CN108242950B - 一种FDD Massive MIMO网络中基于D2D的CSI反馈方法 - Google Patents

Abstract

本发明公开了一种FDD Massive MIMO网络中基于D2D的CSI反馈方法，在每个D2D链路上得到最优位分区后进行CSI交换，然后在用户端进行预编码，并将经预编码处理后的信息反馈给基站BS端，可显著提高CSI反馈效率。

Description

一种FDD Massive MIMO网络中基于D2D的CSI反馈方法

技术领域

本发明涉及无线通信技术领域，具体涉及一种FDD Massive MIMO网络中基于D2D的CSI反馈方法。

背景技术

Massive MIMO被广泛认为是未来无线通信系统实现技术中关键技术之一。基站端设置有多根天线，Massive MIMO系统在空间多路复用和干扰抑制方面有了更多的可能。但是在研究这两个方面都需要获知CSI。很多之前的研究多数关注TDD系统，信道互利可以被利用来获得由用户传输的下行CSI。但是，FDD系统在当前蜂窝网中仍然处于重要的地位。CSI反馈在FDD Massive MIMO网络中是一个具有挑战性的问题。

相关信道中的常规反馈方案依赖于预定义的码本量化和反馈信道矢量。然而，这些方法不可扩展到Massive MIMO，这是因为码本的大小与反馈比特的数量呈指数关系，反馈比特的数量应当随着发射天线的数量线性增加，以便实现完全复用增益。

发明内容

本发明的目的在于克服现有技术中传统的CSI反馈方法效率低的技术问题，提供了一种FDD Massive MIMO网络中基于D2D的CSI反馈方法，能够抑制CSI交换的延迟，从而相应提高CSI反馈效率。

为解决上述技术问题，本发明提供了一种FDD Massive MIMO网络中基于D2D的CSI反馈方法，其特征是，包括以下步骤：

步骤A，为CSI交换进行位分区，计算出最优的位分区；

步骤B，根据最优位分区进行CSI交换；

步骤C，CSI交换完成后，计算出预编码器发送给基站BS，完成CSI的反馈。

进一步的，步骤A中，最优的位分区就是使得虚拟SLNR最大化的位分区。

进一步的，虚拟SLNR的定义：给出了位分区{b_kj}，如果存在一个D2D量化器Q({b_kj})和一列预编码码本

例如

Γ_k是可获得的，则虚拟SLNR

就是可获得的这个SLNRΓ_k的上确界。

进一步的，计算最优的位分区的具体过程包括：

虚拟SLNR最大化的位分区，此最优化问题表达式如下：

最优位分区问题就被重新表述为使得虚拟SLNR下界最大的最优化问题，将虚拟SLNR的下界带入之前的最优化问题中进行变形，其中

其中

原最优化问题目标函数是使得上面(1)式最大，其实就是使得(2)式的第二项最小化，所以该最优化问题最终变形如下：

进一步的，步骤B中，根据最优位分区进行CSI交换的具体过程包括：

为了把信道h_k共享给用户j，用户k先计算出部分信道

其中U_j是一个

的矩阵，该矩阵包含用户j的协方差矩阵R_j的

个特征向量；接着将计算出的部分信道

用一个量化器Q_kj量化成

最后再发送给用户j，用户j获得来自用户k的信道表示为

进一步的，用户间通过D2D进行交换CSI使用的量化器的计算过程为：

令

作为部分信道

的协方差矩阵，接着做G_kj特征分解，

是对角阵，其中包含G_kj的特征值

的

这里有一个维度限制，当用户k和用户j仅部分重叠时，

接着设计量化器量化

的每个元素，同时用无损码在量化器输出端进行解码，最终在用户j收到的用户k的信道为

进一步的，步骤C中，计算预编码器的具体过程为：

选择一个预编码向量

使得用户k的SLNR预期下界最大，，具体问题表示如下：

每个用户k计算出各自的预编码向量

之后反馈给基站BS。

与现有技术相比，本发明所达到的有益效果是：在每个D2D链路上得到最优位分区后进行CSI交换，然后在用户端进行预编码，并将经预编码处理后的信息反馈给基站BS端，可显著提高CSI反馈效率。

附图说明

图1为本发明方法所适用的CSI反馈的网络拓扑图；

图2为本发明方法的流程图；

图3为实施例中在总发射功率一定情形下，本发明CSI反馈方法与传统CSI反馈方法的效率对比图；

图4为实施例中本发明CSI反馈方法与传统CSI反馈方法的效率对比图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

FDD Massive MIMO网络中基于D2D的CSI反馈方法，其所适用的CSI反馈的网络拓扑图如图1所示，图中显示的是在两个用户(UE1和UE2)情形下基于D2D的有限CSI反馈方法。图1中是一个单小区FDD Massive MIMO网络，UE1和UE2的下行信道链路表示为h₁和h₂。在传统CSI反馈方法中，UE1和UE2各有B_fbits用于反馈给BS，它们将各自的信道h₁和h₂量化成

和

然后把

和

用B_fbits发送给基站BS，基站接收之后基于全局

计算出各用户的预编码矩阵W＝[w₁,w₂]。

在本发明提出的基于D2D的CSI反馈方法中，UE1和UE2将各自的信道h₁和h₂量化成

和

然后通过UE1和UE2之间的D2D链路交换彼此量化后的

和

进行CSI交换之后，UE1和UE2根据获知的不完全的全局CSI计算出预编码

和

最后把预编码

和

反馈给基站BS。

然而，在D2D上的CSI交换会导致延迟，根据Little的定律，平均延迟与比特分组大小成比例，所以限制在D2D上进行CSI交换的比特数是很重要的。

进一步深入研究，假设在一个单小区的FDD Massive MIMO网络中，其中有一个基站，基站端有N_t根天线，同时有K个用户分布在一个基站的覆盖区域内，用户间的信道情况不一样，用户间通过D2D链路交换彼此CSI，以此帮助完成CSI反馈。用户k(k＝1，……K)的下行信道表示为

是一个列向量，并满足分布CN(0,l_kR_k)，其中协方差矩阵R_k归一化为tr{R_k}＝N_t，l_k表示信道的路径损耗，信道统计量{l_k,R_k}都是静态的。用户间的信道情况不一样，即它们有不同的路径损耗l_k和不同信道协方差矩阵R_k。用户k接收到的信号为

其中s_k是传输的信号，w_k是预编码器，n_k是加性高斯噪声，P是总的发射功率。在不同用户之间路径损耗l_k和信道协方差矩阵R_k不同的情况下，当两个用户具有不重叠的信号子空间时，此时并不存在干扰，所以他们不需要交换CSI，若在此时仍然使用传统CSI反馈方法，给用户分配相同的比特进行CSI交换，则CSI反馈效率较低。

因此，本发明提出了一种FDD Massive MIMO网络中基于D2D的CSI反馈方法，可以提高CSI反馈效率，具体反馈流程参见图2，包括以下步骤：

步骤A：首先为CSI交换进行位分区，计算出最优的位分区；

本发明中为CSI的交换进行位分区以找到最佳的位分区，主要取决于信道统计量{l_k,R_k}以及量化器Q_kj。先将用户k的操作SLNR定义为：

其中α>0为正则化参数，

是基于不完全

的预编码器。

虚拟SLNR的定义：给出了位分区{b_kj}，b_kj表示的是用户k把CSI发送给用户j所用的比特数，如果存在一个D2D量化器Q({b_kj})和一列预编码码本

例如

Γ_k是可获得的，则虚拟

就是可获得的这个SLNRΓ_k的上确界。

虚拟

是CSI交换的重要标志。实现最优位分区就是使得虚拟SLNR最大化的位分区，具体的最优化问题表达式如下：

在目标函数中的对数函数是为了实现用户之间的比例平衡,其中B_tot表示用于CSI交换的总比特数，在上面表达式子中的虚拟

很难准确表述，所以选择使用它的下界。对于足够大的b_kj，虚拟

的下界是

证明如下：

其中

是在连续域中获得的SLNR预编码器，

且

是ZF预编码矩阵

的第k列。对于足够大的b_kj，失真率协方差Q_kj满足

U_j是包含R_k的主特征向量的矩阵，U_kj是包含

的主特征向量的矩阵。所以最优位分区问题就被重新表述为使得虚拟SLNR下界最大的最优化问题，将虚拟SLNR的下界带入之前的最优化问题中进行变形，其中

其中

原最优化问题目标函数是使得上面(1)式最大，其实就是使得(2)式的第二项最小化，所以该最优化问题最终变形如下：

显然该最优化问题是一个凸优化，解这个最优化问题计算出最优位分区。令x_k＝(x_1k,x_2k,...,x_k-1,k,x_k+1,k,...,x_Kk)^T，ω_k＝(ω_1k,ω_2k,...,ω_k-1,k,ω_k+1,k,...,ω_Kk)为各有K-1项的两个向量。根据最优位分区定理，最优解为b_jk＝[-M_jklog₂x_jk]⁺，其中[x]⁺＝max{0,x}，M_jk是用户k和j之间干扰子空间的维数，x_jk是向量x_k的一项，

这其中

系数μ是一个选自

非负变量，1是一个K-1维列向量，所有项值均为1。

步骤B：接着根据最优位分区进行CSI交换。每个用户k用一个量化器Q_kj通过D2D链路用b_kjbits将量化的信道信息分享给用户j。经过CSI交换之后，每个用户k可以得知不完全的全局CSI信息

根据前面所得到的最优位分区进行CSI交换。每个用户k用一个量化器Q_kj来通过D2D链路用b_kjbits将量化的信道信息分享给用户j。经过CSI交换之后，每个用户k可以得知不完全的全局

本发明所提出的CSI交换方案包含两步：

第一步，先进行子空间投影。

用户k的信道改写为

其中

可以被写为

它是处于用户k和用户j的信号子空间的重叠处的h_k的一部分，而

表示和这个重叠子空间正交，然后进行子空间投影，结合预编码码本结构，可以得到预编码器

位于由U_j跨越的子空间中，所以可以很确定

则没有必要把

发送给用户j。为了把信道h_k共享给用户j，用户k先计算出部分信道

其中U_j是一个

的矩阵，该矩阵包含用户j的协方差矩阵R_j的

个特征向量。接着将计算出的部分信道

用一个量化器Q_kj量化成

最后再发送给用户j，用户j获得来自用户k的信道表示为

这里的量化误差

被假定为零均值并和

不相关。

第二步，设计用户间通过D2D进行交换CSI使用的量化器。

设计量化器Q_kj有很多技巧。例如，对于b_kj较小的情况，可以使用基于码本的矢量量化技术。因为在通过D2D进行CSI交换的场景中，比较容易扩展到b_kj中等或者很大的情况，所以在这里选择熵编码的标量量化来进行细化。首先用Karhunen-Loeve Transform(KLT)去相关性，令

作为部分信道

的协方差矩阵，接着做G_kj特征分解，

是对角阵，其中包含G_kj的特征值

的KLT为

这里有一个维度限制，当用户k和用户j仅部分重叠时，

接着设计量化器量化

的每个元素，同时用无损码在量化器输出端进行解码，最终在用户j收到的用户k的信道为

步骤C：最后进行预编码。用户k根据之前得到的不完全的全局CSI信息

计算出使得用户k的预期SLNR最大化的预编码器

然后用户k把

发送给基站BS，完成CSI的反馈工作。

在通过D2D交换CSI之后，用户k得知不完全的全局

之后，先计算出预编码器

然后把得到预编码器

反馈给基站BS。

在传统的CSI反馈方案中，CSI用于信号增强和干扰抑制，而在本发明所提出的预编码器反馈方案中，用户之间交换的CSI仅用于干扰减轻。本发明中使用的码本为：

其中ξ_i是随机向量，遵循复高斯分布CN(0,I)。在获得不完整的全局

的情况下，用户k使用预编码器

时的SLNR表示为

其中α＝K/P，由Jesens不等式E{f(x)}≥f(E(x))用于凸函数f(x)＝1/(x+α)，以及

和

其中

是通过D2D交换CSI的误差协方差。

最终本发明选择使用SLNR预编码，因为首先SLNR预编码可以以分布方式进行计算，其次，SLNR预编码已被证明在Massive MIMO系统中从低到高信噪比(SNR)实现良好的性能，特别是SLNR预编码与最小均方误差之间存在很强的关系。本发明提出选择一个使得用户k的SLNR预期下界最大预编码向量

具体问题表示如下：

每个用户k计算出各自的预编码向量

之后反馈给基站BS。

本发明提出的基于D2D的CSI反馈方法，在每个D2D链路上得到最优位分区后进行CSI交换，然后在用户端进行预编码，并将经预编码处理后的信息反馈给基站BS端，可显著提高CSI反馈效率。

实施例

为了验证本发明方法的CSI反馈效率，针对本发明提出的基于D2D的CSI反馈方法与传统CSI反馈方法的效率进行仿真实验。本发明采用的仿真实验具体实验条件为：一个单小区下行FDD Massive MIMO，在基站端有60根天线，系统中有2个UE，2个UE离基站BS有60m。

图3显示的是在总发射功率P＝20dB的情形下，频带利用率和UE2的额外阻塞的关系。此时2个UE彼此靠近(例如一个UE在门外一个在门内)，它们分享相同的信道子空间，但是UE2因为额外的阻塞会遭受很大的路径损耗，所以UE1的路径损耗归一化为1，UE2的路径损耗等于阻塞。从图3可以看出，随着UE2的阻塞越大，系统频带利用率呈递减趋势，但本发明方法提出的基于D2D的CSI反馈方法性能明显优于传统CSI反馈方法。

图4显示的是频带利用率和总发射功率的关系。假设此时2个UE有相同的路径损耗(归一化为1)，但是它们相距较远(例如本实施例中设定两者之间距离10m)，同时又离基站BS有60m，此时它们就因角度的局限有不同信号子空间。从图4可以看出，随着总发射功率越大，系统频带利用率呈递增趋势，显然本发明方法提出的基于D2D的CSI反馈方法性能明显优于传统CSI反馈方法。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (2)

1.一种FDD Massive MIMO网络中基于D2D的CSI反馈方法，其特征是，包括以下步骤：

步骤A，为CSI交换进行位分区，计算出最优的位分区；

步骤B，根据最优位分区进行CSI交换；

步骤C，CSI交换完成后，计算出预编码器发送给基站BS，完成CSI的反馈；

步骤A中，最优的位分区就是使得虚拟SLNR最大化的位分区；

虚拟SLNR的定义：给出了位分区{b_kj}，如果存在一个D2D量化器Q({b_kj})和一列预编码码本

例如

Γ_k是可获得的，则虚拟SLNR

就是可获得的这个SLNRΓ_k的上确界；

计算最优的位分区的具体过程包括：

虚拟SLNR最大化的位分区，此最优化问题表达式如下：

最优位分区问题就被重新表述为使得虚拟SLNR下界最大的最优化问题，将虚拟SLNR的下界带入之前的最优化问题中进行变形，其中

其中

原最优化问题目标函数是使得上面(1)式最大，其实就是使得(2)式的第二项最小化，所以该最优化问题最终变形如下：

步骤B中，根据最优位分区进行CSI交换的具体过程包括：

为了把信道h_k共享给用户j，用户k先计算出部分信道

其中U_j是一个

的矩阵，该矩阵包含用户j的协方差矩阵R_j的

个特征向量；接着将计算出的部分信道

用一个量化器Q_kj量化成

最后再发送给用户j，用户j获得来自用户k的信道表示为

用户间通过D2D进行交换CSI使用的量化器的计算过程为：

令

作为部分信道

的协方差矩阵，接着做G_kj特征分解，

是对角阵，其中包含G_kj的特征值

的KLT为

这里有一个维度限制，当用户k和用户j仅部分重叠时，

接着设计量化器量化

的每个元素，同时用无损码在量化器输出端进行解码，最终在用户j收到的用户k的信道为

2.根据权利要求1所述的一种FDD Massive MIMO网络中基于D2D的CSI反馈方法，其特征是，步骤C中，计算预编码器的具体过程为：

选择一个预编码向量

使得用户k的SLNR预期下界最大，具体问题表示如下：

每个用户k计算出各自的预编码向量

之后反馈给基站BS。

Images