CN109474548A - 一种基于深度学习调控扇区的导频污染消除方法 - Google Patents

Abstract

本发明提供一种基于深度学习调控扇区的导频污染消除方法，包括如下步骤：S1.5G大数据传输场景中在小区内划分扇区；S2.小区内扇区数目K通过深度学习在不同扇区下系统的有效和速率与信道状态信息的最小均方误差MMSE的比值来控制；S3.同一个扇区内的用户使用相互正交的导频序列，不同扇区之间的用户导频序列复用；S4.设置扇区之间的用户波达方向角不混叠，通过贝叶斯估计，并利用每个扇区空域信息的差异消除导频污染。本发明通过深度学习在不同扇区下系统的有效和速率与信道状态信息的最小均方误差MMSE的比值来控制小区内划分扇区的数目，使得导频序列的长度可以极大的缩短，通过贝叶斯估计消除导频污染。

Description

一种基于深度学习调控扇区的导频污染消除方法

技术领域

本发明属于通信技术领域，具体涉及一种基于深度学习调控扇区的导频污染消除方法。

背景技术

随着科技发展，大数据、云计算等技术悄然无声的改变着人们的日常生活，这些技术的关键点是要求是传输数据量大，速度快。科技未来发展方向是宽带移动化、移动宽带化，即电脑与移动终端结合，无线传输是未来科技的主流。为了实现宽带移动化，能够快速传输大量数据“高速率、高容量、实现高效率传输”成为第五代移动通信系统(5G)的主要目标。研究表明导频污染问题是限制5G系统性能的主要瓶颈，因此，如何有效的减轻或者消除导频污染成为重中之重，具有重要的工程价值和理论意义。

目前针对减轻或者消除导频污染的研究已取得许多成果，其中导频分配方案在实际通信系统中因其具有可操作性成为当下的主流方案。其思想是重新设计帧结构，使导频在帧结构中存在一定的偏移，相邻小区的导频在不同的时隙传输，从而减轻导频污染。但是在导频分配方案中，由于导频复用小区内的服务用户较多，小区内使用正交导频进行信道估计时，会造成频谱资源的浪费，虽然减轻或者消除导频污染，但是降低了频谱的利用率。

此为现有技术的不足，因此，针对现有技术中的上述缺陷，提供一种基于深度学习调控扇区的导频污染消除方法，是非常有必要的。

发明内容

本发明的目的在于，针对上述现有的消除导频污染的方法会造成频谱资源的浪费，降低频谱的利用率缺陷，提供一种基于深度学习调控扇区的导频污染消除方法，以解决上述技术问题。

为实现上述目的，本发明给出以下技术方案：

一种基于深度学习调控扇区的导频污染消除方法，包括如下步骤：

S1.5G大数据传输场景中在小区内划分扇区；

S2.小区内扇区数目K通过深度学习在不同扇区下系统的有效和速率与信道状态信息的最小均方误差MMSE的比值来控制；

S3.同一个扇区内的用户使用相互正交的导频序列，不同扇区之间的用户导频序列复用；

S4.设置扇区之间的用户波达方向角不混叠，通过贝叶斯估计，并利用每个扇区空域信息的差异消除导频污染。

进一步地，步骤S2的具体步骤如下：

S21.定义估计信道的均方误差为：

这里h_k和是第k个扇区内的期望信道和其各自估计值，只考虑期望信道的估计误差；

S22.定义有效带宽为则每个小区的有效和速率是：

其中SINR_k是第k个扇区的信干噪比。

进一步地，步骤S3中导频序列的长度大于等于小区内扇区数目。

进一步地，步骤S1中5G大数据传输场景中，小区基站通过波束赋形技术在小区内划分扇区。

进一步地，步骤S3具体步骤如下：

S31.波达方向角在[-π,0]内,给同一个扇区内所有用户分配相互正交的导频序列，不同扇区之间复用同一组导频序列；

S32.波达方向角在[0,π]内，给同一个扇区内所有用户分配相互正交的导频序列，不同扇区之间复用同一组导频序列；同一个扇区内，波达方向角在[-π,0]内的用户分配的导频序列与波达方向角在[0,π]内的用户分配的导频序列正交。

进一步地，步骤S4包括：

S41.贝叶斯估计与最小均方误差MMSE估计等效；

基站接收的第k个扇区的信号可以表示为Y_k＝h_ks_k ^H+N_k，其中N_k表示第k个扇区的噪声，s_k表示第k个扇区的导频信号，将基站接收到所有扇区的信号和噪声矢量化，能够被表示为：

其中y＝vec(Y_k),n＝vec(N_k)，h∈C^KM×1表示K个扇区的所有信道信息堆积到一个矢量中，M表示小区基站的天线数，高斯噪声的方差为导频矩阵定义为：

应用贝叶斯定理，已知接收信号y的情况下，信道h的概率是：

假设h₁···h_K是相互独立的，第k个信道的自相关函数用R_k表示，可得随机变量h的高斯多变量概率分布密度函数为：

通过(1.b1)式可以推导出：

把(1.b4)式和(1.b5)式带入式(1.b3)，则式(1.b3)可以被写为

其中

其中

使用最大后验概率MAP决策规则，在已知观测值y的情况下，贝叶斯估计的结果为：

而最小均方误差MMSE估计的结果为：

由于(I+AB)^-1A＝A(I+BA)^-1，所以贝叶斯估计的结果(1.b8)和最小均方误差估计的结果(1.b9)相同。

进一步地，步骤S4还包括：

S42.所有的扇区之间分配相同的训练导频序列，设训练导频序列为：

s＝[s₁ s₂ ··· s_τ]^T (1.b10)定义导频矩阵为此时有将在基站端接收到的扇区信号矢量化，可以表示为：

S43.因为贝叶斯估计与最小均方误差MMSE估计等效，将式(1.b11)带入式(1.b9)，第j个扇区的信道状态信息h_j的贝叶斯估计表达式为：

从(1.b13)式可以看出括号中的第三项属于导频污染，对造成干扰；

通过设置干扰项为0，即括号中的第三项为0，很容易得到不存在导频污染情况下的信道状态信息表达式：

此处的上标“no int”表示不存在导频污染的情况。

进一步地，步骤S4还包括：

S44.设定多径波达方向角θ的信道h_j，j＝1,...,K；

在小区内，移动用户的波达方向角AOA分布由任意概率密度p_i(θ)表示；

如，p_i(θ)＝0，其中

设定其他扇区之间的移动用户波达方向角是严格无混叠的，则有：

即随着天线数的增加，导频污染的影响越来越小。

本发明的有益效果在于：

本发明通过深度学习在不同扇区下系统的有效和速率与信道状态信息的最小均方误差MMSE的比值来控制小区内划分扇区的数目，使得导频序列的长度可以极大的缩短，通过贝叶斯估计消除导频污染。

此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。

由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。

附图说明

图1为本发明的方法流程图；

具体实施方式：

为使得本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明具体实施例中的附图，对本发明中的技术方案进行清楚、完整地描述。

实施例1：

如图1所示，本发明提供一种基于深度学习调控扇区的导频污染消除方法，包括如下步骤：

S1.5G大数据传输场景中小区基站通过波束赋形技术在小区内划分扇区；

S2.小区内扇区数目K通过深度学习在不同扇区下系统的有效和速率与信道状态信息的最小均方误差MMSE的比值来控制；步骤S2的具体步骤如下：

S21.定义估计信道的均方误差为：

这里h_k和是第k个扇区内的期望信道和其各自估计值，只考虑期望信道的估计误差；

S22.定义有效带宽为则每个小区的有效和速率是：

其中SINR_k是第k个扇区的信干噪比；

S3.同一个扇区内的用户使用相互正交的导频序列，不同扇区之间的用户导频序列复用；导频序列的长度大于等于小区内扇区数目；具体步骤如下：

S31.波达方向角在[-π,0]内,给同一个扇区内所有用户分配相互正交的导频序列，不同扇区之间复用同一组导频序列；

S32.波达方向角在[0,π]内，给同一个扇区内所有用户分配相互正交的导频序列，不同扇区之间复用同一组导频序列；同一个扇区内，波达方向角在[-π,0]内的用户分配的导频序列与波达方向角在[0,π]内的用户分配的导频序列正交；

S4.设置扇区之间的用户波达方向角不混叠，通过贝叶斯估计，并利用每个扇区空域信息的差异消除导频污染；具体包括如下步骤：

S41.贝叶斯估计与最小均方误差MMSE估计等效；

基站接收的第k个扇区的信号可以表示为Y_k＝h_ks_k ^H+N_k，其中N_k表示第k个扇区的噪声，s_k表示第k个扇区的导频信号，将基站接收到所有扇区的信号和噪声矢量化，能够被表示为：

其中y＝vec(Y_k),n＝vec(N_k)，h∈C^KM×1表示K个扇区的所有信道信息堆积到一个矢量中，M表示小区基站的天线数，高斯噪声的方差为导频矩阵定义为：

应用贝叶斯定理，已知接收信号y的情况下，信道h的概率是：

假设h₁···h_K是相互独立的，第k个信道的自相关函数用R_k表示，可得随机变量h的高斯多变量概率分布密度函数为：

通过(1.b1)式可以推导出：

把(1.b4)式和(1.b5)式带入式(1.b3)，则式(1.b3)可以被写为

其中

其中

使用最大后验概率MAP决策规则，在已知观测值y的情况下，贝叶斯估计的结果为：

而最小均方误差MMSE估计的结果为：

由于(I+AB)^-1A＝A(I+BA)^-1，所以贝叶斯估计的结果(1.b8)和最小均方误差估计的结果(1.b9)相同；

S42.所有的扇区之间分配相同的训练导频序列，设训练导频序列为：

s＝[s₁ s₂ ··· s_τ]^T (1.b10)

定义导频矩阵为此时有将在基站端接收到的扇区信号矢量化，可以表示为：

S43.因为贝叶斯估计与最小均方误差MMSE估计等效，将式(1.b11)带入式(1.b9)，第j个扇区的信道状态信息h_j的贝叶斯估计表达式为：

从(1.b13)式可以看出括号中的第三项属于导频污染，对造成干扰；

通过设置干扰项为0，即括号中的第三项为0，很容易得到不存在导频污染情况下的信道状态信息表达式：

此处的上标“no int”表示不存在导频污染的情况；

S44.设定多径波达方向角θ的信道h_j，j＝1,...,K；

在小区内，移动用户的波达方向角AOA分布由任意概率密度p_i(θ)表示；

如，p_i(θ)＝0，其中

设定其他扇区之间的移动用户波达方向角是严格无混叠的，则有：

即随着天线数的增加，导频污染的影响越来越小。

验证本发明的导频污染消除方案的有效性，现将基于单小区系统应用本发明进行数值仿真并对结果进行分析。

表1 单小区系统基本仿真参数设置

通常波达方向角的分布主要考虑两类，即波达方向角服从高斯分布(无边界分布)和波达方向角服从均匀分布(有边界分布)；

(1)高斯分布：对于信道状态信息h_ju，所有P个路径的波达方向角的均值为标准差为σ的高斯随机变量。假设所有的期望信道和干扰信道的波达方向角有相同的标准差；

(2)均匀分布：对于信道状态信息h_ju，所有P个路径的波达方向角统一分布在其中是波达方向角的均值。

在之后的仿真中将分析波达方向角服从不同分布时对系统性能造成的影响，当服从高斯分布时会出现一定的混叠，但是当标准差σ较小时，混叠较轻，依然能够获得较好的性能收益；

估计信道的均方误差为：

这里h_k和是第k个扇区内的期望信道和其各自估计值，只考虑期望信道的估计误差；

之后的仿真将本发明的导频配置方案与传统方案作对比，分析了划分扇区后会对系统性能造成的影响，同时又能获得哪些额外的收益；

假设在小区[0,π]内划分两个扇区，每个扇区内有一个位置固定的单天线用户，波达方向角AOA服从均匀分布，θ_Δ＝20°，且不同用户的波达方向角满足无混叠的条件，从仿真中可知，随着天线数的增加，基于贝叶斯估计算法可以迅速消除导频污染，且划分扇区之后在天线数较高的情况下，性能与未划分扇区的性能接近。更为重要的是，划分扇区之后，导频长度仅为原来的一半，提高了频谱的利用率，损失的性能可以通过提高天线数量来弥补。

为了分析在小区[0,π]内划分多少个扇区较为合适，需找出当小区内移动用户角度至少间隔为多少度时能够减轻导频污染的影响，符合移动通信系统性能所要求的标准，误差能够小于-30dB。

假设在小区[0,π]内划分两个扇区，每个扇区内有一个位置固定的单天线用户，单天线用户之间的角度间隔为30°，当波达方向角服从均匀分布时，θ_Δ＝10度，可以看出在天线数M＝1～40时，随着天线数的增加导频污染迅速减小；当波达方向角服从高斯分布，标准差σ＝10，同样的，在天线数M＝1～40时，随着天线数的增加导频污染迅速下降。但是当天线数较多时，高斯分布的性能略优于均匀分布的性能，当天线数较少时，因为高斯分布属于无边界分布，会在一定程度上造成波达方向角的混叠，影响消除导频污染的性能，在消除导频污染的性能上不如服从均匀分布。

假设在小区[0,π]内划分两个扇区，扇区内有一个位置固定的单天线用户，单天线用户之间的角度间隔为20度。当波达方向达方向角服从高斯分布时，标准差σ＝10，当波达方向角服从均匀分布时，θ_Δ＝10度，可以看出在天线数M＝1～20时，导频污染迅速减小，但是性能较差，若想达到-30dB的性能，则需要更多的天线。这是因为当波达方向角间隔较小时，由于多径信道造成角度扩展，从而使波达方向角混叠，造成系统性能较差，无法消除导频污染的影响。

假设在小区[0,π]内划分两个扇区，扇区内有一个位置固定的单天线用户，扇区之间的角度间隔为10度。当波达方向角服从高斯分布时，标准差σ＝10，当波达方向角服从均匀分布时，θ_Δ＝10°，从两幅图中可以看出在角度间隔为10°时，波达方向角混叠严重，此时增加天线数已不能减小导频污染的影响，甚至比存在导频污染时的LS估计性能还差。

综和上述分析，单天线用户之间的角度间隔在不小于30°时较为合适，所以最多可以在小区[0,π]内划分6个扇区，导频序列的长度缩短为原来的1/6。虽然与原方法相比在同样的天线数时会牺牲一部分的性能，但训练导频序列可以有极大的缩短，更为重要的是可以通过增加天线数来弥补牺牲的这部分性能。

假设在小区[0,π]内划分扇区，扇区内有一个位置固定的单天线用户，且角度间隔为30度。通过仿真划分不同扇区数，得出基站天线数和信道估计的均方误差之间的关系，得出划分扇区数越多时，均方误差会略有下降，所以当划分扇区越多时，要想到达相同的性能，则需要更多的天线数去弥补，但是每多划分一个扇区，训练导频序列的长度就可以极大的缩短，能够有更多的时隙用来传输数据。

通过仿真波达方向角服从高斯分布时，得知标准差对均方误差的影响，假设在小区[0,π]内划分扇区，扇区内有一个位置固定的单天线用户且角度间隔为30度，LS估计不受标准差的影响。当基于贝叶斯估计的方法在标准差较小时均方误差较低，而标准差在10～20时误差迅速增加，这是因为标准差增大导致波达方向角的波动程度增大，从而造成波达方向角的混叠，无法消除导频污染的影响。

假设一个相干时间内能传输120个bit位，定义导频开销＝导频长度/相干时间内传输的总比特。若小区中有10个移动用户，未划分扇区即原系统模型中所用的导频数长度最少为10。

通过仿真得知，小区[0,π]内划分扇区可以有效的降低导频开销，划分的扇区数越多，导频开销越小，从而有更多的时隙可以用来传输数据，提高频谱的利用率。

5G大数据传输场景中，解决传统导频分配方案导频序列过长、谱效低的问题，通过仿真分析，系统性能与未划分扇区的模型相比虽然略有下降，但是导频序列的长度可以极大的缩短，更为重要的是可以通过提高天线数量来提高牺牲这部分的性能。并且能够提高有效和速率，当达到“门限效应”后小区内划分扇区的有效和速率比未划分扇区的有效和速率高约5dB。

本发明的实施例是说明性的，而非限定性的，上述实施例只是帮助理解本发明，因此本发明不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他的具体实施方式，同样属于本发明保护的范围。

Claims (8)

1.一种基于深度学习调控扇区的导频污染消除方法，其特征在于，包括如下步骤：

S1.5G大数据传输场景中在小区内划分扇区；

S2.小区内扇区数目K通过深度学习在不同扇区下系统的有效和速率与信道状态信息的最小均方误差MMSE的比值来控制；

S3.同一个扇区内的用户使用相互正交的导频序列，不同扇区之间的用户导频序列复用；

S4.设置扇区之间的用户波达方向角不混叠，通过贝叶斯估计，并利用每个扇区空域信息的差异消除导频污染。

2.如权利要求1所述的一种基于深度学习调控扇区的导频污染消除方法，其特征在于，步骤S2的具体步骤如下：

S21.定义估计信道的均方误差为：

这里h_k和是第k个扇区内的期望信道和其各自估计值，只考虑期望信道的估计误差；

S22.定义有效带宽为则每个小区的有效和速率是：

其中SINR_k是第k个扇区的信干噪比。

3.如权利要求1所述的一种基于深度学习调控扇区的导频污染消除方法，其特征在于，步骤S3中导频序列的长度大于等于小区内扇区数目。

4.如权利要求1所述的一种基于深度学习调控扇区的导频污染消除方法，其特征在于，步骤S1中5G大数据传输场景中，小区基站通过波束赋形技术在小区内划分扇区。

5.如权利要求1所述的一种基于深度学习调控扇区的导频污染消除方法，其特征在于，步骤S3具体步骤如下：

S31.波达方向角在[-π,0]内,给同一个扇区内所有用户分配相互正交的导频序列，不同扇区之间复用同一组导频序列；

S32.波达方向角在[0,π]内，给同一个扇区内所有用户分配相互正交的导频序列，不同扇区之间复用同一组导频序列；同一个扇区内，波达方向角在[-π,0]内的用户分配的导频序列与波达方向角在[0,π]内的用户分配的导频序列正交。

6.如权利要求1所述的一种基于深度学习调控扇区的导频污染消除方法，其特征在于，步骤S4包括：

S41.贝叶斯估计与最小均方误差MMSE估计等效；

基站接收的第k个扇区的信号可以表示为Y_k＝h_ks_k ^H+N_k，其中N_k表示第k个扇区的噪声，s_k表示第k个扇区的导频信号，将基站接收到所有扇区的信号和噪声矢量化，能够被表示为：

其中y＝vec(Y_k),n＝vec(N_k)，h∈C^KM×1表示K个扇区的所有信道信息堆积到一个矢量中，M表示小区基站的天线数，高斯噪声的方差为导频矩阵定义为：

应用贝叶斯定理，已知接收信号y的情况下，信道h的概率是：

假设h₁…h_K是相互独立的，第k个信道的自相关函数用R_k表示，可得随机变量h的高斯多变量概率分布密度函数为：

通过(1.b1)式可以推导出：

把(1.b4)式和(1.b5)式带入式(1.b3)，则式(1.b3)可以被写为

其中

其中

使用最大后验概率MAP决策规则，在已知观测值y的情况下，贝叶斯估计的结果为：

而最小均方误差MMSE估计的结果为：

由于(I+AB)^-1A＝A(I+BA)^-1，所以贝叶斯估计的结果(1.b8)和最小均方误差估计的结果(1.b9)相同。

7.如权利要求6所述的一种基于深度学习调控扇区的导频污染消除方法，其特征在于，步骤S4还包括：

S42.所有的扇区之间分配相同的训练导频序列，设训练导频序列为：

s＝[s₁ s₂ … s_τ]^T (1.b10)

定义导频矩阵为此时有将在基站端接收到的扇区信号矢量化，可以表示为：

S43.因为贝叶斯估计与最小均方误差MMSE估计等效，将式(1.b11)带入式(1.b9)，第j个扇区的信道状态信息h_j的贝叶斯估计表达式为：

从(1.b13)式可以看出括号中的第三项属于导频污染，对造成干扰；

通过设置干扰项为0，即括号中的第三项为0，很容易得到不存在导频污染情况下的信道状态信息表达式：

此处的上标“no int”表示不存在导频污染的情况。

8.如权利要求7所述的一种基于深度学习调控扇区的导频污染消除方法，其特征在于，步骤S4还包括：

S44.设定多径波达方向角θ的信道h_j，j＝1,...,K；

在小区内，移动用户的波达方向角AOA分布由任意概率密度p_i(θ)表示；

如，p_i(θ)＝0，其中

设定其他扇区之间的移动用户波达方向角是严格无混叠的，则有：

即随着天线数的增加，导频污染的影响越来越小。