CN109151975A - 一种时分双工大规模mimo系统的联合动态导频和数据功率分配方法 - Google Patents

Abstract

一种时分双工大规模MIMO系统的联合动态导频和数据功率分配方法属于时分双工大规模MIMO技术领域，以自适应地减轻导频污染并平衡相互干扰。由于导频之前即时信道状态信息的未知，我们利用时间相关信道的高斯‑马尔可夫过程，并使用卡尔曼滤波器不仅滤除导频污染，而且提供先验估计值。随后，导出速率的确定性近似作为先验信道估计和先验估计误差的函数，并且因此制定了实现最大‑最小化的速率最大化。为了解决在导频功率和数据功率以及用户之间耦合的这种优化，我们给出了由两个子问题组成的迭代交替率最优算法，这两个问题通过引入连续凸近似(SCA)方法和松弛变量。仿真数值结果证实了该方案提供的改进率。

Description

一种时分双工大规模MIMO系统的联合动态导频和数据功率分 配方法

技术领域

本发明属于时分双工大规模MIMO技术领域，为了缓解导频污染和数据干扰对用户传输性能的影响，给出了用户导频功率和数据功率的联合动态优化方法，并分解为两个子问题组成的迭代交替最优算法，分别通过引入连续凸近似(SCA)方法和松弛变量得以解决。

技术背景

大规模MIMO被广泛认为是无线通信的关键技术，它通过使用数百甚至更多的天线提供高频谱效率和高能量效率。目前的很多研究工作都是针对时分双工模式下的大规模MIMO展开的，其估计上行链路上的信道响应，基于信道互易性可用于上行链路接收组合和下行链路发射预编码。因此，不需要反馈，而且还需要较少的训练开销，使得导频序列的所需长度与活动用户的数量成比例，而不是频分双工模式中的基站天线的数量。然而，在具有高复用的多小区时分双工大规模MIMO系统中，由相邻小区中的非正交上行导频信号导致的导频污染导致不完善的信道估计成为高系统性能的主要限制因素。

发明内容

本发明要解决的技术问题是，提供一种时分双工大规模MIMO系统的联合动态导频和数据功率分配方案，通过联合动态分配导频功率和数据功率，以自适应地减轻导频污染并平衡相互干扰，提高上行链路的数据传输速率，同时提高系统的SINR性能。

为解决上述问题，本发明采用如下的技术方法：

提供一种时分双工大规模MIMO系统的联合动态导频和数据功率分配方案，包括以下步骤：

步骤1、大规模MIMO系统和信道模型

考虑由L个小区组成的多蜂窝大规模MIMO系统，其中每个配备有大量天线N的BS服务K个单天线用户。所有的BS和用户应该完全同步并且操作具有通用频率重用的TDD协议，其中每个小区内的用户的上行链路导频是相互正交的并且从一个小区重用到另一个小区。s_k＝[s_k1,s_k2,L,s_kτ]是长度为t的导频序列，其中t>K，k＝1,L,K满足和k≠k′，因此，在第t个时隙时，基站j(j＝1,L,L)接收到的信号矩阵为可写为下式：

其中，是第t个时隙小区l(l＝1,L,L)的用户k到基站j的信道；是用户k_l的发射功率，N₀是加性高斯白噪声向量，相互独立且服从分布。

步骤2、基于卡尔曼滤波器的信道估计

为了估计在小区j中的用户m,m＝1,L,K的信道的信号,上式可以被写为：

其中n′_0,t是服从分布的独立同分布变量组成的等效噪声，它直接表明，在信道估计阶段，不存在小区内干扰但是存在不可忽略的小区间导频污染。

步骤3、可实现的上行数据速率

我们对上行链路数据应用线性检测，其中第j个BS在上行链路导频阶段计算接收向量和线性匹配滤波器之间的内积来检测用户m_j的信号其中是在上行链路训练阶段估计。因此，在时隙t中的遍历可实现的上行链路速率和相关联的可以被给出为[14]：

我们根据占优收敛[18]和连续映射定理[19]给出的SINR的确定性近似

步骤4、联合动态导频功率和数据功率分配以达到最大化最小速率优化

A.最大化最小速率优化

这里研究了获得最大化最小速率，这一直被认为是无线网络的重要设计指标之一。

其中是速率权重。

B.数据功率固定的最佳导频功率

对于数据功率固定在(19)中的导频功率的优化P_ρ″，拉格朗日函数给出如下：

C.导频功率固定的最佳数据功率

对于数据功率固定在(19)中的导频功率的优化P_p″，拉格朗日函数给出如下：

具体实施方式

下面结合附图和实施例对本发明做进一步说明。

如图1所示，本发明提供一种基于大规模MIMO技术的动态功率分配方案，包括以下步骤：

步骤1、大规模MIMO系统和信道模型

考虑由L个小区组成的多蜂窝大规模MIMO系统，其中每个配备有大量天线N的BS服务K个单天线用户。所有的BS和用户应该完全同步并且操作具有通用频率重用的TDD协议，其中每个小区内的用户的上行链路导频是相互正交的并且从一个小区重用到另一个小区。s_k＝[s_k1,s_k2,L,s_kτ]是长度为t的导频序列，其中t>K，k＝1,L,K满足和k≠k′，因此，在第t个时隙时，基站j(j＝1,L,L)接收到的信号矩阵为可写为下式：

其中，是第t个时隙小区l(l＝1,L,L)的用户k到基站j的信道；是用户k_l的发射功率，N₀是加性高斯白噪声向量，相互独立且服从分布。

在导频之后，在数据传输期间在基站j处接收到的基带信号向量可以表示为：

其中，是在第t个时隙，小区l中的用户k到基站l的第i个传输数据，发射功率是n₀是加性高斯白噪声向量，相互独立且服从分布。

信道向量在本文中被认为是缓慢变化的，空间不相关的，并且是平坦的，其可以被模拟为具有时间相关参数的高斯马尔可夫过程：

其中时间相关参数，是一个独立于的状态噪声向量，和的元素都是独立同分布的复高斯变量，服从分布。

步骤2、基于卡尔曼滤波器的信道估计

为了估计在小区j中的用户m,m＝1,L,K的信道(1)中的信号可以被写为：

其中n′_0,t是服从分布的独立同分布变量组成的等效噪声，它直接表明，在信道估计阶段，不存在小区内干扰但是存在不可忽略的小区间导频污染。

基于状态模型(3)和观测模型(4)，卡尔曼滤波器通过两个阶段跟踪信道：

时间更新等式：

观测更新等式：

其中和分别是先验值和后验估计误差，估计误差的其协方差矩阵为相关，同时和分别是先验值和后验估计误差，误差的协方差矩阵相关。此外，是卡尔曼增益，是信道估计的结果，且和的初始值为0。

步骤3、可实现的上行数据速率

我们对上行链路数据应用线性检测，其中第j个BS在上行链路导频阶段计算接收向量和线性匹配滤波器之间的内积来检测用户m_j的信号其中是在上行链路训练阶段估计。因此，在时隙t中的遍历可实现的上行链路速率和相关联的可以被给出为[14]：

通过公式(5)和(6)，我们根据占优收敛[18]和连续映射定理[19]给出的SINR的确定性近似

可以推导出下面式子：

和参数：

去满足等式。

随即可知，我们有确定性的近似率和取决于导频功率ρ_m,t和数据功率p_t。

步骤4、联合动态导频功率和数据功率分配以达到最大化最小速率优化

A.最大化最小速率优化

这里研究了获得最大化最小速率，这一直被认为是无线网络的重要设计指标之一。

其中是速率权重。

由于当ρ_t和p_t都是可变时，优化P不是ρ_t和p_t的共同凹函数，，我们给出交替迭代优化算法，分别在给定和固定的迭代n中找到速率次最优ρ_t ⁿ和其可以表示为：

由于最优化P_ρ和P_p仍然是NP难问题，我们使用[18]中提出的一些最近的连续凸近似来求解一般近似算法以收敛到局部最优解。让我们首先利用率函数的凹凸结构，重写的速率的近似值为：

我们开始忽略时隙t来简化描述。因此，我们有：

注意，和是凹函数，因此的一个紧的凹下界通过在(14)中保留凹函数并线性化凸函数来自然获得，这导致以下速率近似函数为：

和

给定迭代在这些近似中，我们用简写的形式表示 并定义系数：

作为相对于的的梯度和相对于的梯度分别为。

根据以上的近似处理，优化目标(12)可以改写为

其中定义了参数φ_ρ@(ρ,R_p)和φ_p@(p,R_ρ)，并且添加了目标函数中具有参数的二次项以使其为凹函数。

然而，约束中的分量和仍然耦合在用户之间。为了解决这个问题，我们引入松弛变量和以进一步近似为(19)中的P_ρ″和P_p″，其中 和

B.数据功率固定的最佳导频功率

对于数据功率固定在(19)中的导频功率的优化P_ρ″，拉格朗日函数给出如下：

其中

其中，系数和还有双变量系数和

最优变量和满足和并且可以使用基于梯度的递减步长来计算最优双变量。

C.导频功率固定的最佳数据功率

和上小节类似，对于数据功率固定在(19)中的导频功率的优化P_p″，拉格朗日函数给出如下：

其中

其中系数和还有双变量系数和

最优变量和满足和并且可以使用基于梯度的递减步长来计算最优双变量。

我们更清楚地描述的算法如下。

附图说明

图1为本发明的流程图；

图2为最小速率与天线数量的关系仿真图；

图3为导频功率与时隙大小的关系仿真图；

图4为数据功率与时隙大小的关系仿真图；

图5为最大最小化速率与小小区用户数量的关系仿真图。

具体实施方式

我们采用六角形小区模型构建一个由L＝7个小区组成的对称多小区网络，其中一个在中心，另外六个在半径r＝0.5km处，本发明的用户分布情况是随机分布在六角形小区内。

在图2中，我们绘制了每个小区10个用户(随机分别在距离各自基站0.6r到0.8r之间)情况下最小速率与天线数量的关系。图表明尽管固定功率方案的最小速率几乎相同，但是导频和数据功率从1增加到100。这是因为多小区网络中的容量受到干扰和导频污染的限制，不能通过增加功率解决。另一方面，所提出的方案通过将权力适配于相关用户的信道状态，大大提高了最小速率，增加了50％。这是干扰和导频污染优化，而不是简单地减少。我们还给出了仅采取动态数据功率的方案的性能，并且将导频功率固定在10(所提出的D0)，其最小速率低于导频功率和数据功率的动态，特别是在更多天线在BS。由于减少干扰的天线数目增加的优点，所提出的方案和固定功率方案在具有更多天线的情况下具有更高的最小速率。

在图3和图4中，当N＝160时，我们分别绘制用户与时隙的动态导频功率和数据功率。这些具有相同导频的选定用户在图1中用与其功率曲线相同的颜色圈出。它显示中心小区中的用户7在较小的范围内动态变化，而周围小区中的其他用户(例如用户1和用户2)具有更宽的动态范围。原因在于中心小区的用户受到更多的干扰和导频污染，并且对其他用户造成更多影响，而这种严格的限制导致更小的波动。另外，这两张图片的比较说明，导频功率比数据功率有更猛烈的上下移动，尤其是周围小区的用户。这是因为不需要获得面对大干扰的非常精确的信道估计，并且有时甚至没有导频的先验估计值不仅足以支持传输，而且还减少了网络中的污染，参见导频功率曲线用户7。

图5绘出了每个小区中最小速率与用户数量的关系，我们将两个用户逐步添加到每个小区中。BS处天线的数量固定为140，表明由于引入的干扰较多，这些方案的最小速率会随着用户数量的增加而减少。但是，所提出的方案总是优于固定电源方案，尤其是在大量用户的情况下具有高增长率。

由仿真结果可知，为了在动态无线衰落信道上获得最大效率，我们提出了TDD模式下多小区大规模MIMO系统的联合动态导频和数据功率分配方案。为了在导频之前检测信道状态，我们利用时间信道相关的高斯马尔可夫过程，并采用卡尔曼滤波器来估计信道状态并提供先验估计值，基于该估计值导出了速率的确定性近似，并且公式为最大最小公平构建。为了解决优化问题，我们给出了一个交替的速率-次优算法，其中导频功率和数据功率迭代更新，给定另一个固定的，其中SCA方法和松弛变量用于解耦干扰中的功率效应。数值结果揭示了动力的动力学并证实了所提议的方案的改进性能。

Claims (1)

1.一种时分双工大规模MIMO系统的联合动态导频和数据功率分配方法，其特征在于包括以下步骤：

步骤1、大规模MIMO系统和信道模型

考虑由L个小区组成的多蜂窝大规模MIMO系统，其中每个配备有大量天线N的基站(BS)服务K个单天线用户；所有的BS和用户应该完全同步并且操作具有通用频率重用的TDD协议，其中每个小区内的用户的上行链路导频是相互正交的并且从一个小区重用到另一个小区；s_k＝[s_k1,s_k2,L,s_kτ]是长度为t的导频序列，其中t>K，k＝1,L,K满足和k≠k′，因此，在第t个时隙时，基站j(j＝1,L,L)接收到的信号矩阵为可写为下式：

其中，是第t个时隙小区l(l＝1,L,L)的用户k到基站j的信道；是用户k_l的发射功率，N₀是加性高斯白噪声向量，相互独立且服从分布；

在导频之后，在数据传输期间在基站j处接收到的基带信号向量可以表示为：

其中，是在第t个时隙，小区l中的用户k到基站l的第i个传输数据，发射功率是n₀是加性高斯白噪声向量，相互独立且服从分布；

信道向量在本文中被认为是缓慢变化的，空间不相关的，并且是平坦的，其可以被模拟为具有时间相关参数的高斯马尔可夫过程：

其中时间相关参数，是一个独立于的状态噪声向量，和的元素都是独立同分布的复高斯变量，服从分布；

步骤2、基于卡尔曼滤波器的信道估计

为了估计在小区j中的用户m,m＝1,L,K的信道(1)中的信号可以被写为：

其中n′_0,t是服从分布的独立同分布变量组成的等效噪声，它直接表明，在信道估计阶段，不存在小区内干扰但是存在不可忽略的小区间导频污染；

基于状态模型(3)和观测模型(4)，卡尔曼滤波器通过两个阶段跟踪信道：

时间更新等式：

观测更新等式：

其中和分别是先验值和后验估计误差，估计误差的其协方差矩阵为相关，同时和分别是先验值和后验估计误差，误差的协方差矩阵相关；此外，是卡尔曼增益，是系统的状态转移矩阵，是信道估计的结果，且和的初始值为0；

步骤3、可实现的上行数据速率

对上行链路数据应用线性检测，其中第j个BS过在上行链路导频阶段计算接收向量和线性匹配滤波器之间的内积来检测用户m_j的信号其中是在上行链路训练阶段估计；因此，在时隙t中的遍历可实现的上行链路速率和相关联的可以被给出为[14]：

通过公式(5)和(6)，根据占优收敛[18]和连续映射定理[19]给出的SINR的确定性近似

可以推导出下面式子：

和参数：

去满足等式；

随即可知，有确定性的近似率和取决于导频功率ρ_m,t和数据功率p_t；

步骤4、联合动态导频功率和数据功率分配以达到最大化最小速率优化

A.最大化最小速率优化

其中是速率权重；

由于当ρ_t和p_t都是可变时，优化P不是ρ_t和p_t的共同凹函数，，给出交替迭代优化算法，分别在给定和固定的迭代n中找到速率次最优ρ_t ⁿ和其可以表示为：

由于最优化P_ρ和P_p仍然是NP难问题，使用[18]中提出的一些最近的连续凸近似来求解一般近似算法以收敛到局部最优解；让首先利用率函数的凹凸结构，重写的速率的近似值为：

根据以上的近似处理，优化目标(12)可以改写为

其中定义了参数φ_ρ@(ρ,R_p)和φ_p@(p,R_ρ)，并且添加了目标函数中具有参数τ_ρ,τ_p≥0的二次项以使其为凹函数，τ_ρ,τ_p的值很小，具体的值根据仿真结果而进行改动；

然而，约束中的分量和仍然耦合在用户之间；为了解决这个问题，引入松弛变量和以进一步近似为(19)中的P_ρ″和P_p″，其中 和

B.数据功率固定的最佳导频功率

对于数据功率固定在(19)中的导频功率的优化P_ρ″，拉格朗日函数给出如下：

其中

其中，系数和还有双变量系数和λ₁和λ₂的值很小，具体的取值要根据仿真结果来进行调整，使系统达到最优；

最优变量R_p ^*,和满足和并且可以使用基于梯度的递减步长来计算最优双变量；

C.导频功率固定的最佳数据功率

和上小节类似，对于数据功率固定在(19)中的导频功率的优化P_p″，拉格朗日函数给出如下：

其中

其中系数和还有双变量系数和λ₃和λ₃的值很小，具体的取值要根据仿真结果来进行调整，使系统达到最优；

最优变量 和满足和并且可以使用基于梯度的递减步长来计算最优双变量。