CN105873206A - 一种大规模mimo传输的蜂窝中继网络模型及功率分配方法 - Google Patents

Abstract

本发明公开了一种大规模MIMO传输的蜂窝中继网络模型及功率分配方法，结合中继技术和大规模MIMO技术的优势，将单天线中继引入大规模MIMO系统中，对小区边缘用户和覆盖盲点用户进行辅助通信，建立大规模MIMO传输的蜂窝中继网络。基于能量效率对于基站发射功率和中继站发射功率都是严格拟凹的，提出ODS和AOP算法，对基站发射功率和中继站发射功率进行联合优化，在满足一定频谱效率的前提下，最大化系统能量效率，实现频谱效率和能量效率的平衡。本发明提供的方法容易实现，并且便于扩展，能够深度挖掘空间资源，大幅提升频谱效率、能量效率和传输可靠性。

Description

一种大规模MIMO传输的蜂窝中继网络模型及功率分配方法

技术领域

本发明涉及移动通信技术领域，具体涉及一种大规模MIMO传输的蜂窝中继网络模型及功率分配方法。

背景技术

4G通信技术已经在全球投入商用，5G的研发也全面展开。可以预见，未来海量的设备连接、不断涌现的各类新业务和应用场景将导致移动数据流量爆炸式增长，这就要求频谱效率得到极大提升；与此同时，移动通信产业的能耗问题越来越突出。为了响应绿色通信的号召，并大幅提升终端电池续航时间，相比4G系统，5G系统必须显著提升频谱效率和能量效率，以实现可持续发展。具体地说，频谱效率需要提升5～15倍，能量效率要有百倍的提升。

作为5G的关键技术，大规模MIMO技术拥有传统MIMO技术不可比拟的优势。大规模MIMO技术通过在基站侧采用大规模天线阵列可以用同一时频资源服务于多个用户。当基站侧天线数远大于用户天线数时，基站到各个用户的信道趋于正交，使得用户间干扰趋于消失，从而能够在相同的时频资源上支持更多用户传输，大幅提升频谱效率，同时降低发射功率。当导频序列的正交性不能满足时就会产生导频污染，导频污染被认为是大规模MIMO系统性能的最终限制因素。为了满足未来无线通信需求和大规模MIMO的物理实现，5G只能选择更高的频段，例如3GHz以上。但是更高的工作频段将会造成传输链路路径损耗增大，基站的覆盖半径减小，从而导致系统组网成本提高。而中继技术在改善系统覆盖性能、提高边缘用户速率等方面有显著优势，因此，在大规模MIMO系统中引入中继技术可以深度挖掘空间资源，从而大幅提升频谱效率、能量效率和传输可靠性。

频谱效率和能量效率这两个重要的性能指标的趋势并不总能保持一致，两者之间往往存在折衷关系。为了在无线系统设计中更好地平衡频谱效率和能量效率这两个性能指标，需要对两者的关系进行研究。因此，本发明在大规模MIMO传输的蜂窝中继网络中对基站发射功率和中继站发射功率进行联合优化，在保证频谱效率的同时最大化能量效率。

发明内容

本发明的目的是针对小区边缘用户和覆盖盲点用户服务得不到保证这一特点，在大规模MIMO系统中引入中继，建立大规模MIMO传输的蜂窝中继网络模型；并根据绿色通信的要求，通过功率分配，实现频谱效率和能量效率的平衡。

为了实现上述目的，本发明采用的技术方案如下：

一种大规模MIMO传输的蜂窝中继网络模型，包括配置有M根天线的基站、N个单天线的中继站及K个单天线用户服务，M根天线的基站和N个单天线的中继站一起为K个单天线用户服务；每个中继站只能与单个用户通信，基站可以与所有用户通信。

一种大规模MIMO传输的蜂窝中继网络的功率分配方法，通过在大规模MIMO系统中引入单天线中继，实现小区边缘用户和覆盖盲点用户的可靠通信；对基站发射功率和中继站发射功率进行功率分配，在满足一定频谱效率的前提下最大化系统能量效率，实现频谱效率和能量效率的平衡。该方法能保证小区内所有用户的可靠通信；通过功率分配，实现频谱效率和能量效率的平衡，从而大幅提升系统的频谱效率、能量效率和传输可靠性，具体包括如下步骤：

(1)在单个小区内，基站获取小区内所有用户的信干噪比SINR，并与用户的最小信干噪比SINR⁰进行比较，将高于SINR⁰的用户划归到用户组1，而低于SINR⁰的用户划归到用户组2。用户组1与基站直接通信，在基站到用户组2之间部署单天线中继，用户组2通过中继与基站通信，建立大规模MIMO传输的蜂窝中继网络；结合大规模MIMO上、下行链路的传输特点和中继的半双工特性，在上行导频训练和下行信号传输，中继分别采用解码转发协议和放大转发协议，并且上行导频训练和下行信号传输都在两个时隙完成；

(2)在确定了所有用户与基站的通信方式后，通过功率分配，实现频谱效率和能量效率的平衡；基站的最大发射功率记为中继站的最大发射功率记为能量效率记为η_EE；频谱效率和能量效率的平衡问题建模为：

$\begin{array}{c}\underset{P,p_r}{\max }{\mathrm{\η}}_{EE}\\ s.t.\left\{\begin{array}{c}{\mathrm{SINR}}_k\≥{\mathrm{SINR}}^0,k=N+1,\mathrm{...}K\\ {\mathrm{SINR}}_i\≥{\mathrm{SINR}}^0,i=1,\mathrm{...}N\end{array}\right.,0\≤P\≤\stackrel{\‾}{P},0\≤p_r\≤{\stackrel{\‾}{p}}_r\end{array}$

其中SINR_k表示用户组1中第k个用户的信干噪比，SINR_i是用户组2中第i个用户的信干噪比，SINR⁰表示最小信干噪比，P表示基站的发射功率，p_r表示中继站的发射功率；因为能量效率对于基站发射功率和中继站发射功率都是严格拟凹的，我们利用对它们分别优化的结果再进行联合优化，即可得到最优的基站发射功率和中继站发射功率值。

所述在上行导频训练阶段中，用户组2的N个用户在第一时隙将各自的导频序列发送给对应的中继站；在第二时隙，N个中继站先对接收到的导频信号解码然后转发给基站，剩下的用户组1的K-N个用户也将各自的导频序列直接发送给基站。

所述在下行信号传输阶段中，在第一时隙，基站将利用估计的信道状态信息生成的线性预编码同时发送给中继站和用户组1；在第二时隙，N个中继站将接收到的信号归一化后进行放大，然后以同样的功率转发给用户组2的对应用户，信号的接收过程结束。

所述联合优化这样实现，即先固定p_r优化P，然后固定P优化p_r，最后利用单独优化的结果进行联合优化；

固定p_r对P的优化问题描述为：

$\begin{array}{c}\underset{P}{\max }{\mathrm{\η}}_{EE}\\ s.t.{\mathrm{SINR}}_k\≥{\mathrm{SINR}}^0\≥0,k=N+1,\mathrm{...}K,0\≤P\≤\stackrel{\‾}{P}\end{array}$

固定P对p_r的优化可以描述为：

$\begin{array}{c}\underset{p_r}{\max }{\mathrm{\η}}_{EE}\\ s.t.{\mathrm{SINR}}_i\≥{\mathrm{SINR}}^0\≥0,i=1,\mathrm{...}N,0\≤p_r\≤{\stackrel{\‾}{p}}_r\end{array}$

分别解关于P的方程组SINR_k＝SINR⁰，k＝N+1,…,K和关于p_r的方程组

SINR_i＝SINR⁰,i＝1,...,N，得到和令其中为基站的最小功率，为中继站的最小功率。这样就确定了基站发射功率P和中继站发射功率p_r的取值范围和

基于能量效率对于基站发射功率P和中继站发射功率p_r都是严格拟凹的，我们提出ODS和AOP算法，对基站发射功率P和中继站发射功率p_r进行联合优化。ODS算法：首先遍历内P的所有取值，得到固定P对p_r的优化问题的最优解，然后比较它的所有可能解，其中使得能量效率最大的就是频谱效率和能量效率平衡问题的最优解。AOP算法：交替对固定p_r对P的优化问题和固定P对p_r的优化问题求解，并令其中一个的所得结果为另一个的输入，直至结果收敛，得到公式(1)的最优解。

本发明的优点及有益效果如下：

●构造了大规模MIMO传输的蜂窝中继网络模型，该模型简单且容易扩展，并且保证对小区内所有用户提供可靠服务。

●根据最优化理论，对基站发射功率和中继站发射功率进行分配，实现频谱效率和能量效率的平衡。

●基于能量效率对于基站发射功率和中基站发射功率都是严格拟凹的，对基站发射功率和中继站发射功率的联合优化通过ODS和AOP算法实现，大大降低了联合优化的复杂度，并且十分有效。

附图说明

图1是大规模MIMO传输的蜂窝中继网络模型。

具体实施方式

以下结合附图，对本发明作进一步说明：

单小区、多用户、多中继的大规模MIMO系统，如图1所示，其中配置M根天线的基站和N个单天线的中继站一起为K个单天线用户服务。每个中继站只能与单个用户通信，基站可以与所有用户通信。假设系统采用TDD模式，上、下行信道具有互易性。由于中继的半双工特性，上、下行传输都在两个时隙完成，并且信号在各个节点的收发是同步的。

在上行导频训练阶段，用户组2的N个用户在第一时隙将各自的导频序列发送给对应的中继站。在第二时隙，N个中继站先对接收到的导频信号解码然后转发给基站，剩下的用户组1的K-N个用户也将各自的导频序列直接发送给基站。

在下行信号传输阶段，在第一时隙，基站将利用估计的信道状态信息生成的线性预编码同时发送给中继站和用户组1；在第二时隙，N个中继站将接收到的信号归一化后进行放大，然后以同样的功率转发给用户组2的对应用户，信号的接收过程结束。

将该系统频谱效率和能量效率的平衡问题描述为：通过功率分配，在一定的频谱效率约束下，最大化系统能量效率。具体地说，在基站、中继站的最大发射功率和用户的最小信干噪比约束条件下，通过对基站和中继站的发射功率进行联合优化，最大化系统能量效率，如下所示：

$\begin{array}{c}\underset{P,p_r}{\max }{\mathrm{\η}}_{EE}\\ s.t.\left\{\begin{array}{c}{\mathrm{SINR}}_k\≥{\mathrm{SINR}}^0,k=N+1,\mathrm{...}K\\ {\mathrm{SINR}}_i\≥{\mathrm{SINR}}^0,i=1,\mathrm{...}N\end{array}\right.,0\≤P\≤\stackrel{\‾}{P},0\≤p_r\≤{\stackrel{\‾}{p}}_r\end{array}---\left(1\right)$

其中η_EE是系统能量效率，SINR_k表示用户组1中第k个用户的信干噪比，SINR_i是用户组2中第i个用户的信干噪比，SINR⁰表示最小信干噪比，P表示基站的发射功率，p_r表示中继站的发射功率，是基站的最大发射功率，是中继站的最大发射功率。

对基站的发射功率P和中继站的发射功率p_r的联合优化这样实现。具体地说，先固定p_r优化P，然后固定P优化p_r，最后利用单独优化的结果进行联合优化。

固定p_r优化P：给定p_r，对P的优化问题描述为：

$\begin{array}{c}\underset{P}{\max }{\mathrm{\η}}_{EE}\\ s.t.\left\{\begin{array}{c}{\mathrm{SINR}}_k\≥{\mathrm{SINR}}^0\≥0,k=N+1,\mathrm{...}K\\ {\mathrm{SINR}}_i\≥{\mathrm{SINR}}^0\≥0,i=1,\mathrm{...}N\end{array}\right.,0\≤P\≤\stackrel{\‾}{P}\end{array}---\left(2\right)$

基站的发射功率P对SINR_k和SINR_i均有影响，但是由中继站服务的用户接收到的信号是经过归一化的，因此基站发射功率主要对用户组1的K-N个用户的信干噪比有影响，因此以上优化问题可以简化为：

$\begin{array}{c}\underset{P}{\max }{\mathrm{\η}}_{EE}\\ s.t.{\mathrm{SINR}}_k\≥{\mathrm{SINR}}^0\≥0,k=N+1,\mathrm{...}K,0\≤P\≤\stackrel{\‾}{P}\end{array}---\left(3\right)$

同样的，中继站的发射功率仅仅影响用户组2的N个用户，因此固定P对p_r的优化可以描述为：

$\begin{array}{c}\underset{p_r}{\max }{\mathrm{\η}}_{EE}\\ s.t.{\mathrm{SINR}}_i\≥{\mathrm{SINR}}^0\≥0,i=1,\mathrm{...}N,0\≤p_r\≤{\stackrel{\‾}{p}}_r\end{array}---\left(4\right)$

由用户的最小信干噪比SINR⁰约束，可以得到基站的最小功率和中继站的最小功率即分别解关于P的方程组SINR_k＝SINR⁰k＝N+1,…,K和关于p_r的方程组SINR_i＝SINR⁰i＝1,...,N，得到和令 这样就确定了基站发射功率P和中继站发射功率p_r的取值范围和

能量效率对于基站发射功率和中继站发射功率都是严格拟凹的，利用这个性质，可以采用ODS和AOP算法来对基站发射功率P和中继站发射功率p_r进行联合优化。

ODS算法：首先遍历范围内的P的所有取值，得到公式(4)的最优解，然后比较公式(4)的所有可能解，其中使得能量效率最大的就是公式(1)的最优解。

AOP算法：交替对公式(3)和(4)求解，并令其中一个的所得结果为另一个的输入，直至结果收敛，得到公式(1)的最优解。该过程中当根据公式(4)的输出作为公式(3)的输入时，得到公式(3)的最优解。

Claims (6)

1.一种大规模MIMO传输的蜂窝中继网络模型，其特征在于，包括配置有M根天线的基站、N个单天线的中继站及K个单天线用户服务，M根天线的基站和N个单天线的中继站一起为K个单天线用户服务；每个中继站只能与单个用户通信，基站可以与所有用户通信。

2.一种大规模MIMO传输的蜂窝中继网络的功率分配方法，其特征在于，通过在大规模MIMO系统中引入单天线中继，实现小区边缘用户和覆盖盲点用户的可靠通信；对基站发射功率和中继站发射功率进行功率分配，在满足一定频谱效率的前提下最大化系统能量效率，实现频谱效率和能量效率的平衡，包括如下步骤：

(1)在单个小区内，基站获取小区内所有用户的信干噪比SINR，并与用户的最小信干噪比SINR⁰进行比较，将高于SINR⁰的用户划归到用户组1，而低于SINR⁰的用户划归到用户组2；用户组1与基站直接通信，在基站到用户组2之间部署单天线中继，用户组2通过中继与基站通信，建立大规模MIMO传输的蜂窝中继网络；结合大规模MIMO上、下行链路的传输特点和中继的半双工特性，在上行导频训练和下行信号传输，中继分别采用解码转发协议和放大转发协议，并且上行导频训练和下行信号传输阶段都在两个时隙完成；

(2)在确定了所有用户与基站的通信方式后，通过功率分配，实现频谱效率和能量效率的平衡；基站的最大发射功率记为中继站的最大发射功率记为能量效率记为η_EE；频谱效率和能量效率的平衡问题建模为：

$\begin{array}{c}\underset{P,p_r}{\max }{\mathrm{\η}}_{EE}\\ s.t.\left\{\begin{array}{c}{\mathrm{SINR}}_k\≥{\mathrm{SINR}}^0,k=N+1,\mathrm{...}K\\ {\mathrm{SINR}}_i\≥{\mathrm{SINR}}^0,i=1,\mathrm{...}N\end{array}\right.,0\≤P\≤\stackrel{\‾}{P},0\≤p_r\≤{\stackrel{\‾}{p}}_r\end{array}---\left(1\right)$

其中SINR_k表示用户组1中第k个用户的信干噪比，SINR_i是用户组2中第i个用户的信干噪比，SINR⁰表示最小信干噪比，P表示基站的发射功率，p_r表示中继站的发射功率；因为能量效率对于基站发射功率和中继站发射功率都是严格拟凹的，利用对它们分别优化的结果再进行联合优化，即可得到最优的基站发射功率和中继站发射功率值。

3.根据权利要求2所述的大规模MIMO传输的蜂窝中继网络的功率分配方法，其特征在于，所述在上行导频训练阶段中，用户组2的N个用户在第一时隙将各自的导频序列发送给对应的中继站；在第二时隙，N个中继站先对接收到的导频信号解码然后转发给基站，剩下的用户组1的K-N个用户也将各自的导频序列直接发送给基站。

4.根据权利要求2所述的大规模MIMO传输的蜂窝中继网络的功率分配方法，其特征在于，所述在下行信号传输阶段中，在第一时隙，基站将利用估计的信道状态信息生成的线性预编码同时发送给中继站和用户组1；在第二时隙，N个中继站将接收到的信号归一化后进行放大，然后以同样的功率转发给用户组2的对应用户，信号的接收过程结束。

5.根据权利要求2所述的大规模MIMO传输的蜂窝中继网络的功率分配方法，其特征在于，所述联合优化通过ODS和AOP算法实现，具体为先固定p_r优化P，然后固定P优化p_r，最后利用单独优化的结果进行联合优化；

固定p_r，对P的优化问题描述为：

$\begin{array}{c}\underset{P}{\max }{\mathrm{\η}}_{EE}\\ s.t.{\mathrm{SINR}}_k\≥{\mathrm{SINR}}^0\≥0,k=N+1,\mathrm{...}K,0\≤P\≤\stackrel{\‾}{P}\end{array}---\left(3\right)$

固定P，对p_r的优化可以描述为：

$\begin{array}{c}\underset{p_r}{\max }{\mathrm{\η}}_{EE}\\ s.t.{\mathrm{SINR}}_i\≥{\mathrm{SINR}}^0\≥0,i=1,\mathrm{...}N,0\≤p_r\≤{\stackrel{\‾}{p}}_r\end{array}---\left(4\right)$

分别解关于P的方程组SINR_k＝SINR⁰k＝N+1,…,K和关于p_r的方程组SINR_i＝SINR⁰i＝1,...,N，得到令 其中为基站的最小功率，为中继站的最小功率；这样就确定了基站发射功率P和中继站发射功率p_r的取值范围和

6.根据权利要求5所述的大规模MIMO传输的蜂窝中继网络的功率分配方法，其特征在于，所述ODS算法为首先遍历范围内的P的所有取值，得到

$\begin{array}{c}\underset{p_r}{\max }{\mathrm{\η}}_{EE}\\ s.t.{\mathrm{SINR}}_i\≥{\mathrm{SINR}}^0\≥0,i=1,\mathrm{...}N,0\≤p_r\≤{\stackrel{\‾}{p}}_r\end{array}---\left(4\right)$

的最优解，然后比较公式(4)的所有可能解，其中使得能量效率最大的就是公式

$\begin{array}{c}\underset{P,p_r}{\max }{\mathrm{\η}}_{EE}\\ s.t.\left\{\begin{array}{c}{\mathrm{SINR}}_k\≥{\mathrm{SINR}}^0,k=N+1,\mathrm{...}K\\ {\mathrm{SINR}}_i\≥{\mathrm{SINR}}^0,i=1,\mathrm{...}N\end{array}\right.,0\≤P\≤\stackrel{\‾}{P},0\≤p_r\≤{\stackrel{\‾}{p}}_r\end{array}---\left(1\right)$

的最优解；

所述AOP算法为交替对公式

$\begin{array}{c}\underset{P}{\max }{\mathrm{\η}}_{EE}\\ s.t.{\mathrm{SINR}}_k\≥{\mathrm{SINR}}^0\≥0,k=N+1,\mathrm{...}K,0\≤P\≤\stackrel{\‾}{P}\end{array}---\left(3\right)$

和公式

$\begin{array}{c}\underset{p_r}{\max }{\mathrm{\η}}_{EE}\\ s.t.{\mathrm{SINR}}_i\≥{\mathrm{SINR}}^0\≥0,i=1,\mathrm{...}N,0\≤p_r\≤{\stackrel{\‾}{p}}_r\end{array}---\left(4\right)$

求解，并令其中一个的所得结果为另一个的输入，直至结果收敛，得到公式(1)的最优解。