一种干扰抑制方法和装置
技术领域
本发明涉及通信领域,尤其涉及一种干扰抑制方法和装置。
背景技术
超密集组网技术通过在热点区域大规模部署低功率接入点可以有效提升网络容量,扩展网络覆盖范围,已成为5G(the fifith generation mobile network,第五代移动通信)的关键技术之一。超密集组网通过降低基站与终端用户间的路径损耗提升了网络吞吐量,在增大有效接收信号的同时也放大了干扰信号,同时,不同发射频率的低功率接入点与宏基站重叠部署,小区密度的急剧增加使得干扰变得异常复杂。如何有效进行干扰消除、干扰协调,成为未来超密集组网场景下需要重点考虑的问题。
在UDN(ultra-dense network,超密集网络)的场景下,接入点部署密集,传统的波束成形算法在天线和小区用户数目上严格限制,无法适用于的用户和基站密集化分布的场景。可见,现有技术中存在如下技术问题:在超密集网络中,接入点的密集部署使得小区间干扰变得更加严重。传统干扰管理方法利用小区分簇技术和频率复用技术可有效消除簇间干扰,但是簇内干扰仍然严重。
发明内容
本发明实施例通过提供一种干扰抑制方法和装置,用于解决现有技术中存在的在超密集网络中,接入点的密集部署使得小区间干扰严重的技术问题。
一方面,本发明一实施例提供了一种干扰抑制方法,应用于超密集网络,所述方法包括:
基于所述超密集网络中各基站的分布位置和所述各基站间的干扰信息,获得S个初始子簇,其中,每个初始子簇包括至少一个基站,S为大于等于2的整数;
利用Chameleon算法对所述S个初始子簇进行并簇,获得M个最终子簇,其中,每个最终子簇包括至少一个初始子簇,M为大于等于1的整数;
利用迫零波束成形方法,对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形,抑制所述M个最终子簇中的每个最终子簇中的各基站的发射信号之间的干扰。
可选的,所述基于Chameleon算法对所述S个初始子簇进行并簇,获得M个最终子簇,包括:
基于所述超密集网络中各基站间的相对距离,利用Chameleon算法中的相对互联度函数计算一个单位中的两个相邻初始子簇间的相对互联度,其中,所述S个初始子簇中以两个相邻初始子簇为一个所述单位;
基于所述超密集网络中各基站间的干扰信息,利用Chameleon算法中的相对近似度函数计算一个所述单位中两个相邻初始子簇间的相对近似度;
基于所述相对互联度和所述相对近似度,计算一个所述单位中两个相邻初始子簇间相似度;
基于所述相似度对所述S个初始子簇进行并簇,获得M个最终子簇。
可选的,在所述基于所述超密集网络中各基站间的相对距离,利用Chameleon算法中的相对互联度函数计算一个单位中的两个相邻初始子簇间的相对互联度之前,所述方法包括:
获得所述超密集网络中各基站间的相对距离,所述各基站间的相对距离的计算规则如下:
其中,所述dk p为所述S个初始子簇中初始子簇p中第i个基站与第j个基站间的距离,dk q为所述S个初始子簇中初始子簇q中第i个基站与第j个基站间的距离,dk p,q为所述初始子簇p中的第i*个基站和所述初始子簇q中的第j*个基站之间的距离,xp,i为所述初始子簇p中第i个基站的横坐标,xp,j为所述初始子簇p中第j个基站的横坐标,yp,i为所述初始子簇p中第i个基站的纵坐标,yp,j为所述初始子簇p中第j个基站的纵坐标,xq,i为所述初始子簇q中第i个基站的横坐标,xq,j为所述初始子簇q中第j个基站的横坐标,yq,i为所述初始子簇q中第i个基站的纵坐标,yq,j为所述初始子簇q中第j个基站的纵坐标,其中,k,p,q,i*,j*,i,j均为大于等于1的整数,i不等于j。
可选的,所述基于所述超密集网络中各基站间的相对距离,利用Chameleon算法中的相对互联度函数计算一个单位中的两个相邻初始子簇间的相对互联度,所述相对互联度的计算规则是:
其中,所述RI(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相对互联度,EC(CLp)为所述初始子簇p内各基站间距离的权重的总和,EC(CLq)为所述初始子簇q内各基站间距离的权重的总和,EC(CLp,CLq)为所述初始子簇p和所述初始子簇q的内部互联度函数;EC(CLp)、EC(CLq)和EC(CLp,CLq)的计算规则如下:
可选的,在所述基于所述超密集网络中各基站间的干扰信息,利用Chameleon算法中的相对近似度函数计算一个所述单位中两个相邻初始子簇间的相对近似度之前,所述方法还包括:
获得所述两个相邻初始子簇中各基站与所述两个相邻初始子簇中各基站对应的当前用户的信干噪比的第一集合;
对所述第一集合中的信干噪比进行累加求平均值,获得所述第一集合中的信干燥比的平均值;
如果所述平均值大于等于第一预设值,则基于所述超密集网络中各基站间的干扰信息,利用Chameleon算法中的相对近似度函数计算所述一个单位中的两个相邻初始子簇间的相对近似度。
可选的,所述方法还包括:
如果所述平均值小于所述第一预设值,则所述两个相邻初始子簇间的相对近似度为0。
可选的,所述基于所述超密集网络中各基站间的干扰信息,利用Chameleon算法中的相对近似度函数计算一个所述单位中两个相邻初始子簇间的相对近似度,所述相对近似度的计算规则是:
其中,RC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相对近似度,MEC(CLp)表示所述初始子簇p内的各个边的平均权重,MEC(CLq)表示所述初始子簇q内的各个边的平均权重,MEC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的内部近似度函数,RCp、RCq分别代表所述初始子簇p、q的归一化因子,|CLp|、|CLq|分别代表所述初始子簇p、q中的基站个数;MEC(CLp)、MEC(CLq)和MEC(CLp,CLq)的计算规则如下:
其中,
为所述初始子簇p内的各个边的权重值,所述初始子簇p内的各个边的权重值表征所述初始子簇p内各基站间的干扰信息;
为所述初始子簇q内的各个边的权重值,所述初始子簇q内的各个边的权重值表征所述初始子簇q内各基站间的干扰信息;
表示所述初始子簇p和所述初始子簇q之间的各个边的权重值,所述初始子簇p和所述初始子簇q之间的各个边的权重值表征所述初始子簇p中各基站和所述初始子簇q中各基站间的干扰信息;
表示所述初始子簇p内的边的个数,
表示所述初始子簇q内的边的个数,n表示所述初始子簇p和所述初始子簇q之间的边的个数。
可选的,所述基于所述相对互联度和所述相对近似度,计算一个所述单位中两个相邻初始子簇间相似度;
,其中,所述相似度的计算规则如下:
RIC(CLp,CLq)=RI(CLp,CLq)*RC(CLp,CLq)
其中,所述RIC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相似度。
可选的,所述利用迫零波束成形方法,对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形,包括:
利用迫零波束成形方法构造迫零波束成形矢量,利用所述迫零波束成形矢量对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形,其中,所述M个最终子簇中最终子簇m1中的基站Si发送到与其对应的用户i的发射信号的迫零波束成形矢量为:
其中,
其中,N
t表示最终子簇m1中的发射天线的个数,一个基站对应一个发射天线,N
r表示最终子簇m1对应的当前用户的个数,
表示所述基站S
i与其对应的用户i之间的信道矩阵,
表示对矩阵
的复共轭转置,
另一方面,本发明实施例提供了一种干扰抑制装置,应用于超密集网络,所述装置包括:
第一获得模块,用于基于所述超密集网络中各基站的分布位置和所述各基站间的干扰信息,获得S个初始子簇,其中,每个初始子簇包括至少一个基站,S为大于等于2的整数;
第二获得模块,用于利用Chameleon算法对所述S个初始子簇进行并簇,获得M个最终子簇,其中,每个最终子簇包括至少一个初始子簇,M为大于等于1的整数;
波束成形模块,用于利用迫零波束成形方法,对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形,抑制所述M个最终子簇中的每个最终子簇中的各基站的发射信号之间的干扰。
可选的,所述第二获得模块包括:
第一计算子模块,用于基于所述超密集网络中各基站间的相对距离,利用Chameleon算法中的相对互联度函数计算一个单位中的两个相邻初始子簇间的相对互联度,其中,所述S个初始子簇中以两个相邻初始子簇为一个所述单位;
第二计算子模块,用于基于所述超密集网络中各基站间的干扰信息,利用Chameleon算法中的相对近似度函数计算一个所述单位中两个相邻初始子簇间的相对近似度;
第三计算子模块,用于基于所述相对互联度和所述相对近似度,计算一个所述单位中两个相邻初始子簇间相似度;
第一获得子模块,用于基于所述相似度对所述S个初始子簇进行并簇,获得M个最终子簇。
可选的,所述装置还包括:
第三获得模块,用于在所述基于所述超密集网络中各基站间的相对距离,利用Chameleon算法中的相对互联度函数计算一个单位中的两个相邻初始子簇间的相对互联度之前,获得所述超密集网络中各基站间的相对距离,所述各基站间的相对距离的计算规则如下:
其中,所述dk p为所述S个初始子簇中初始子簇p中第i个基站与第j个基站间的距离,dk q为所述S个初始子簇中初始子簇q中第i个基站与第j个基站间的距离,dk p,q为所述初始子簇p中的第i*个基站和所述初始子簇q中的第j*个基站之间的距离,xp,i为所述初始子簇p中第i个基站的横坐标,xp,j为所述初始子簇p中第j个基站的横坐标,yp,i为所述初始子簇p中第i个基站的纵坐标,yp,j为所述初始子簇p中第j个基站的纵坐标,xq,i为所述初始子簇q中第i个基站的横坐标,xq,j为所述初始子簇q中第j个基站的横坐标,yq,i为所述初始子簇q中第i个基站的纵坐标,yq,j为所述初始子簇q中第j个基站的纵坐标,其中,k,p,q,i*,j*,i,j均为大于等于1的整数,i不等于j。
可选的,所述第一计算子模块计算所述相对互联度的计算规则是:
其中,所述RI(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相对互联度,EC(CLp)为所述初始子簇p内各基站间距离的权重的总和,EC(CLq)为所述初始子簇q内各基站间距离的权重的总和,EC(CLp,CLq)为所述初始子簇p和所述初始子簇q的内部互联度函数;EC(CLp)、EC(CLq)和EC(CLp,CLq)的计算规则如下:
可选的,所述装置还包括:
第四获得模块,用于在所述基于所述超密集网络中各基站间的干扰信息,利用Chameleon算法中的相对近似度函数计算一个所述单位中两个相邻初始子簇间的相对近似度之前,获得所述两个相邻初始子簇中各基站与所述两个相邻初始子簇中各基站对应的当前用户的信干噪比的第一集合;
第五获得模块,用于对所述第一集合中的信干噪比进行累加求平均值,获得所述第一集合中的信干燥比的平均值;
如果所述平均值大于等于第一预设值,则基于所述超密集网络中各基站间的干扰信息,利用Chameleon算法中的相对近似度函数计算所述一个单位中的两个相邻初始子簇间的相对近似度。
可选的,所述装置还包括:
如果所述平均值小于所述第一预设值,则所述两个相邻初始子簇间的相对近似度为0。
可选的,所述第二计算子模块计算所述相对近似度的计算规则是:
其中,RC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相对近似度,MEC(CLp)表示所述初始子簇p内的各个边的平均权重,MEC(CLq)表示所述初始子簇q内的各个边的平均权重,MEC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的内部近似度函数,RCp、RCq分别代表所述初始子簇p、q的归一化因子,|CLp|、|CLq|分别代表所述初始子簇p、q中的基站个数;MEC(CLp)、MEC(CLq)和MEC(CLp,CLq)的计算规则如下:
其中,
为所述初始子簇p内的各个边的权重值,所述初始子簇p内的各个边的权重值表征所述初始子簇p内各基站间的干扰信息;
为所述初始子簇q内的各个边的权重值,所述初始子簇q内的各个边的权重值表征所述初始子簇q内各基站间的干扰信息;
表示所述初始子簇p和所述初始子簇q之间的各个边的权重值,所述初始子簇p和所述初始子簇q之间的各个边的权重值表征所述初始子簇p中各基站和所述初始子簇q中各基站间的干扰信息;
表示所述初始子簇p内的边的个数,
表示所述初始子簇q内的边的个数,n表示所述初始子簇p和所述初始子簇q之间的边的个数。
可选的,所述第三计算子模块计算所述相似度的计算规则如下:
RIC(CLp,CLq)=RI(CLp,CLq)*RC(CLp,CLq)
其中,所述RIC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相似度。
可选的,所述波束成形模块,用于利用迫零波束成形方法构造迫零波束成形矢量,利用所述迫零波束成形矢量对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形,其中,所述M个最终子簇中最终子簇m1中的基站Si发送到与其对应的用户i的发射信号的迫零波束成形矢量为:
其中,
其中,N
t表示最终子簇m1中的发射天线的个数,一个基站对应一个发射天线,N
r表示最终子簇m1对应的当前用户的个数,
表示所述基站S
i与其对应的用户i之间的信道矩阵,
表示对矩阵
的复共轭转置,
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:针对超密集网络,利用基于Chameleon算法的低复杂度动态分簇和增强型簇间频率复用技术,避免了簇间干扰,将强干扰转化为簇内干扰,基于迫零算法对簇内小区进行多小区波束成形,消除簇内干扰,从而提高超密集网络的吞吐量。
附图说明
图1为本发明实施例中提供的干扰抑制方法的流程图;
图2为本发明实施例中提供的计算相似度的流程图;
图3为本发明实施例中提供的最终子簇的示意图;
图4为本发明实施例中提供的干扰抑制装置的示意图;
图5为本发明实施例中提供的干扰抑制装置中第二获得模块的示意图;
图6为本发明实施例中随机分布的基站的仿真图;
图7为本发明实施例中最终子簇中各基站的分布的仿真图;
图8为本发明实施例中提供的干扰抑制方法和现有技术中超密集网络的吞吐量随用户数量变化的仿真图;
图9为本发明实施例中提供的干扰抑制方法在不同用户数量的情况下超密集网络的吞吐量随发射功率变化的仿真图;
图10为本发明实施例中提供的干扰抑制方法中使用迫零波束成形方法和不使用迫零波束成形方法情况下超密集网络的吞吐量随发射功率变化的仿真图。
具体实施方式
本发明实施例通过提供一种干扰抑制方法和装置,用于解决现有技术中存在的上述技术问题。本发明实施例中的技术方案为解决上述技术问题,总体思路如下:基于所述超密集网络中各基站的分布位置和所述各基站间的干扰信息,获得S个初始子簇,其中,每个初始子簇包括至少一个基站,S为大于等于2的整数;利用Chameleon算法对所述S个初始子簇进行并簇,获得M个最终子簇,其中,每个最终子簇包括至少一个初始子簇,M为大于等于1的整数;利用迫零波束成形方法,对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形,抑制所述M个最终子簇中的每个最终子簇中的各基站的发射信号之间的干扰。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参见图1,本发明一实施例提供了一种干扰抑制方法,应用于超密集网络,所述方法包括:
S10,基于所述超密集网络中各基站的分布位置和所述各基站间的干扰信息,获得S个初始子簇,其中,每个初始子簇包括至少一个基站,S为大于等于2的整数;
S20,利用Chameleon算法对所述S个初始子簇进行并簇,获得M个最终子簇,其中,每个最终子簇包括至少一个初始子簇,M为大于等于1的整数;
S30,利用迫零波束成形方法,对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形,抑制所述M个最终子簇中的每个最终子簇中的各基站的发射信号之间的干扰
在所述步骤S10之前,进行初始化,统计超密集网络内可用频段资源、可用基站数目和发射天线数目,获取基站位置以及用户请求信息等。
然后执行步骤S10,具体地,构造K-最临近图Gk,基于所述超密集网络中各基站的分布位置和所述各基站间的干扰信息,将所述K-最临近图Gk划分,形成S个初始子簇。
在执行所述步骤S10后,执行步骤S20,所述步骤S20的具体流程图参见图2,所述步骤S20具体如下:
S201,基于所述超密集网络中各基站间的相对距离,利用Chameleon算法中的相对互联度函数计算一个单位中的两个相邻初始子簇间的相对互联度,其中,所述S个初始子簇中以两个相邻初始子簇为一个所述单位;其中,所述相对互联度的计算规则是:
其中,所述RI(CLp,CLq)表示初始子簇p和初始子簇q之间的相对互联度,EC(CLp)为所述初始子簇p内各基站间距离的权重的总和,EC(CLq)为所述初始子簇q内各基站间距离的权重的总和,EC(CLp,CLq)为所述初始子簇p和所述初始子簇q的内部互联度函数;EC(CLp)、EC(CLq)和EC(CLp,CLq)的计算规则如下:
其中,所述dk p为所述S个初始子簇中初始子簇p中第i个基站与第j个基站间的距离,dk q为所述S个初始子簇中初始子簇q中第i个基站与第j个基站间的距离,dk p,q为所述初始子簇p中的第i*个基站和所述初始子簇q中的第j*个基站之间的距离,所述dk p、dk q、dk p,q的计算规则如下:
其中,xp,i为所述初始子簇p中第i个基站的横坐标,xp,j为所述初始子簇p中第j个基站的横坐标,yp,i为所述初始子簇p中第i个基站的纵坐标,yp,j为所述初始子簇p中第j个基站的纵坐标,xq,i为所述初始子簇q中第i个基站的横坐标,xq,j为所述初始子簇q中第j个基站的横坐标,yq,i为所述初始子簇q中第i个基站的纵坐标,yq,j为所述初始子簇q中第j个基站的纵坐标;
上述参数中的k,p,q,i*,j*,i,j均为大于等于1的整数,i不等于j。
S202,基于所述超密集网络中各基站间的干扰信息,利用Chameleon算法中的相对近似度函数计算一个所述单位中两个相邻初始子簇间的相对近似度。
在利用Chameleon算法计算相似度之前,先获得所述两个相邻初始子簇中各基站与所述两个相邻初始子簇中各基站对应的当前用户的信干噪比的第一集合;
对所述第一集合中的信干噪比进行累加求平均值,获得所述第一集合中的信干燥比的平均值;
如果所述平均值大于等于第一预设值,则基于所述超密集网络中各基站间的干扰信息,利用Chameleon算法中的相对近似度函数计算所述一个单位中的两个相邻初始子簇间的相对近似度。
如果所述平均值小于所述第一预设值,则所述两个相邻初始子簇间的相对近似度为0。
在所述平均值大于等于第一预设值时,所述步骤S202中的所述相对近似度的计算规则如下:
其中,RC(CLp,CLq)表示初始子簇p和初始子簇q之间的相对近似度,MEC(CLp)表示初始子簇p内的各个边的平均权重,MEC(CLq)表示初始子簇q内的各个边的平均权重,MEC(CLp,CLq)表示初始子簇p和初始子簇q之间的内部近似度函数,RCp、RCq分别代表初始子簇p、q的归一化因子,|CLp|、|CLq|分别代表初始子簇p、q中的基站个数;MEC(CLp)、MEC(CLq)和MEC(CLp,CLq)的计算规则如下:
其中,
为所述初始子簇p内的各个边的权重值,所述初始子簇p内的各个边的权重值表征所述初始子簇p内各基站间的干扰信息;
为所述初始子簇q内的各个边的权重值,所述初始子簇q内的各个边的权重值表征所述初始子簇q内各基站间的干扰信息;
表示所述初始子簇p和所述初始子簇q之间的各个边的权重值,所述初始子簇p和所述初始子簇q之间的各个边的权重值表征所述初始子簇p中各基站和所述初始子簇q中各基站间的干扰信息;
表示初始子簇p内的边的个数,
初始子簇q内的边的个数,n初始子簇p和初始子簇q之间的边的个数。
S203,基于所述相对互联度和所述相对近似度,计算一个所述单位中两个相邻初始子簇间相似度;其中,所述相似度的计算规则如下:
RIC(CLp,CLq)=RI(CLp,CLq)*RC(CLp,CLq)
其中,所述RIC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相似度。
S204,基于所述相似度对所述S个初始子簇进行并簇,获得M个最终子簇;具体地,例如,当所述初始子簇p和所述初始子簇q之间的相似度大于一预设的相似度阈值时,则合并所述初始子簇p和所述初始子簇q形成一新的子簇,如果小于,则不合并所述初始子簇p和所述初始子簇q,合并形成的新的子簇以及没有合并的初始子簇形成S1个第一级子簇,其中,S1是大于等于1的整数。根据实际中对超密集网络的容量的需求,S1个第一级子簇可以作为最终子簇,其中S1等于所述M,或者利用Chameleon算法继续对所述S1个第一级子簇进行循环并簇运算,直至达到预期的结果,形成M个最终子簇。通过Chameleon算法能够动态调整小区分簇,将相互干扰严重的小区划分到一个簇内,并在簇间利用增强型频率复用技术,降低簇间干扰。例如图3中通过Chameleon算法的动态调整获得3个最终子簇1、2和3,其中最终子簇1中包括5个基站11、12、13、14和15,最终子簇2中包括4个基站21、22、23和24,最终子簇3中包括3个基站31、32和33。
在基于所述步骤S20获得M个最终子簇后,执行步骤S30,具体为:
利用迫零波束成形方法构造迫零波束成形矢量,利用所述迫零波束成形矢量对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形,其中,所述M个最终子簇中最终子簇m1中的基站Si发送到与其对应的用户i的发射信号的迫零波束成形矢量为:
其中,
其中,N
t表示最终子簇m1中的发射天线的个数,一个基站对应一个发射天线,N
r表示最终子簇m1对应的当前用户的个数,
表示所述基站S
i与其对应的用户i之间的信道矩阵,
表示对矩阵
的复共轭转置,
通过设计迫零波束成形方法有效的抑制了簇内干扰。
对于所述最终子簇m1,N
t表示最终子簇m1中的发射天线的个数,N
r表示最终子簇m1对应的当前用户的个数,所述当前用户是单接收天线,即N
r也表示最终子簇m1对应的接收天线的个数,假设所述基站S
i对应用户i,即所述基站S
i是用户i的服务基站,N
t个发射天线的发射信号集合为
其中u
i为所述基站S
i发送给用户i的发射信号,则对于所述基站S
i和用户i之间的信道,有信道矩阵
是所述基站S
i到所述用户i的路径损耗,与所述基站S
i到用户i的距离
有关,
是瑞利衰落信道。
另外,在所述基站Si为用户i提供服务时,所述基站Si与所述用户i之间的信干噪比计算公式如下:
其中,I为用户集合,σi为所述基站Si为用户i提供服务时的加性高斯白噪声。
因此,用户i能够从所述基站Si获得的速率可由下式所得:
其中B为用户i所占有的有效带宽。
参见图4,本发明另一实施例提供了一种干扰抑制装置,应用于超密集网络,所述装置包括:
第一获得模块10,用于基于所述超密集网络中各基站的分布位置和所述各基站间的干扰信息,获得S个初始子簇,其中,每个初始子簇包括至少一个基站,S为大于等于2的整数;
第二获得模块20,用于利用Chameleon算法对所述S个初始子簇进行并簇,获得M个最终子簇,其中,每个最终子簇包括至少一个初始子簇,M为大于等于1的整数;
波束成形模块30,用于利用迫零波束成形方法,对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形,抑制所述M个最终子簇中的每个最终子簇中的各基站的发射信号之间的干扰。
在所述第一获得模块10,基于所述超密集网络中各基站的分布位置和所述各基站间的干扰信息之前,进行初始化,统计超密集网络内可用频段资源、可用基站数目和发射天线数目,获取基站位置以及用户请求信息等。
然后构造K-最临近图Gk,所述第一获得模块10,用于基于所述超密集网络中各基站的分布位置和所述各基站间的干扰信息,将所述K-最临近图Gk划分,形成S个初始子簇。
参见图5,所述干扰抑制装置中所述第二获得模块20包括第一计算子模块201,第二计算子模块202,第三计算子模块203,第一获得子模块204,其中:
所述第一计算子模块201,用于基于所述超密集网络中各基站间的相对距离,利用Chameleon算法中的相对互联度函数计算一个单位中的两个相邻初始子簇间的相对互联度,其中,所述S个初始子簇中以两个相邻初始子簇为一个所述单位;其中,所述相对互联度的计算规则是:
其中,所述RI(CLp,CLq)表示初始子簇p和初始子簇q之间的相对互联度,EC(CLp)为所述初始子簇p内各基站间距离的权重的总和,EC(CLq)为所述初始子簇q内各基站间距离的权重的总和,EC(CLp,CLq)为所述初始子簇p和所述初始子簇q的内部互联度函数;EC(CLp)、EC(CLq)和EC(CLp,CLq)的计算规则如下:
其中,所述dk p为所述S个初始子簇中初始子簇p中第i个基站与第j个基站间的距离,dk q为所述S个初始子簇中初始子簇q中第i个基站与第j个基站间的距离,dk p,q为所述初始子簇p中的第i*个基站和所述初始子簇q中的第j*个基站之间的距离,所述dk p、dk q、dk p,q的由所述干扰抑制装置中的第三获得模块计算获得,具体计算规则如下:
其中,xp,i为所述初始子簇p中第i个基站的横坐标,xp,j为所述初始子簇p中第j个基站的横坐标,yp,i为所述初始子簇p中第i个基站的纵坐标,yp,j为所述初始子簇p中第j个基站的纵坐标,xq,i为所述初始子簇q中第i个基站的横坐标,xq,j为所述初始子簇q中第j个基站的横坐标,yq,i为所述初始子簇q中第i个基站的纵坐标,yq,j为所述初始子簇q中第j个基站的纵坐标;
上述参数中的k,p,q,i*,j*,i,j均为大于等于1的整数,i不等于j。
所述第二计算子模块202,用于基于所述超密集网络中各基站间的干扰信息,利用Chameleon算法中的相对近似度函数计算一个所述单位中两个相邻初始子簇间的相对近似度;
在所述第二计算子模块202利用Chameleon算法计算相似度之前,所述干扰抑制装置中的第四获得模块先获得所述两个相邻初始子簇中各基站与所述两个相邻初始子簇中各基站对应的当前用户的信干噪比的第一集合;
然后所述干扰抑制装置中的第五获得模块对所述第一集合中的信干噪比进行累加求平均值,获得所述第一集合中的信干燥比的平均值;
如果所述平均值大于等于第一预设值,则所述第二计算子模块202基于所述超密集网络中各基站间的干扰信息,利用Chameleon算法中的相对近似度函数计算所述一个单位中的两个相邻初始子簇间的相对近似度。
如果所述平均值小于所述第一预设值,则所述两个相邻初始子簇间的相对近似度为0。
在所述平均值大于等于第一预设值时,所述所述第二计算子模块202计算所述相对近似度的计算规则如下:
其中,RC(CLp,CLq)表示初始子簇p和初始子簇q之间的相对近似度,MEC(CLp)表示初始子簇p内的各个边的平均权重,MEC(CLq)表示初始子簇q内的各个边的平均权重,MEC(CLp,CLq)表示初始子簇p和初始子簇q之间的内部近似度函数,RCp、RCq分别代表初始子簇p、q的归一化因子,|CLp|、|CLq|分别代表初始子簇p、q中的基站个数;MEC(CLp)、MEC(CLq)和MEC(CLp,CLq)的计算规则如下:
其中,
为所述初始子簇p内的各个边的权重值,所述初始子簇p内的各个边的权重值表征所述初始子簇p内各基站间的干扰信息;
为所述初始子簇q内的各个边的权重值,所述初始子簇q内的各个边的权重值表征所述初始子簇q内各基站间的干扰信息;
表示所述初始子簇p和所述初始子簇q之间的各个边的权重值,所述初始子簇p和所述初始子簇q之间的各个边的权重值表征所述初始子簇p中各基站和所述初始子簇q中各基站间的干扰信息;
表示初始子簇p内的边的个数,
初始子簇q内的边的个数,n初始子簇p和初始子簇q之间的边的个数。
所述第三计算子模块203,用于基于所述第一计算子模块201计算的所述相对互联度和所述第二计算子模块202计算的所述相对近似度,计算一个所述单位中两个相邻初始子簇间相似度;所述相似度的计算规则如下:
RIC(CLp,CLq)=RI(CLp,CLq)*RC(CLp,CLq)
其中,所述RIC(CLp,CLq)表示所述初始子簇p和所述初始子簇q之间的相似度。
所述第一获得子模块204,用于基于所述相似度对所述S个初始子簇进行并簇,获得M个最终子簇。基于所述相似度对所述S个初始子簇进行并簇,获得M个最终子簇;具体地,例如,当所述初始子簇p和所述初始子簇q之间的相似度大于一预设的相似度阈值时,则合并所述初始子簇p和所述初始子簇q形成一新的子簇,如果小于,则不合并所述初始子簇p和所述初始子簇q,合并形成的新的子簇以及没有合并的初始子簇形成S1个第一级子簇,其中,S1是大于等于1的整数。根据实际中对超密集网络的容量的需求,S1个第一级子簇可以作为最终子簇,其中S1等于所述M,或者利用Chameleon算法继续对所述S1个第一级子簇进行循环并簇运算,直至达到预期的结果,形成M个最终子簇。通过Chameleon算法能够动态调整小区分簇,将相互干扰严重的小区划分到一个簇内,并在簇间利用增强型频率复用技术,降低簇间干扰。例如图3中通过Chameleon算法的动态调整获得3个最终子簇1、2和3,其中最终子簇1中包括5个基站11、12、13、14和15,最终子簇2中包括4个基站21、22、23和24,最终子簇3中包括3个基站31、32和33。
在所述第一获得子模块204获得M个最终子簇后,所述干扰抑制装置中的波束成形模块30具体用于:
利用迫零波束成形方法构造迫零波束成形矢量,利用所述迫零波束成形矢量对所述M个最终子簇中的每个最终子簇中的各基站的发射给相应用户的发射信号进行波束成形,其中,所述M个最终子簇中最终子簇m1中的基站Si发送到与其对应的用户i的发射信号的迫零波束成形矢量为:
其中,
其中,N
t表示最终子簇m1中的发射天线的个数,一个基站对应一个发射天线,N
r表示最终子簇m1对应的当前用户的个数,
表示所述基站S
i与其对应的用户i之间的信道矩阵,
表示对矩阵
的复共轭转置,
通过设计迫零波束成形方法有效的抑制了簇内干扰。
对于所述最终子簇m1,N
t表示最终子簇m1中的发射天线的个数,N
r表示最终子簇m1对应的当前用户的个数,所述当前用户是单接收天线,即N
r也表示最终子簇m1对应的接收天线的个数,假设所述基站S
i对应用户i,即所述基站S
i是用户i的服务基站,N
t个发射天线的发射信号集合为
其中u
i为所述基站S
i发送给用户i的发射信号,则对于所述基站S
i和用户i之间的信道,有信道矩阵
是所述基站S
i到所述用户i的路径损耗,与所述基站S
i到用户i的距离
有关,
是瑞利衰落信道。
另外,在所述基站Si为用户i提供服务时,所述基站Si与所述用户i之间的信干噪比计算公式如下:
其中,I为用户集合,σi为所述基站Si为用户i提供服务时的加性高斯白噪声。
因此,用户i能够从所述基站Si获得的速率可由下式所得:
其中B为用户i所占有的有效带宽。
对本发明上述两个实施例中提供的干扰抑制方法和装置的进行建模仿真,考虑到超密集网络中用户分布和基站部署的随机性,分别用泊松分布和随机分布来仿真超密集网络中用户和基站的位置分布,首先在100m×200m的矩形区域内,生成100个随机分布点和50个泊松分布点分别代表基站和用户的位置,再根据基站间的距离计算各点之间的互联性和近似度,进行基于Chameleon算法的小区分簇,具体仿真图6-图10所示。
其中,图6为进行分簇之前100个随机分布的基站的仿真图;
利用Chameleon算法对仿真系统中100个随机分布的基站进行分簇,获得分簇结果;所述分簇结果如图6所示,图7为经Chameleon算法分簇后不同的最终子簇中基站的分布的仿真图;
根据获得的分簇结果,利用迫零波束成形方法进行多基站的发射信号的波束成形,具体地,根据前述计算获得的迫零波束成形矢量
针对不同用户的情况下的超密集网络的吞吐量进行仿真。图8为使用本发明的干扰抑制方法和不使用本发明的干扰抑制方法的情况下超密集网络的吞吐量随用户数量变化的仿真图;
为了获得用户数量对超密集网络的吞吐量的影响,对不同用户数量的情况下超密集网络的吞吐量和基站的发射功率之间的关系进行了仿真,图9为使用本发明的干扰抑制方法时不同用户数量的情况下超密集网络的吞吐量随发射功率变化的仿真图;
为了验证迫零波束成形方法对超密集网络的吞吐量的影响,对迫零波束成形方法对超密集网络的吞吐量和基站的发射功率的影响情况进行了仿真,图10本发明实施例中获得分簇结果后使用迫零波束成形方法和不使用迫零波束成形方法情况下超密集网络的吞吐量随发射功率变化的仿真图。
根据仿真结果可以看出,上述本发明实施例中的技术方案,至少具有如下的技术效果或优点:
1、本发明采用的干扰抑制方法和装置有效提高了超密集网络的吞吐量,降低了网络间的干扰。在用户数量增多的情况下,本发明的方法和装置的优势更加明显,本发明的方法和装置的优势在于联合分簇频谱复用和多小区波束成形,降低簇间干扰和簇内小区间干扰,最终提高超密集网络的吞吐量。也就是说,上述仿真结果有力证明了本发明的方法和装置在用户密集场景下高速率业务需求的可行性和适用性。
2、提出了一种低复杂度的多小区波束成形算法,可以有效适用于功能受限的低功率基站,提高了网络运维效率。
3、改进了小区分簇方式,通过动态调整小区分簇,有效提高了超密集网络的容量。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。