σ}}_{k=u}^G{N}_k\≤(M+1)d^{\′};$

${\mathrm{\Σ}}_{k=u}^G{N}_k>{\mathrm{Md}}^{\′};$

d∈{1,2,…M}

${\mathrm{\Σ}}_{k=1}^G{a}_{(k,j)}=1;$

${\mathrm{\Σ}}_{j=1}^J{\mathrm{\Σ}}_{k=1}^G{a}_{(k,j)}=J;$

$N_k=\underset{j=1}{\overset{J}{\Σ}}{a}_{(k,j)};$

$N_1+{\mathrm{\Σ}}_{p=1}^u(p-1)N_p+{\mathrm{\Σ}}_{k^{\′}=u+1}^G(K_{IA}-1)N_{k^{\′}}\≤{\mathrm{uMd}}^{\′},$

其中表示向下取整数值；

5.2)求解混合整数规划模型P₂，得出最优的关联因子{a_(k,j)}和d′的值；

5.3)根据将步骤5.2)求出的d′转化为d，检查d是否满足二次约束整数规划模型P₁的约束条件，如果满足，则二次约束整数规划模型P₁求解完毕，否则继续执行步骤5.4)；

5.4)将数据流d代入到混合整数规划模型P₂的约束条件中,定义一个与混合整数规划模型P₂的约束条件不相关的目标表达式t,形成一个混合整数线性规划模型P₃，即P₃：并且将d代入到混合整数规划模型P₂的约束条件中，得到混合整数线性规划模型P₃的约束条件如下：

t∈[0,1]；

N_k＋1≤M/d；

${\mathrm{\Σ}}_{k=u}^G{N}_k\≤(M+1)/d;$

${\mathrm{\Σ}}_{k=u}^G{N}_k>M/d;$

d∈{1,2,…M}

${\mathrm{\Σ}}_{k=1}^G{a}_{(k,j)}=1;$

${\mathrm{\Σ}}_{j=1}^J{\mathrm{\Σ}}_{k=1}^G{a}_{(k,j)}=J;$

$N_k=\underset{j=1}{\overset{J}{\Σ}}{a}_{(k,j)};$

$N_1+{\mathrm{\Σ}}_{p=1}^u(p-1)N_p+{\mathrm{\Σ}}_{k^{\′}=u+1}^G(u-1)N_{k^{\′}}\≤uM/d;$

5.5)求解步骤5.4)中的混合整数线性规划模型P₃，得到一组最优的关联因子{a_(k,j)}，则二次约束整数规划模型P₁求解完毕。

步骤6，结合步骤5，求解最优化模型P：

6.1)按照步骤5的方法，遍历所有的K_IA的值，得到在不同K_IA值下的一组关联因子{a_(k,j)}和一组数据流；

6.2)将步骤6.1)中求得的一组数据流进行比较，得到数据流d的最大值和最优关联因{a_(k,j)}，至此最优化模型P求解完毕。

步骤7，根据步骤6中最优化模型P的解，确定系统中基站与用户之间的最优关联关系，以确保在基站端将干扰完全消除。

对于第s个基站端，1≤s≤K_IA，先将该基站收到的干扰信号对齐到一个最低维度的空间中，以对干扰空间进行压缩，再在压缩后的干扰空间的零空间中设计该基站的解码矩阵，实现干扰消除；

对于第r个基站端，K_IA+1≤r≤G，通过在该基站的干扰空间的零空间中设计解码矩阵，实现干扰消除。

本发明的效果可以通过以下仿真结果进一步说明：

仿真1.对于四小区六用户的MIMO多址接入上行网络，在不同天线配置下，分别用本发明提出的干扰消除方法和现有的干扰消除方法，对比用户发送的最大数据流的大小，结果如图4所示；

仿真2.对于五小区八用户的MIMO多址接入上行网络，在不同天线配置下，分别用本发明提出的干扰消除方法和现有的干扰消除方法，对比用户发送的最大数据流的大小，结果如图5所示；

从图4和图5可以看出，本发明提出的干扰消除方法中的用户数据流数目大于现有干扰消除方法中的用户数据流数目，即系统的自由度得到明显提高。

Claims (4)

1.一种联合基站用户关联的干扰消除方法，包括：

1)设置系统模型：

设置G个基站和J个用户，基站与基站之间设有回程链路，每个基站和用户的天线数均为M，每个用户发送的数据流均为d，d∈{1,2,…M}，第k个基站接收N_k个用户发送来的数据流,并将第j个给基站k发送数据流的用户记作(k,j)，其中k∈[1,G]，j∈[1,N_k]，N_k≥0；

针对基站和用户之间的关联是不固定的场景，设第j个用户和第k个基站的关联因子为a_(k,j)，且

2)把每个用户的最大数据流作为目标函数,确定目标函数需要满足的约束条件：

2.1)假设期望信号和干扰信号相互独立，则约束条件为：N_kd+d≤M，其中，N_k表示能给第k个基站发送数据流的用户数；

2.2)假设从第(K_IA+1)个小区以后不需要进行干扰对齐，1≤K_IA≤G，则在第(K_IA+1)个小区的基站端，则期望信号维度与所有干扰信号维度之间的约束条件为：

3)根据步骤2)的约束条件，结合图论，把系统自由度最大化问题转化为最优化模型P，即P：

4)从K_IA的取值范围中任选一个整数代入最优化模型P中，求解K_IA取该值时基站用户的最优关联与最大数据流，将步骤3)中的最优化模型P转化为一个二次约束整数规划模型P₁，即P₁：

5)求解二次约束整数规划模型P₁；

5.1)将数据流d松弛到区间[1,min[M,]]内，且令d'＝1/d，使步骤3)中的二次约束整数规划模型P₁转化为混合整数规划模型P₂，即P₂：其中表示向下取整数值；

5.2)求解混合整数规划模型P₂，得出最优的关联因子{a_(k,j)}和d'的值；

5.3)根据将步骤5.2)求出的d'转化为d，检查d是否满足二次约束整数规划模型P₂的约束条件，如果满足，则二次约束整数规划模型P₁求解完毕，否则继续执行步骤5.4)；

5.4)将数据流d代入到混合整数规划模型P₂的约束条件中,定义一个与混合整数规划模型P₂的约束条件不相关的目标表达式t,形成一个混合整数线性规划模型P₃，即P₃：其中t∈[0,1]；

5.5)求解步骤5.4)中的混合整数线性规划模型P₃，得到一组最优的关联因子{a_(k,j)}，则二次约束整数规划模型P₁求解完毕；

6)结合步骤5)，求解最优化模型P：

6.1)按照步骤5)的方法，遍历所有的K_IA的值，得到在不同K_IA值下的一组关联因子{a_(k,j)}和一组数据流；

6.2)将步骤6.1)中求得的一组数据流进行比较，得到d的最大值和最优关联因{a_(k,j)}，至此最优化模型P求解完毕；

7)根据步骤6)中最优化模型P的解，确定系统中基站与用户之间的最优关联关系，以确保在基站端将干扰完全消除：

对于第s个基站端，1≤s≤K_IA，先将该基站收到的干扰信号对齐到一个最低维度的空间中，以对干扰空间进行压缩，再在压缩后的干扰空间的零空间中设计该基站的解码矩阵，实现干扰消除；

对于第r个基站端，K_IA+1≤r≤G，通过在该基站的干扰空间的零空间中设计解码矩阵，实现干扰消除。

2.根据权利要求1所述的方法，其中步骤3)中的把系统自由度最大化问题转化为最优化模型P，按如下步骤进行：

3.1)在第一个基站端到第K_IA个基站端进行干扰对齐，结合图论，设置最优化模型P的约束条件：

其中，N₁表示给第一个基站发送数据流的用户数，N_p表示给第p个基站发送数据流的用户数，1≤p≤K_IA，N_k'表示给第k'个基站发送数据流的用户数，K_IA+1≤k'≤G；

3.2)结合步骤3.1)，设定从第K_IA+1个基站开始，不需要进行干扰对齐就能消除全部干扰，则N_k和数据流d之间满足不等关系式

3.3)设置每个用户只能与一个基站关联，则

3.4)根据系统中用户的总数为J，则系统中所有关联因子之和数为J，即

3.5)把关联因子{a_(k,j)}、数据流d和K_IA作为可控变量，结合步骤2.1)-2.2)和步骤3.1)-3.4)，得到将系统的最大自由度问题转化为最优化模型P为：并且根据步骤2.1)-2.2)和步骤3.1)-3.4)得到最优化模型P的约束条件；

N_kd+d≤M；

d∈{1,2,…M}；

a_(k,j)∈{0,1}；

3.根据权利要求1所述的方法，其中步骤5.3)中二次约束整数规划模型P₁的约束条件为：

N_kd+d≤M；

d}{1,2,…M}；

a_(k,j)∈{0,1}；

4.根据权利要求1所述的方法，其中步骤5.4)中混合整数规划模型P₂的约束条件为：

N_k+1≤Md'；

d∈{1,2,…M}