CN105978835A - 一种低复杂度的分布式干扰对齐方法 - Google Patents

Abstract

本发明公开了一种低复杂度的分布式干扰对齐方法。通过对用户K的干扰协方差矩阵进行排序QR分解算法，该分解算法是基于修正的Gram‑Schmidt方法，选出酉矩阵Q最后的d_k列作为用户近似的干扰抑制滤波矩阵，和传统分布式干扰对齐方法相比，在保证了系统容量和迭代收敛速度的同时，系统的复杂度明显降低。

Description

一种低复杂度的分布式干扰对齐方法

技术领域：

本发明属于干扰管理技术领域，特别涉及一种低复杂度的分布式干扰对齐方法。

背景技术：

由于在新一代移动通信系统LTE-A中，MIMO、中继、协作多点传输技术的引入，小区密集覆盖，以及用户数量和基站数量的增加，使得多用户干扰或小区间干扰成为制约系统性能的主要因素。干扰对齐作为一种新颖的干扰处理方法，由于其高效的干扰处理性能和系统容量飞跃式的提升而备受学术界关注，其核心思想是通过在发送端精心设计预编码方案，使得每个接收端的信号中来自其他发送端的干扰信号在一个方向上或一个空间里对齐，从而压缩了干扰占据的空间资源，使目标接收端的干扰信号和有用信号可以容易分离，提高传输效率和系统自由度。可以看出，干扰对齐主要实现方式是预编码技术。

传统的干扰对齐方法根据信道的互易性，采用迭代的方法(分布式)来逼近闭式解，但带来了较大的计算开销，因此难以实用。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容：

本发明的目的在于提供一种低复杂度的分布式干扰对齐方法，从而克服上述现有技术中的缺陷。

为实现上述目的，本发明提供了

一种低复杂度的分布式干扰对齐方法，其步骤为：

(一)采用K用户MIMO干扰信道模型，假设用户k只期望接收来自基站k的信号，而将其他基站发射的信号当作干扰，基站k配置M_k根天线，且发送d_k个数据流给用户k，用户k配置N_k根天线；则用户k接收的信号可表示为：

$\begin{array}{c}{y}_k=\underset{l=1}{\overset{K}{\Σ}}{H}_{kl}{V}_l{S}_l+Z_k\\ =H_{kk}{V}_k{S}_k+\underset{l=1,l\≠k}{\overset{K}{\Σ}}{H}_{kl}{V}_l{S}_l+Z_k,\∀k\∈\{1,\mathrm{...},K\}\end{array}---\left(1\right)$

其中，表示为第l基站到第k用户的信道增益矩阵，且所有信道增益系数均服从均值为零、方差为1的独立分布的复高斯分布；表示为基站l的发送预编码矩阵；为基站l发送信号矢量，并且满足 为用户k的加性复高斯白噪声矢量(AWGN)；

利用信道的互易性，当逆向传输时，基站k接收到的信号：

$\begin{array}{c}\stackrel{\←}{y_k}=\underset{l=1}{\overset{K}{\Σ}}{\stackrel{\←}{H}}_{kl}{\stackrel{\←}{V}}_l{\stackrel{\←}{S}}_l+{\stackrel{\←}{Z}}_l{\stackrel{\←}{H}}_{kl}\\ ={\stackrel{\←}{H}}_{kk}{\stackrel{\←}{V}}_k{\stackrel{\←}{S}}_k+\underset{l=1,l\≠k}{\overset{K}{\Σ}}{\stackrel{\←}{H}}_{kl}{\stackrel{\←}{V}}_l{\stackrel{\←}{S}}_l+{\stackrel{\←}{Z}}_k,\∀k\∈\{1,\mathrm{...},K\}\end{array}---\left(2\right)$

(二)当接收信号经过干扰抑制矩阵后，可表示为：

$\begin{array}{c}{\stackrel{\‾}{y}}_k=U_k^H{y}_k\\ =\underset{l=1}{\overset{K}{\Σ}}{U}_k^H{H}_{kl}{V}_l{S}_l+U_k^H{Z}_k\\ =U_k^H{H}_{kk}{V}_k{S}_k+\underset{l=1,l\≠k}{\overset{K}{\Σ}}{U}_k^H{H}_{kl}{V}_l{S}_l+U_k^H{Z}_k\end{array}---\left(3\right)$

假设信道状态信息已知，干扰对齐的条件是来自于其他数据流的干扰对齐在一个空间里，在经过干扰抑制后一并消除，而期待传输的d_k个数据流可以无 干扰的传输，也就是需要满足以下条件：

$U_k^H{H}_{kl}{V}_j=0,\∀l\≠k---\left(4\right)$

$rank\left(U_k^H{H}_{kk}{V}_k\right)=d_k---\left(5\right)$

同理，在互易网络中，需要满足的条件：

${\stackrel{\←}{U}}_k^H{\stackrel{\←}{H}}_{kl}{\stackrel{\←}{V}}_j=0,\∀l\≠k---\left(6\right)$

$rank\left({\stackrel{\←}{U}}_k^H{\stackrel{\←}{H}}_{kk}{\stackrel{\←}{V}}_k\right)=d_k---\left(7\right);$

(三)分布式干扰对齐：

(a)、初始化基站端的预编码矩阵V_k，且满足

(b)、计算用户k干扰协方差矩阵：

$Q_k=\underset{j=1,j\≠k}{\overset{K}{\Σ}}\frac{P_j}{d_j}{H}_{kj}{V}_j{V}_j^H{H}_{kj}^H---\left(8\right)$

(c)、基于修正的Gram-Schmidt方法进行排序的QR分解算法计算用户k的接收干扰抑制矩阵：

$U_k={\mathrm{SQRD}}_{d_k}\left(Q_k\right)---\left(9\right)$

其中，表示矩阵Q_k经过基于修正的Gram-Schmidt方法进行排序的QR分解算法之后得到酉矩阵的最后的d_k列矢量所组成的矩阵；

(d)、互换上下链路方向，设

(e)、计算用户k干扰协方差矩阵：

${\stackrel{\←}{Q}}_k=\underset{j=1,j\≠k}{\overset{K}{\Σ}}\frac{P_j}{d_j}{\stackrel{\←}{H}}_{kj}{\stackrel{\←}{V}}_j{\stackrel{\←}{V}}_j^H{\stackrel{\←}{H}}_{kj}^H---\left(10\right)$

(f)、基于修正的Gram-Schmidt方法进行排序的QR分解算法计算用户k的接收干扰抑制矩阵：

${\stackrel{\←}{U}}_k={\mathrm{SQRD}}_{d_k}\left({\stackrel{\←}{Q}}_k\right)---\left(11\right)$

(g)、互换上下链路方向，设

(h)、重复(c)—(g)，直至算法收敛。

优选地，技术方案中，基于修正的Gram-Schmidt方法进行排序的QR分解算法为：

步骤一：对待分解矩阵A，进行QR分解，A＝QR，得出初始酉矩阵Q；

步骤二：在矩阵Q的列中搜索范数最小列，k_μ＝argmin||q_v||；

步骤三：将k_μ列与当前未交换过的第一列交换，得到Q₁；

步骤四：对Q₁进行Gram-Schmidt正交归一化；

步骤五：在Q₁剩下未排序的列中搜寻范数最小列，重复步骤二至步骤四，直至选出d_k列矢量。

与现有技术相比，本发明具有如下有益效果：

通过对用户K的干扰协方差矩阵进行排序QR分解算法，该分解算法是基于修正的Gram-Schmidt方法，选出酉矩阵Q最后的d_k列作为用户近似的干扰抑制滤波矩阵，和传统分布式干扰对齐方法相比，在保证了系统容量和迭代收敛速度的同时，系统的复杂度明显降低。

附图说明：

图1为本发明MIMO干扰信道模型图；

图2为本发明计算复杂度比较图；

图3为本发明系统容量仿真图；

图4为本发明收敛速度仿真图。

具体实施方式：

下面对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范 围并不受具体实施方式的限制。

除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。

一种低复杂度的分布式干扰对齐方法，其步骤为：

(一)采用K用户MIMO干扰信道模型，假设用户k只期望接收来自基站k的信号，而将其他基站发射的信号当作干扰，基站k配置M_k根天线，且发送d_k个数据流给用户k，用户k配置N_k根天线；则用户k接收的信号可表示为：

$\begin{array}{c}{y}_k=\underset{l=1}{\overset{K}{\Σ}}{H}_{kl}{V}_l{S}_l+Z_k\\ =H_{kk}{V}_k{S}_k+\underset{l=1,l\≠k}{\overset{K}{\Σ}}{H}_{kl}{V}_l{S}_l+Z_k,\∀k\∈\{1,\mathrm{...},K\}\end{array}---\left(1\right)$

其中，表示为第l基站到第k用户的信道增益矩阵，且所有信道增益系数均服从均值为零、方差为1的独立分布的复高斯分布；表示为基站l的发送预编码矩阵；为基站l发送信号矢量，并且满足 为用户k的加性复高斯白噪声矢量(AWGN)；

利用信道的互易性，当逆向传输时，基站k接收到的信号：

$\begin{array}{c}\stackrel{\←}{y_k}=\underset{l=1}{\overset{K}{\Σ}}{\stackrel{\←}{H}}_{kl}{\stackrel{\←}{V}}_l{\stackrel{\←}{S}}_l+{\stackrel{\←}{Z}}_l{\stackrel{\←}{H}}_{kl}\\ ={\stackrel{\←}{H}}_{kk}{\stackrel{\←}{V}}_k{\stackrel{\←}{S}}_k+\underset{l=1,l\≠k}{\overset{K}{\Σ}}{\stackrel{\←}{H}}_{kl}{\stackrel{\←}{V}}_l{\stackrel{\←}{S}}_l+{\stackrel{\←}{Z}}_k,\∀k\∈\{1,\mathrm{...},K\}\end{array}---\left(2\right)$

(二)当接收信号经过干扰抑制矩阵后，可表示为：

$\begin{array}{c}{\stackrel{\‾}{y}}_k=U_k^H{y}_k\\ =\underset{l=1}{\overset{K}{\Σ}}{U}_k^H{H}_{kl}{V}_l{S}_l+U_k^H{Z}_k\\ =U_k^H{H}_{kk}{V}_k{S}_k+\underset{l=1,l\≠k}{\overset{K}{\Σ}}{U}_k^H{H}_{kl}{V}_l{S}_l+U_k^H{Z}_k\end{array}---\left(3\right)$

假设信道状态信息已知，干扰对齐的条件是来自于其他数据流的干扰对齐在一个空间里，在经过干扰抑制后一并消除，而期待传输的d_k个数据流可以无干扰的传输，也就是需要满足以下条件：

$U_k^H{H}_{kl}{V}_j=0,\∀l\≠k---\left(4\right)$

$rank\left(U_k^H{H}_{kk}{V}_k\right)=d_k---\left(5\right)$

同理，在互易网络中，需要满足的条件：

${\stackrel{\←}{U}}_k^H{\stackrel{\←}{H}}_{kl}{\stackrel{\←}{V}}_j=0,\∀l\≠k---\left(6\right)$

$rank\left({\stackrel{\←}{U}}_k^H{\stackrel{\←}{H}}_{kk}{\stackrel{\←}{V}}_k\right)=d_k---\left(7\right);$

(三)分布式干扰对齐：

(a)、初始化基站端的预编码矩阵V_k，且满足

(b)、计算用户k干扰协方差矩阵：

$Q_k=\underset{j=1,j\≠k}{\overset{K}{\Σ}}\frac{P_j}{d_j}{H}_{kj}{V}_j{V}_j^H{H}_{kj}^H---\left(8\right)$

(c)、基于修正的Gram-Schmidt方法进行排序的QR分解算法计算用户k的接收干扰抑制矩阵：

$U_k={\mathrm{SQRD}}_{d_k}\left(Q_k\right)---\left(9\right)$

其中，表示矩阵Q_k经过基于修正的Gram-Schmidt方法进行排序的QR分解算法之后得到酉矩阵的最后的d_k列矢量所组成的矩阵；

(d)、互换上下链路方向，设

(e)、计算用户k干扰协方差矩阵：

${\stackrel{\←}{Q}}_k=\underset{j=1,j\≠k}{\overset{K}{\Σ}}\frac{P_j}{d_j}{\stackrel{\←}{H}}_{kj}{\stackrel{\←}{V}}_j{\stackrel{\←}{V}}_j^H{\stackrel{\←}{H}}_{kj}^H---\left(10\right)$

(f)、基于修正的Gram-Schmidt方法进行排序的QR分解算法计算用户k的接收干扰抑制矩阵：

${\stackrel{\←}{U}}_k={\mathrm{SQRD}}_{d_k}\left({\stackrel{\←}{Q}}_k\right)---\left(11\right)$

(g)、互换上下链路方向，设

(h)、重复(c)—(g)，直至算法收敛。

优选地，技术方案中，基于修正的Gram-Schmidt方法进行排序的QR分解算法为：

步骤一：对待分解矩阵A，进行QR分解，A＝QR，得出初始酉矩阵Q；

步骤二：在矩阵Q的列中搜索范数最小列，k_μ＝argmin||q_v||；

步骤三：将k_μ列与当前未交换过的第一列交换，得到Q₁；

步骤四：对Q₁进行Gram-Schmidt正交归一化；

步骤五：在Q₁剩下未排序的列中搜寻范数最小列，重复步骤二至步骤四，直至选出d_k列矢量。

如图1所示，为了简便，可以近似地认为复数矩阵计算的复杂度为实数矩阵相应计算复杂度的6倍，其中1次flop表示一次浮点操作。对的实数矩阵m×m而言，矩阵加法的计算复杂度为2m(flops)；矩阵乘法的计算复杂度为2m³(flops)；广义特征值分解的计算复杂度为17m³(flops)，广义的QR分解的计算复杂度为2m³(flops)，基于修正的Gram-Schmidt方法的排序QR分解算法的 计算复杂度略高于广义的QR分解算法为2m³+m(m-1)/2(flops)。

如图2所示，为了比较本方法与传统干扰对齐的系统容量与收敛速度，假设所有信道都是独立同分布瑞利信道，且均服从复高斯分布，零均值单位方差。系统配置为M_k＝N_k＝2，K＝3,d_k＝1。

如图3所示，与传统干扰对齐对比，本方法系统容量略高于传统干扰对齐，尤其是在信噪比较低时表现更为明显，高信噪比是二者相差不大，这是因为本方法并不是以牺牲系统性能以达到降低复杂度的目的，而是提出新的干扰对齐的预编码方案，摒弃原有复杂的预编码方法。

如图4所示，与传统干扰对齐对比，可以得出，在迭代次数20附近，本算法已经收敛，而传统方法需要30甚至更多的迭代次数才能收敛，这也充分证明了本方法采用的QR分解较传统方法的特征值分解或SVD分解更为有效。

前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (2)

1.一种低复杂度的分布式干扰对齐方法，其特征在于：其步骤为：

(一)采用K用户MIMO干扰信道模型，假设用户k只期望接收来自基站k的信号，而将其他基站发射的信号当作干扰，基站k配置M_k根天线，且发送d_k个数据流给用户k，用户k配置N_k根天线；则用户k接收的信号可表示为：

其中，表示为第l基站到第k用户的信道增益矩阵，且所有信道增益系数均服从均值为零、方差为1的独立分布的复高斯分布；表示为基站l的发送预编码矩阵；为基站l发送信号矢量，并且满足 为用户k的加性复高斯白噪声矢量(AWGN)；

利用信道的互易性，当逆向传输时，基站k接收到的信号：

(二)当接收信号经过干扰抑制矩阵后，可表示为：

假设信道状态信息已知，干扰对齐的条件是来自于其他数据流的干扰对齐在一个空间里，在经过干扰抑制后一并消除，而期待传输的d_k个数据流可以无 干扰的传输，也就是需要满足以下条件：

同理，在互易网络中，需要满足的条件：

(三)分布式干扰对齐：

(a)、初始化基站端的预编码矩阵V_k，且满足

(b)、计算用户k干扰协方差矩阵：

(c)、基于修正的Gram-Schmidt方法进行排序的QR分解算法计算用户k的接收干扰抑制矩阵：

其中，表示矩阵Q_k经过基于修正的Gram-Schmidt方法进行排序的QR分解算法之后得到酉矩阵的最后的d_k列矢量所组成的矩阵；

(d)、互换上下链路方向，设

(e)、计算用户k干扰协方差矩阵：

(f)、基于修正的Gram-Schmidt方法进行排序的QR分解算法计算用户k的接收干扰抑制矩阵：

(g)、互换上下链路方向，设

(h)、重复(c)—(g)，直至算法收敛。

2.根据权利要求1所述的低复杂度的分布式干扰对齐方法，其特征在于：基于修正的Gram-Schmidt方法进行排序的QR分解算法为：

步骤一：对待分解矩阵A，进行QR分解，A＝QR，得出初始酉矩阵Q；

步骤二：在矩阵Q的列中搜索范数最小列，k_μ＝arg min||q_v||；

步骤三：将k_μ列与当前未交换过的第一列交换，得到Q₁；

步骤四：对Q₁进行Gram-Schmidt正交归一化；

步骤五：在Q₁剩下未排序的列中搜寻范数最小列，重复步骤二至步骤四，直至选出d_k列矢量。