CN106792872A - 一种用于超密集网络的低复杂度检测算法 - Google Patents
一种用于超密集网络的低复杂度检测算法 Download PDFInfo
- Publication number
- CN106792872A CN106792872A CN201611033330.6A CN201611033330A CN106792872A CN 106792872 A CN106792872 A CN 106792872A CN 201611033330 A CN201611033330 A CN 201611033330A CN 106792872 A CN106792872 A CN 106792872A
- Authority
- CN
- China
- Prior art keywords
- matrix
- formula
- data
- matrix inversion
- single antenna
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
- H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
- H04B7/0842—Weighted combining
- H04B7/0848—Joint weighting
- H04B7/0854—Joint weighting using error minimizing algorithms, e.g. minimum mean squared error [MMSE], "cross-correlation" or matrix inversion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于无线通信技术领域,涉及一种用于超密集网络的低复杂度检测算法。本发明将高维度的矩阵求逆运算转换成低维度的矩阵求逆,在硬件实现上更加容易,如果采用一般的高维度矩阵求逆,硬件资源开销非常大,而实际的情况是:真正的高维度矩阵求逆的硬件模块可能不存在,而本发明提供的高维度转化成低维度的矩阵求逆,一方面可以降低实现的复杂度,保证数据检测的实施可能性,另一方面,可有利用市面上已经成熟的低维度矩阵求逆模块,来达到高维度的矩阵求逆所期望得到的结果。另外,本发明提供的并行处理机制可有有效降低计算的时间开销,可有合理保证数据检测的实时性。
Description
技术领域
本发明属于无线通信技术领域,涉及一种用于超密集网络的低复杂度检测算法。
背景技术
超密集网络和基于云的无线接入网是近年来研究的热点,通过布置密集的无线接入点,对通信区域进行无盲区的覆盖,保证通信质量和系统的吞吐量。将传统基站端的基带处理单元移至集中处理单元,形成基带处理单元池,这样不仅可以保证硬件设备的维护,而且可以增强信号的处理能力。由于无线接入点的密集性,使得集中处理单元的处理复杂度增大,因此,如何降低数据检测的复杂度是急需解决的问题。鉴于接入点和用户终端的密集性和随机性,信道信息矩阵的维度会随着接入点和用户终端数目的增多而变大,集中处理单元需要处理的矩阵维度也相应变大,因此,通过接入点和用户终端的地域分布和信道增益情况对高维度的信道矩阵进行有规则的稀疏化,可以有效降低检测的复杂度。使用稀疏化后的信道矩阵,可以使用传统的最小均方误差(MMSE)、迫零(ZF)或者最大比值合并(MRC)检测来完成最终的数据恢复。
发明内容
为了上述问题,本发明提出了一种在超密集网络中用于降低上行链路数据检测复杂度的算法,主要是将高维度的矩阵求逆运算转换成低维度的矩阵求逆,由于矩阵求逆在硬件实现上比较困难,特别是对高维度矩阵的求逆,就目前的硬件约束来说,由于实现的复杂度,高维度的矩阵求逆基本上你那以实现。而本发明通过降低维度处理,使用维度较低的矩阵求逆来完成数据的检测,在实际的系统中也能够保证硬件的可实施性。包括网络区域的分簇方法、信道规则性稀疏、接入点标识和集中端的并行处理架构。
本发明的技术方案为:本发明所考虑的密集网络的拓扑结构如图1所示,可以看出,在该网络中,随机地分布着大量的用户和无线接入点,为了便于讨论,在本发明中对一些重要的参数进行如下的假定:所考虑的网络覆盖区域为边长r的正方形,其中随机分布N个单天线RRH和K个单天线移动终端,其中RRH接收用户的上行数据,然后将收到的数据通过回传链路传送到集中处理单元,集中处理单元使用本发明提出的检测算法对数据进行恢复。相关的收发信号处理流程如下:
一种用于超密集网络的低复杂度检测算法,其特征在于,包括以下步骤:
a.天线将接收到的数据y通过回传链路传送到集中处理单元:
假设在网络覆盖区域随机分布N个单天线和K个单天线移动终端,单天线接收用户的上行数据,则y可表示为:
y=HP1/2x+n (1)
公式(1)中,表示所有K个单天线移动终端的发送数据,表示上行传输的信道信息矩阵,其中H的第n行第k列的元素Hn,k表示第n个用户终端到第k个单天线的无线信道增益:其中γn,k表示小尺度衰落,表示与距离dn,k有关的大尺度衰落,为对角矩阵(对功率进行控制),n~CN(0,σ2I)为加性噪声。
每个RRH需要通过回传链路将所接收到的数据y传送到集中处理单元,以便进行数据的检测。
b.集中处理单元接收到回传的数据后,恢复出期望数据:
设置门限值d0,将信道信息矩阵H分解为:和相对于H是互补矩阵,其中中元素的值要远比中元素的值小,和表示为:
设置接收滤波矩阵为: 则在忽略的影响下,得到第k个用户的数据SINR为:
公式(3)中,wk表示W的第k列,是wk的共轭转置。
进一步的,将高维度的矩阵求逆运算转换成低维度的矩阵求逆,后面可以看到是将高纬度矩阵的求逆变成若干个低维度矩阵的求逆。如果单天线的RRH数目非常大,则在步骤b中:可将写成矩阵的形式表示为如下公式(4):
其中m1为主对角上方阵的数目(即簇的数目)。接收端对数据进行检测时,检测过程通过操作来实现(即MMSE检测,y为接收已知信号),其中需要重点求出的值,于是可以通过变量替换用ω来代替即,其中那么可以得到
通过相关的矩阵运算,上式(5)可以得到下述结果
然后将上述(6)的矩阵方程组变形,可得到
如前面所述,需要求出即ω的值,通过解决方程组(7),可以得到所需要的结果(8):
其中为所求的结果。最后通过可以恢复出期望数据。
为了完成(8)的计算,本发明使用集中处理单元加并行处理单元的方式来实现,其中集中处理单元计算ωc的值,而m1个并行处理单元分别计算ωi=,i∈{1,2,…,m1}的值和首先第i∈{1,2,…,m1}个并行处理单元计算然后所有并行处理单元将得到的结果ai,bi传递到集中处理单元,集中处理单元计算ωc,并将ωc的结果传递到各个并行处理单元,最后所有并行处理单元分别计算ωi=,i∈{1,2,…,m1},最终可以得到ω,这样每个并行处理单元通过与集中处理单元交互信息,便可以完成上行数据的检测。可以发现(5)中的需要求逆的矩阵的维度要小于维度N(N是矩阵的维度),这样在实际的实现中也会更加容易。
本发明的有益效果为,将高维度的矩阵求逆运算转换成低维度的矩阵求逆,在硬件实现上更加容易,如果采用一般的高维度矩阵求逆,硬件资源开销非常大,而实际的情况是:真正的高维度矩阵求逆的硬件模块可能不存在,而本发明提供的高维度转化成低维度的矩阵求逆,一方面可以降低实现的复杂度,保证数据检测的实施可能性,另一方面,可有利用市面上已经成熟的低维度矩阵求逆模块,来达到高维度的矩阵求逆所期望得到的结果。另外,本发明提供的并行处理机制可有有效降低计算的时间开销,可有合理保证数据检测的实时性。
附图说明
图1为本发明的应用场景拓扑图;
图2为本发明中的基于传输距离的网络分簇示意图;
图3为本发明中相关信道矩阵的具有特定结构的稀疏性示意图;
图4为本发明的并行信号处理框图;
图5为误码率随发送功率的变化关系;
图6为误码率随距离门限的变化关系。
具体实施方式
下面结合附图,详细描述本发明的技术方案:
如果考虑上行数据输出的情形,本发明所考虑的密集网络的拓扑结构如图1所示,可以看出,在该网络中,随机地分布着大量的用户和无线接入点。为了便于讨论,在本发明中对一些重要的参数进行如下的假定:所考虑的网络覆盖区域为边长r的正方形,其中随机分布N个单天线RRH和K个单天线移动终端,其中RRH接收用户的上行数据,然后将收到的数据通过回传链路传送到集中处理单元,集中处理单元使用本发明提出的检测算法对数据进行恢复。相关的收发信号处理如下:
如果用表示所有K个单天线移动终端的发送数据,用表示上行传输的信道信息矩阵,其中H的第n行第k列的元素Hn,k表示第n个用户终端到第k个RRH的无线信道增益,那么所有RRH接收到的信号可以表示为:
y=HP1/2x+n
其中为对角矩阵(第k个主对角元素Pk表示第k个用户终端的发射功率),表示所有移动终端的传输数据,n~CN(0,N0I)为加性高斯白噪声。H的第(n,k)个元素可以表示为:其中γn,k表示小尺度衰落,表示与距离dn,k有关的大尺度衰落(dn,k表示第n个用户终端到第k个RRH的距离)。
每个RRH需要通过回传链路将所接收到的数据y传送到集中处理单元,以便进行数据的检测。
集中处理单元在接收到回传的数据后,需要从中恢复出期望数据,如果使用MMSE方法检测(此方法为最优的线性检测),那么接收滤波矩阵为:W=(HPHH+N0I)-1HP1/2,如果令A=HPHH+N0I,那么通过计算可以得到第k个用户数据的SINR为:
其中wk表示W的第k列,是wk的共轭转置。
然而,上述在计算接收滤波矩阵的时候,涉及到矩阵的求逆运算,如果N的值很大,考虑到计算复杂度的影响,这种大规模矩阵求逆运算在实际的系统中是不可能完成的,因此需要将求逆矩阵的规模缩小。
基于缩减矩阵求逆规模的考虑,在本发明中考虑到如下事实:并不是所有的干扰RRH都需要考虑,由于实际的系统中存在与距离有关的大尺度衰落,因此信道信息矩阵H中大部分元素的值都非常小,倘若设置一个合适的门限值,就可以将那些小于门限值的元素置为零,即:
这样就有:即和相对于H是互补矩阵,其中中元素的值要远比中元素的值小。则新的接收滤波矩阵可表示为: 以d0为门限值的条件下,并忽略的影响,可以得到新的SINR为:
这样便可以忽略某一区域以外的用户信号的干扰。如果给定各个RRH之间距离的概率密度函数f(d),那么门限值可以对应到SINR,即:
其中,
当参考范围达到某一区域后,通过稀疏性得到的SINR基本上可以和考虑全局范围得到的SINR相同,即二者的比值会趋于1。因此考虑信道信息的稀疏性是合理。
如果RRH的数目非常大,那么的稀疏度将会更高,如果将其写成矩阵的形式,可以表示如下:
于是接收端对数据进行检测:令其中通过分块矩阵求逆,很容易得到:
为了完成上式的计算,本发明使用集中处理单元加并行处理单元的方式来实现,其中集中处理单元计算ωc的值,而m1个并行处理单元计算ωi=,i∈{1,2,…,m1}的值。这样每个并行处理单元通过与集中处理单元交互信息,便可以完成上行数据的检测。可以发现上式中需要求逆的矩阵的维度要小于N,这样在实际的实现中也会更加容易。
一个实施案例如图2所示,图中是将全局的区域划分成4个参考簇,图中灰色区域是每个簇的边界,边界的宽度为2d0,簇内的干扰可以通过协同进行有效的管理,需要考虑的干扰主要是相邻簇的边界区域产生的,而其他簇内的干扰被忽略。
正如前面讨论的,具有稀疏性,那么也具有稀疏性,如图3所示,图中的横轴和纵轴是对每个RRH的标识,其中空白区域为的值为零,非空白的区域表示对应的RRH相互之间存在不可忽略的干扰。在该实施案例中,整体网络的参考区域为规则的变成为r=6km正方形区域,此区域被分成9个簇,在网络中随机分布1800个RRH,参考距离d0=0.5km。用户到RRH间的小尺度衰落使用经典的瑞利衰落。大尺度水落的因子α=3.76。
如图4所示是集中处理单元数据检测的并行实施流程,其中每个并行处理单元需要计算对应的(a),(b),然后将得到的更新值传送到集中处理单元;集中处理单元利用这些值计算出ωc并传送给每个并行处理单元,这样便可以完成最终的数据恢复。基于本发明的低复杂度检测方法,相关的仿真结果如图5和图6所示。其中图5描述的是仿真误码率随用户终端发射功率的变化趋势,图5描述的是仿真误码率随参考距离d的变化趋势,可以看出当所使用的参考距离d比较大时,性能会趋近理想信道下的检测性能,并且,通过使用参考距离对信道信息进行系数化后,可以有效降低检测的复杂度,特别是降低了需要求逆的矩阵的维度,有利于硬件的实施。
为了使变换成较为规范的形式以便于并行处理单元和集中处理单元信号的检测,需要对RRH进行规范的标识。考虑图2所示的边长为r的正方形区域,如果用b(n)表示第n个RRH的标识,并令其坐标为:ln=(lxn,lyn),其中:lxn∈[0,ax],lyn∈[0,ay],ax和ay是整个参考区域的边长。算法首先将参考区域划分成不相交的方形区域(边长为r1),每个方形的边界区域定义为:距离边线长度小于d0的所有点的集合。然后将每个RRH归属到相应的簇所在的区域或者边界区域。最后根据已经标识好的RRH构造矩阵
RRH的标识算法具体为,设置输入变量为ax,ay,d0,r1,ln,输出变量为b(n),则包括:
1:令
2:对所有n=1:N执行:
3:如果(i-1)r1+d0≤lxn≤ir1-d0并且(j-1)r1+d0≤lyn≤jr1-d0,则否则:
4:令j=1,对所有i=1:mxmy+1,n=1:N
5:如果n∈Ci,则将RRH n标识为:j:b(n)←j
6:j←j+1。
Claims (2)
1.一种用于超密集网络的低复杂度检测算法,其特征在于,包括以下步骤:
a.天线将接收到的数据y通过回传链路传送到集中处理单元:
假设在网络覆盖区域随机分布N个单天线和K个单天线移动终端,单天线接收用户的上行数据,则y可表示为如下公式1:
y=HP1/2x+n (公式1)
公式1中,表示所有K个单天线移动终端的发送数据,表示上行传输的信道信息矩阵,其中H的第n行第k列的元素Hn,k表示第n个用户终端到第k个单天线的无线信道增益:其中γn,k表示小尺度衰落,表示与距离dn,k有关的大尺度衰落,为对角矩阵,n~CN(0,N0I)为加性高斯白噪声;
b.集中处理单元接收到回传的数据后,恢复出期望数据:
设置门限值d0,将信道信息矩阵H分解为: 和相对于H是互补矩阵,其中中元素的值要远比中元素的值小,和表示为如下公式2:
设置接收滤波矩阵为: 则在忽略的影响下,得到第k个用户的数据SINR为:
公式3中,wk表示W的第k列,是wk的共轭转置。
2.根据权利要求1所述的一种用于超密集网络的低复杂度检测算法,其特征在于,如果单天线的数目非常大,则在步骤b中:可将写成矩阵的形式表示为如下公式4:
公式4中,m1为主对角上方阵的数目,接收端对数据进行检测时,检测过程通过实现,其中y为已知接收信号,需求出的值,设其中可得到如下公式5:
通过矩阵运算,通过公式5可的如下公式6:
将公式6的矩阵方程组变形可得到如下公式7:
解公式7可得到ω的值,如公式8:
其中为所求的结果,最后通过可以恢复出期望数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611033330.6A CN106792872B (zh) | 2016-11-15 | 2016-11-15 | 一种用于超密集网络的低复杂度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611033330.6A CN106792872B (zh) | 2016-11-15 | 2016-11-15 | 一种用于超密集网络的低复杂度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106792872A true CN106792872A (zh) | 2017-05-31 |
CN106792872B CN106792872B (zh) | 2020-05-01 |
Family
ID=58971678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611033330.6A Active CN106792872B (zh) | 2016-11-15 | 2016-11-15 | 一种用于超密集网络的低复杂度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106792872B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964695A (zh) * | 2010-10-08 | 2011-02-02 | 北京星河亮点通信软件有限责任公司 | 多用户多输入多输出下行链路预编码方法及系统 |
CN103856298A (zh) * | 2014-03-12 | 2014-06-11 | 中国科学技术大学 | 一种低复杂度最小距离收发信端编译码构建方法 |
CN104823508A (zh) * | 2012-12-14 | 2015-08-05 | 华为技术有限公司 | 用于低密度扩展调制检测的系统和方法 |
CN105375967A (zh) * | 2015-11-16 | 2016-03-02 | 北京邮电大学 | 一种基于统计方法的增强型最大比合并检测方法和接收机 |
CN105610484A (zh) * | 2016-01-04 | 2016-05-25 | 东南大学 | 大规模mimo低复杂度迭代接收方法 |
CN105656538A (zh) * | 2015-12-30 | 2016-06-08 | 东南大学 | 一种大规模mimo系统的低复杂度置信传播检测算法 |
CN105991167A (zh) * | 2015-01-30 | 2016-10-05 | 清华大学 | 低复杂度的毫米波mimo模拟波束赋形方法 |
-
2016
- 2016-11-15 CN CN201611033330.6A patent/CN106792872B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964695A (zh) * | 2010-10-08 | 2011-02-02 | 北京星河亮点通信软件有限责任公司 | 多用户多输入多输出下行链路预编码方法及系统 |
CN104823508A (zh) * | 2012-12-14 | 2015-08-05 | 华为技术有限公司 | 用于低密度扩展调制检测的系统和方法 |
CN103856298A (zh) * | 2014-03-12 | 2014-06-11 | 中国科学技术大学 | 一种低复杂度最小距离收发信端编译码构建方法 |
CN105991167A (zh) * | 2015-01-30 | 2016-10-05 | 清华大学 | 低复杂度的毫米波mimo模拟波束赋形方法 |
CN105375967A (zh) * | 2015-11-16 | 2016-03-02 | 北京邮电大学 | 一种基于统计方法的增强型最大比合并检测方法和接收机 |
CN105656538A (zh) * | 2015-12-30 | 2016-06-08 | 东南大学 | 一种大规模mimo系统的低复杂度置信传播检测算法 |
CN105610484A (zh) * | 2016-01-04 | 2016-05-25 | 东南大学 | 大规模mimo低复杂度迭代接收方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106792872B (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Deep power control: Transmit power control scheme based on convolutional neural network | |
CN101800578B (zh) | 减小下行链路多点协作隐式反馈开销方法 | |
CN102983934B (zh) | 多用户多输入多输出系统中线性预编码的方法及装置 | |
WO2022021520A1 (zh) | 一种非正交多址接入功率分配方法及系统 | |
CN101951307A (zh) | 在CoMP下的小区协作集的选择方法 | |
CN102546488B (zh) | 基于有效信道参数半正交的干扰消除方法 | |
CN110012547A (zh) | 一种共生网络中用户关联的方法 | |
CN105979562B (zh) | 可保证协作通信中全局误码率性能的中继节点选择方法 | |
CN105490795B (zh) | 基于协作传输技术的移动式无线网络节点一维部署方法 | |
CN104168091A (zh) | 一种面向多播业务的多天线分组预编码方法 | |
CN110086515B (zh) | 一种mimo-noma系统上行预编码设计方法 | |
CN114337976A (zh) | 一种联合ap选择与导频分配的传输方法 | |
CN103686444B (zh) | 一种MIMO OFDM系统中具有端到端QoS保证的视频传输方案 | |
CN107404375A (zh) | 一种非规则多点海域通信网络中时空协同传输优化方法 | |
CN104506226A (zh) | 双层异构网络中基于协作毫微微蜂窝的干扰抑制预编码方法 | |
CN104158575A (zh) | Zf预编码策略下的多小区mimo系统用户调度方法 | |
CN104320170B (zh) | 大规模mimo系统中导频污染抑制波束赋形方法 | |
CN103763086A (zh) | 一种基于滤波器组的多用户多信道协作频谱感知方法 | |
CN106211235A (zh) | 一种无线网络中的小包数据传输方法及系统 | |
CN102215073A (zh) | 多点—多用户上行低复杂度mimo检测方法 | |
CN104602279A (zh) | 一种异构网络中基于阈值的协作基站分簇方法和装置 | |
CN106506109A (zh) | 密集小蜂窝网络用户分组与自适应干扰抑制方法 | |
CN106792872A (zh) | 一种用于超密集网络的低复杂度检测算法 | |
CN107249213B (zh) | 一种d2d通信中频谱效率最大化的功率分配方法 | |
CN102332946A (zh) | 一种能同时消除小区间干扰和流间干扰的CoMP下行联合传输方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |