CN108667493A - 一种面向大规模mimo中nlos场景下的波束赋形方法 - Google Patents

Abstract

本发明属于通信技术领域，公开了一种面向大规模MIMO中NLOS场景下的波束赋形方法，在基站侧获得信道估计矩阵；将信道估计矩阵做自相关得到空间相关矩阵；根据最大接收信噪比准则构造优化问题；等效最小化优化问题；求解最优权向量；最大值归一化；与垂直方向天线权值克罗内克积；与发送数据相乘。本发明具有对信道时变特性敏感度低，抗非视距NLOS的能力强，算法复杂度低，实现简单的优点，本发明最终很好的提高了期望用户的接收功率。本发明解决了现有技术的波束赋形方法抵抗信道时变性能力较弱，多径情况下无法有效提升期望用户接收功率，算法复杂度高的问题。

Description

一种面向大规模MIMO中NLOS场景下的波束赋形方法

技术领域

本发明属于通信技术领域，尤其涉及一种面向大规模MIMO中NLOS场景下的波束赋形方法。

背景技术

目前，业内常用的现有技术是这样的：

经过近几十年的飞速发展，小型移动通信设备的普及,与物联网相关的性能变化以及多媒体等数据业务需求呈现爆发式增长，移动无线通信的流量显著增长，面向这样的需求，长期演进(LTE)以及LTE-A在不久的将来将无法满足，因此第五代(5G)移动通信系统预计将在2020年实现，通过技术的演进和创新，5G可以通过充分利用一系列新兴的技术来满足未来广泛的数据业务及连接数的发展需求，并进一步提升用户体验。满足需求的有前景的技术包括大规模MIMO(Massive MIMO)波束赋形(BF)技术以及高密度基站(BS)部署，大规模MIMO波束赋形技术能够有效的提升数据信号的覆盖范围以及增加空间复用用户的数量，所以，设计有效的能够提升系统性能的大规模MIMO波束赋形算法成为近几年的研究热点。

在市区宏小区非视距(NLOS)场景中，由于大尺度衰落导致各径的路径损耗比较大，并且多径时延扩展也会提高，而传统的波束赋形方法一方面因为路径损耗比较大，在接收端没有办法有效地提升期望信号的接收功率，另一方面由于多径赋形导致能量过于分散，无法将能量更多的集中在主要的方向上，因此在5G系统该场景中设计有效的波束赋形算法，从而提高系统功率增益，是急需解决的问题。王博等人在其发表的论文“非视距NLOS场景下的宽带无线通信系统(数字通信世界,2017:56-57.)”中提出了非视距NLOS会带来的挑战，并且指出了大规模MIMO波束赋形技术是对抗非视距NLOS的技术手段之一。陈明佳等人在其发表的论文“TD-HSPA+MU-MIMO系统迫零波束赋形算法研究(数据通信,2010:25-28.)”中提出了一种适用于多径衰落信道的迫零(ZF)波束赋形算法。该论文的波束赋形算法是在发送端完全已知信道状态信息的情况下，简便的使用整个信道的伪逆矩阵作为发送端的加权向量，并对各个加权向量归一化以满足功率约束。ZF算法能够消除各信道之间的干扰，并且整个信道等效成多个独立并行的增益为1的信道。该算法虽然能使其他天线的干扰为零，但是却存在着放大背景噪声的缺点，在低信噪比的时候性能较差，并且在多径信道场景中也无法完全获知每一条径的信道状态信息。Emil Bjornson等人在其发表的论文“Optimal Multiuser Transmit Beamforming:A Difficult Problem with a SimpleSolution Structure(IEEE Signal.Proc.Mag,2014:142-148.)”中提出了一种基于最强路径准则的共轭归一波束赋形方法(MRT)。该论文指出，对于采用与UE侧单天线发射一致的处理方式，可以把对应的信道估计矢量的共轭转置并归一化作为波束赋形矢量，当不考虑无线信道的时变特性时，那么对应的天线在下行接收时能够使得接收功率最大化。该算法虽然能在低信噪比时最大化信号功率，但是在高信噪比时却不能有效地抑制信号之间的相互干扰，另外在实际系统应用中，无线信道必然会存在时变，利用该算法同样会影响接收信号的性能。此外，Liang Zhang等人在其发表的论文“An Eigendecomposition-BasedApproach to Blind Beamforming in a Multipath Environment(IEEE CommunicationsLetters,2017:322-325)”中提出了一种多径场景中基于特征值分解的波束赋形算法(EBB)。该论文的赋形方法在已知信道估计空间相关矩阵的前提下，求得其最大特征值对应的特征向量即为最优权向量，其综合考虑了最大化期望用户接收功率以及干扰信号功率的最小化。EBB算法的优势在于不需要获知瞬时的信道状态信息，只需要已知信道估计空间的相关矩阵就可以进行波束赋形设计，除此以外，也不需要知道具体各径的角度信息，工程上实现也较为简单。但是对于NLOS非视距场景，由于各径的能量过于分散，EBB算法求得的权值就不能保证是最优的，所以也无法有效地提升期望用户的接收功率。

综上所述，现有技术存在的问题是：

(1)现有技术中，对于NLOS非视距场景，由于各径的能量过于分散，EBB算法求得的权值就不能保证是最优的，所以也无法有效地提升期望用户的接收功率；

(2)现有技术不能实现单用户大规模MIMO系统在非视距NLOS场景下的波束赋形，不能提高期望用户的接收功率。

(3)现有技术更多的适用于视距LOS场景，针对NLOS非视距场景的波束赋形研究比较少；

(4)现有技术中的ZF算法与MRT算法需要实时地获知每一条径的信道信息，但是在多径信道场景中无法完全获知每一条径的信道状态信息

(5)现有技术中的ZF算法与MRT算法对无线信道时变性的敏感度较高，在实际系统应用中可能会影响系统的性能。

解决上述技术问题的难度和意义：

解决上述问题的难度在于，现有技术对无线信道时变性的敏感度比较高，如果不考虑无线信道的时变性将会在实际系统中影响系统的性能。此外，由于非视距NLOS场景中存在着多个散射体，会导致存在着多条路径到达接收端的情况出现，而另一方面由于路径损耗，使得到达接收端的各径功率都会比较低，现有的波束赋形算法在NLOS场景中得到权值不一定是最优的，也没有办法在各径功率较低的情况下有效地提升期望用户的接收功率。

本发明解决上述问题后，可以弥补大规模MIMO波束赋形在非视距NLOS场景中应用的空白，能够降低波束赋形算法对无线信道时变性的敏感度，能够做到不需要完全获知每一条径的状态信息，也能够得到在NLOS场景中最优的波束赋形权值，有效提升期望用户的接收功率。

发明内容

针对现有技术存在的问题，本发明提供了一种面向大规模MIMO中NLOS场景下的波束赋形方法。本发明具体涉及无线通信技术领域中的波束赋形方法，还涉及一种基于大规模MIMO系统中NLOS场景下的下行链路波束赋形方法，本发明可实现提高NLOS场景下用户数据信号的覆盖范围。

本发明是这样实现的，一种面向大规模MIMO中NLOS场景下的波束赋形方法，包括：

首先在基站侧利用低代价的信道估计算法得到期望用户上行信道的估计矩阵，再根据时分双工系统中的信道互易性得到信道的空间相关矩阵；

接着，得到信道空间相关矩阵之后，根据最大化接收信噪比准则构造优化问题；将构造得的优化问题转变为等效的最小化优化问题，并利用加权最小均方误差算法对其进行求解；求解之后判决是否满足条件，不满足则继续迭代；满足则输出最优权值；最终将得到的最优权值与给定的垂直方向的天线权值进行克罗内克相乘，得到整个平面天线阵列的最优波束赋形权值；

最后，将能量集中在求得的主波束方向。

进一步，所述面向大规模MIMO中NLOS场景下的波束赋形方法具体包括：

1)在基站侧获得信道估计矩阵：

在基站侧利用低代价的信道估计算法得到期望用户上行信道的估计矩阵；

2)将信道估计矩阵做自相关得到空间相关矩阵：

在得到上行的信道估计矩阵之后，将信道估计矩阵做自相关得到估计信道的空间相关矩阵；

3)根据最大接收信噪比准则构造优化问题：

按照最大接收信噪比准则，得到优化问题及其等效问题：

其中，w是波束赋形权值，R_ss是信道的空间相关矩阵，则是信号噪声功率；

4)等效最小化优化问题：

根据加权最小均方误差算法，将步骤3)中的问题等效成以下优化问题：

其中，θ是加权因子，而在θ＝1/x的时候取得最小值，因此θ_opt＝1/g(w,u)，其中，g(w,u)是构造的代价函数，具体表示为w是波束赋形权值，R是信道的空间相关矩阵，是信号噪声功率，u为变量；得到在给定一个初始的波束赋形权值之后，得到最优的{u,θ}，再代入等效的最小化优化问题中，利用拉格朗日对偶性求出最优的波束赋形权值向量；

5)求解最优权向量；

6)最大值归一化：对求得的最优波束赋形权值向量进行最大值归一，得到最大值归一化后的最优权值向量w_opt；

7)得到面阵最优权值向量：将得到的水平方向数据窄波束天线系数w_opt与垂直方向给定的波束天线权值做克罗内克积得到整个平面的最优天线权值系数；

8)波束赋形权值向量与发送数据相乘：将天线要发送的数据与波束赋形权值向量相乘，进行发送端下行链路波束赋形的发送。

进一步，步骤2)中所述的求统计意义下信道的自相关矩阵包括：

先求多个子载波信道频率响应的平均，然后再求平均信道频率响应的自相关矩阵；

或先求一个子载波信道频率响应的自相关矩阵，然后将多个子载波对应的自相关矩阵进行求平均操作。

进一步，步骤5)求解最优权向量，包括：

(a)给定一个初始的波束赋形权值向量w；

(b)在已知信道空间相关矩阵，信号噪声功率以及初始波束赋形权值向量的前提下求得最优的中间变量值

(c)根据加权最小均方误差算法求得最优的加权因子为θ_opt＝1/g(w,u)，其中

(d)在已知中间变量值以及加权因子的前提下，利用拉格朗日对偶性求出最优的波束赋形权值向量w＝(θu^HuR+λI)^-1R^1/2uθ，其中λ为满足功率限制而设定的一个因子；

(e)判决是否超过给定的迭代次数要求或者满足连续两次迭代求得的波束赋形权值向量之间的差值小于给定的值；超过迭代次数，则直接输出最优权值；没有超过迭代次数但是两次迭代得到的最优权值之间的差值小于给定的值；同样输出最优权值向量，其他情况将求得的权值代回到(b)继续迭代；

进一步，步骤(d)中所述的求解最优波束赋形权值向量包括：采用拉格朗日对偶性并与KKT条件结合求得的最优解。

本发明的另一目的在于提供一种利用所述面向大规模MIMO中NLOS场景下的波束赋形方法的面向5G中NLOS场景下的波束赋形通讯系统。

步骤3)中所述的构造优化问题是指，针对单用户而言的最大化信噪比准则。

步骤3)中所述的构造优化问题是指，针对多用户而言，则是最大化信干噪比准则。

步骤4)中所述的等效成凸问题是指，不论是针对单用户的最大化信噪比准则还是针对多用户的最大化信干噪比准则，都可以等效成该步骤中的凸优化问题。

步骤(a)中所述的求解最优化问题中的初始波束赋形向量是指，任意满足功率限制条件的与优化目标维度一致的向量。

步骤(d)中所述的求解最优波束赋形权值向量是指，采用拉格朗日对偶性并与KKT条件结合求得的最优解。

综上所述，本发明的优点及积极效果为：

本发明首先在基站侧利用低代价的信道估计算法得到期望用户上行信道的估计矩阵，再根据时分双工(TDD)系统中的信道互易性得到信道的空间相关矩阵；得到信道空间相关矩阵之后，根据最大化接收信噪比准则构造优化问题；将构造得的优化问题转变为等效的最小化优化问题，并利用加权最小均方误差算法对其进行求解；求解之后判决是否满足条件，如果不满足就继续迭代，如果满足则输出最优权值；最终将得到的最优权值与给定的垂直方向的天线权值进行克罗内克相乘，从而得到整个平面天线阵列的最优波束赋形权值；最终，将能量集中在求得的主波束方向，从方向图来看，本发明提出的算法的幅度比已有算法提高了0.5，并且主要的旁瓣幅度降低了0.3，从系统性能图来看，本发明提出的算法提高了期望用户接收信噪比1.5dB，因此能够有效地提高期望用户的接收功率。本发明与现有技术对比，技术效果如下表所示：

本发明与现有技术相比还具有以下优点：

第一，由于本发明在计算信道的空间相关矩阵中，利用了具有统计意义的信道估计矩阵，不需要获知瞬时信道信息，克服了现有技术中的波束赋形方法受信道时变特性影响严重的缺点，使得本发明具有更符合实际通信要求的波束赋形性能，另外也不需要获知信道的角度信息，所以在工程实现上要比现有算法简单很多。

第二，由于本发明在利用最大化接收信噪比准则进行的波束赋形设计，求得的最优波束赋形权值向量使信号的信噪比提升了1.5dB，克服了现有技术在NLOS场景下多径波束赋形能量分散的缺点，使得本发明可以在NLOS场景中有效地提升期望用户的接收功率。

第三，由于本发明在对求最优权向量过程的迭代中，只通过三次求最优值的步骤进行求解，并且与已有方法相比，不存类似于下降梯度法中对函数的求导操作，极大地简化了算法复杂度，另一方面，收敛到极值点所需的迭代次数比现有方法要少很多，克服了现有技术的波束赋形方法实现复杂，算法复杂度高的缺点，使得本发明具有算法复杂度低，实现简单的优点。

本发明在期望方向能够获得比现有方法更高的幅度增益，增益值为0.6dB，与现有技术的波束赋形方法相比，旁瓣的干扰也有一定的降低，由此可见，本发明的加权最小均方误差波束赋形方法与现有技术的波束赋形方法相比，在发送信号能量集中方面有明显提升。

本发明在误比特率为10^-3时，需要信道中信号的信噪比为2.6db，与现有技术的波束赋形方法相比，有接近1.5dB的误比特率增益，由此可见，本发明的加权最小均方误差波束赋形方法与现有技术的波束赋形方法相比，能够有效的提升期望信号的接收功率。

附图说明

图1是本发明实施例提供的面向大规模MIMO中NLOS场景下的波束赋形方法流程图。

图2是本发明与现有波束赋形方法的方向图的对比图。

图3是本发明与现有波束赋形方法的误比特率性能的对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

现有技术中，对于NLOS非视距场景，由于各径的能量过于分散，EBB算法求得的权值就不能保证是最优的，所以也无法有效地提升期望用户的接收功率；

现有技术不能实现单用户大规模MIMO系统在非视距NLOS场景下的波束赋形，不能提高期望用户的接收功率。

本发明解决了现有技术的波束赋形方法抵抗信道时变性能力较弱，多径情况下无法有效提升期望用户接收功率，算法复杂度高的问题。本发明实现方法的步骤：在基站侧获得信道估计矩阵；将信道估计矩阵做自相关得到空间相关矩阵；根据最大接收信噪比准则构造优化问题；等效最小化优化问题；求解最优权向量；最大值归一化；与垂直方向天线权值克罗内克积；与发送数据相乘。本发明具有对信道时变特性敏感度低，抗非视距NLOS的能力强，算法复杂度低，实现简单的优点，本发明最终很好的提高了期望用户的接收功率。

如图1所示，本发明实施例提供的面向5G中NLOS场景下的波束赋形方法，包括：

步骤1，在基站侧获得信道估计矩阵。

在基站侧可以利用低代价的信道估计算法得到期望用户上行信道的估计矩阵。因为信道是连续变化的，但是在一个资源块中的变化是有限的，所以对一个资源块中多个子信道求平均就能得到统计意义下的信道估计矩阵。

步骤2，自相关得到空间相关矩阵。

在得到统计意义下的信道估计矩阵之后，将其做自相关就能得到估计信道的空间相关矩阵。

所述的得到估计信道的相关矩阵是指，对一个资源块中的信道取平均后再自相关或互相关，也可以先对估计的信道做自相关或者互相关，然后对一个资源块中的相关矩阵求统计平均。

步骤3，构造初步优化问题。

按照最大接收信噪比准则，我们可以得到如下优化问题及其等效问题：

其中，w是波束赋形权值，R_ss是信道的空间相关矩阵，则是信号噪声功率。因为两个优化问题之间只相差一个常数，所以这两个优化问题是等价的。

所述的等价优化问题是为了后面步骤中将问题转变为凸优化问题而做的形式上的改变，在最优解上是相一致的。

步骤4，等效成凸优化问题。

根据加权最小均方误差算法，可以将(3)中的问题等效成以下优化问题：

其中，θ是加权因子，而在θ＝1/x的时候取得最小值，因此θ_opt＝1/g(w,u)，该式中的g(w,u)是构造的代价函数，具体可以将其表示为该式中的w是波束赋形权值，R是信道的空间相关矩阵，是信号噪声功率，u为变量，因此明显可以得到所以在给定一个初始的波束赋形权值之后，就可以得到最优的{u,θ}，再代入等效的最小化优化问题中，利用拉格朗日对偶性就可以求出最优的波束赋形权值向量。

所述的优化问题的转换，是因为代价函数在取得最小值时，刚好等价于原优化问题取得最大值的倒数，而加权因子θ的最优值又始终为代价函数的倒数，也就是说，原优化问题的最大化问题可以转换成现在的最小化问题，这样就能够用凸优化算法进行求解。

步骤5，求解最优权向量。

(5a)给定一个初始的波束赋形权值向量w₀；

(5b)在已知信道空间相关矩阵，信号噪声功率以及初始波束赋形权值向量的前提下可以求得最优的中间变量值

(5c)根据加权最小均方误差算法求得最优的加权因子为θ_opt＝1/g(w,u)，其中

(5d)在已知中间变量值以及加权因子的前提下，利用拉格朗日对偶性求出最优的波束赋形权值向量w＝(θu^HuR+λI)^-1R^1/2uθ，其中λ是为了满足功率限制而设定的一个因子；

(5e)判决是否超过给定的迭代次数要求或者满足连续两次迭代求得的波束赋形权值向量之间的差值小于给定的值；如果超过迭代次数，则直接输出最优权值，如果没有超过迭代次数但是两次迭代得到的最优权值之间的差值小于给定的值，同样输出最优权值向量，其他情况将求得的权值代回到(5b)继续迭代。

所述的初始波束赋形权值是可以取任意数值的，一般取与优化目标维度一致的零向量。所述的迭代次数一般至少取二十次，不然不一定能保证收敛到最优点。所述的给定的差值一般是一个很小的小数，用于判决求得的解是否已经最优。

步骤6，最大值归一准则归一。

由于需要保证每根天线的输出功率不超过1，那么需要对求得的最优波束赋形权值向量进行最大值归一，这样可以得到最大值归一化后的最优权值向量w_opt；

步骤7，与垂直方向天线权值克罗内克积。

将得到的水平方向数据窄波束天线系数w_opt与垂直方向给定的波束天线权值做克罗内克积得到整个平面的最优天线权值系数；

所述的垂直方法天线权值一般设置为全一矩阵，因为本方法中波束赋形设计主要针对水平维度，垂直维度没有考虑，但是利用本发明也可以比较容易的拓展到联合水平垂直维度的波束赋形设计。

步骤8，与发送数据相乘。

将天线要发送的数据与波束赋形权值向量相乘，这样就完成了发送端下行链路波束赋形的所有步骤。

所述的发送数据是指伪随机序列经过turbo编码器或者其他编码器编码后的数据，也可以泛指发送端需要发送的数据。

下面通过本发明的仿真实验对本发明的效果做进一步说明。

1.仿真条件：

本发明的仿真实验使用Matlab R2014a仿真软件，基站天线阵列为64×2的双极化面阵天线阵列，天线间距为0.5倍的波长，用户数目为1，用户天线数目为1，多径数目为6，各径功率损耗在-10dB以下，系统带宽为1.4MHz，系统编码采用turbo编码器，调制方式采用正交相移键控调制，傅里叶变换点数取128点，信道采用空间散射信道模型，解调方式采用正交相移键控解调。

2.仿真内容及其结果分析：

本发明的仿真实验是使用Matlab R2014a仿真软件进行仿真，通过对本发明的加权最小均方误差算法进行仿真可以得到两条曲线：波束赋形后的方向图曲线，系统传输误比特率曲线。将本发明的两条曲线与现有技术波束赋形算法的方向图曲线，系统传输误比特率曲线进行对比分析。

图2为仿真本发明提出的加权最小均方误差算法与现有算法的方向图对比曲线图。图2中的横轴表示方位角的角度，表示该点的方位角，范围为[-90°～90°]，纵轴表示幅度增益，单位为dB，表示该点的幅度的大小。图2中以实心点标志的曲线表示使用本发明提出的方法，加权最小均方误差波束赋形后，每个方位角的幅度值，以加号为标志的曲线表示现有方法，波束赋形后，每个方位角的幅度值。

由图2的仿真图可见，本发明在期望方向能够获得比现有方法更高的幅度增益，增益值为0.6dB，与现有技术的波束赋形方法相比，旁瓣的干扰也有一定的降低，由此可见，本发明的加权最小均方误差波束赋形方法与现有技术的波束赋形方法相比，在发送信号能量集中方面有明显提升。

图3为仿真本发明和现有波束赋形技术对大规模MIMO系统进行收发数据，得到的误比特率曲线对比图。图3中的横轴表示信噪比，表示信道传输信号的信噪比，单位dB，纵轴表示误比特率，表示错误传输比特占总发送比特的比率。图3中以叉号标志的曲线表示使用本发明提出的方法，最小均方误差波束赋形方法得到的误比特率曲线，以星号为标志的曲线表示现有的EBB方法，对发送信号进行波束赋形得到的误比特率曲线，以加号为标志的曲线表示现有的ZF方法得到的误比特率曲线，以圆圈为标志的曲线表示现有的MRT方法得到的误比特率曲线。

由图3的仿真图可见，本发明在误比特率为10^-3时，需要信道中信号的信噪比为2.6db，与现有技术的波束赋形方法相比，有接近1.5dB的误比特率增益，由此可见，本发明的加权最小均方误差波束赋形方法与现有技术的波束赋形方法相比，能够有效的提升期望信号的接收功率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种面向大规模MIMO中NLOS场景下的波束赋形方法，其特征在于，所述面向大规模MIMO中NLOS场景下的波束赋形方法包括：

首先在基站侧利用低代价的信道估计算法得到期望用户上行信道的估计矩阵，再根据时分双工系统中的信道互易性得到信道的空间相关矩阵；

接着，得到信道空间相关矩阵之后，根据最大化接收信噪比准则构造优化问题；将构造得的优化问题转变为等效的最小化优化问题，并利用加权最小均方误差算法对其进行求解；求解之后判决是否满足条件，不满足则继续迭代；满足则输出最优权值；最终将得到的最优权值与给定的垂直方向的天线权值进行克罗内克相乘，得到整个平面天线阵列的最优波束赋形权值；

最后，将能量集中在求得的主波束方向。

2.如权利要求1所述的面向大规模MIMO中NLOS场景下的波束赋形方法，其特征在于，所述面向大规模MIMO中NLOS场景下的波束赋形方法具体包括：

1)在基站侧获得信道估计矩阵：

在基站侧利用低代价的信道估计算法得到期望用户上行信道的估计矩阵；

2)将信道估计矩阵做自相关得到空间相关矩阵：

在得到上行的信道估计矩阵之后，将信道估计矩阵做自相关得到估计信道的空间相关矩阵；

3)根据最大接收信噪比准则构造优化问题：

按照最大接收信噪比准则，得到优化问题及其等效问题：

其中，w是波束赋形权值，R_ss是信道的空间相关矩阵，则是信号噪声功率；

4)等效最小化优化问题：

根据加权最小均方误差算法，将步骤3)中的问题等效成以下优化问题：

其中，θ是加权因子，而在θ＝1/x的时候取得最小值，因此θ_opt＝1/g(w,u)，其中，g(w,u)是构造的代价函数，具体表示为w是波束赋形权值，R是信道的空间相关矩阵，是信号噪声功率，u为变量；得到在给定一个初始的波束赋形权值之后，得到最优的{u,θ}，再代入等效的最小化优化问题中，利用拉格朗日对偶性求出最优的波束赋形权值向量；

5)求解最优权向量；

6)最大值归一化：对求得的最优波束赋形权值向量进行最大值归一，得到最大值归一化后的最优权值向量w_opt；

7)得到面阵最优权值向量：将得到的水平方向数据窄波束天线系数w_opt与垂直方向给定的波束天线权值做克罗内克积得到整个平面的最优天线权值系数；

8)波束赋形权值向量与发送数据相乘：将天线要发送的数据与波束赋形权值向量相乘，进行发送端下行链路波束赋形的发送。

3.如权利要求1所述的面向大规模MIMO中NLOS场景下的波束赋形方法，其特征在于，

步骤2)中所述的求上行信道的自相关矩阵包括：

先求多个子载波信道频率响应的平均，然后再求平均信道频率响应的自相关矩阵；

或先求一个子载波信道频率响应的自相关矩阵，然后将多个子载波对应的自相关矩阵进行求平均操作。

4.如权利要求1所述的面向大规模MIMO中NLOS场景下的波束赋形方法，其特征在于，

步骤5)求解最优权向量，包括：

(a)给定一个初始的波束赋形权值向量w；

(b)在已知信道空间相关矩阵，信号噪声功率以及初始波束赋形权值向量的前提下求得最优的中间变量值

(c)根据加权最小均方误差算法求得最优的加权因子为θ_opt＝1/g(w,u)，其中

(d)在已知中间变量值以及加权因子的前提下，利用拉格朗日对偶性求出最优的波束赋形权值向量w＝(θu^HuR+λI)^-1R^1/2uθ，其中λ为满足功率限制而设定的一个因子；

(e)判决是否超过给定的迭代次数要求或者满足连续两次迭代求得的波束赋形权值向量之间的差值小于给定的值；超过迭代次数，则直接输出最优权值；没有超过迭代次数但是两次迭代得到的最优权值之间的差值小于给定的值；同样输出最优权值向量，其他情况将求得的权值代回到(b)继续迭代。

5.如权利要求4所述的面向大规模MIMO中NLOS场景下的波束赋形方法，其特征在于，步骤(d)中所述的求解最优波束赋形权值向量包括：采用拉格朗日对偶性并与KKT条件结合求得的最优解。

6.一种利用权利要求1所述面向大规模MIMO中NLOS场景下的波束赋形方法的面向大规模MIMO中NLOS场景下的波束赋形通讯系统。