CN109687948A - 一种时分双工大规模mimo系统中的传输功率和导频联合优化方案 - Google Patents

Abstract

针对时分双工大大规模MIMO系统的导频污染问题，我们提出了一种时分双工大规模MIMO系统中的传输功率和导频联合优化方案，以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降低导频污染，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，并且制定了实现最大化‑最小的速率。在此基础上提出启发式导频分配方案。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系统中的传输功率和导频联合优化 方案

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，基于用户导频功率和数据功率的联合优化方法，提出新的导频分配方案，有效降低导频污染，提高系统性能

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，而且还只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正比，然而，导频数量及其匮乏，所以在多小区时分双工大规模MIMO系统中，多小区高复用导频序列，导致相邻小区中的非正交上行导频序列产生导频污染，导频污染极其限制MIMO系统的性能。

发明内容

本发明要解决的技术问题是，一种时分双工大规模MIMO系统中的传输功率和导频联合优化方案，通过联合分配导频功率和数据功率，提出新的导频分配方案，以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系统中的传输功率和导频联合优化方案，包括以下步骤：

步骤1、大规模MIMO系统和信道模型

由L个小区组成的多蜂窝大规模MIMO系统，其中每个小区配备有大量天线N的基站服务K个单天线用户。所有的基站和用户应该完全同步，并且其中每个小区内的用户的上行链路导频是相互正交，并且从一个小区重用到另一个小区。s_k＝[s_k1,s_k2,…,s_kτ]是长度为τ的导频序列，其中τ≥K，k＝1,…,K满足和k≠k′，因此，在第t个时隙时，基站j(j＝1,…,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)的用户k到基站的信道；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。

下面是导频序列分配表，其中，被分配第k个导频的所有用户的集合标记做其中表示第L个小区被分配到第k个导频信号的用户。

导频序列分配表

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,…,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个基站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的确定性近似得出：

其中引进的等式如下：

当t＝0时，的表达式为：

步骤4、联合导频功率和数据功率分配以达到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。

其中是速率权重系数。其可通过仿真确定

步骤5、基于联合导频功率和数据功率的导频分配方案

根据启发式算法，给出下面式子：

根据上式来进行导频分配。

附图说明

图1为本发明的流程图；

图2为用户数为7，用户随机分散在半径为0.4r-0.9r的位置图；

图3为用户数为7，用户随机分散在半径为0.4r-0.9r，天线数量和最大化最小速率关系图；

图4为用户数为7，用户随机分散在半径为0.6r-0.8r，天线数量和最大化最小速率关系图；

图5为每小区用户数量和最大化最小速率关系图。

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。

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，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7个用户(随机分别在距离各自基站0.4r到0.9r之间)情况下的用户位置，所有用户具有相同的时间相关性其中+为用户，□为基站。图3最大化最小速率随着基站天线数量的增加而略有增加；随着时间的增加而增加相关性，这意味着较慢的时变信道和更好的卡尔曼滤波器信道估计。另一方面，拟议方案在增量趋势上有一些相似之处，但增幅较大。更重要的是，与传统的简化版方案相比，所提出的方案提供了很大的性能改进。我们还给出了采取联合导频功率和数据功率分配方案的性能，(所提出的动态功率分配)，相对比而言，提出的导频分配方案优于动态功率分配方案，系统性能有所改进。

在图4中，每个小区的用户数为7(随机分布在距离各自基站0.6r到0.8r之间)，我们分别绘制天线数与最大化最小速率的关系图。随着天线数的增加，系统的最小化速率在逐步上升，上升幅度明显高于动态功率分配和传统的简化版方案，我们提出的算法有效的减轻了系统间的导频污染。

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。基站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动态功率分配和简化版方案，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，我们提出了时分双工大规模MIMO系统中的传输功率和导频联合优化方案。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，基于该估计值推导出了速率的确定性近似公式。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，在此基础上，提出导频分配方案。数值结果证实了所提议的方案有效减轻系统的导频污染，提高了系统的速率。

如图1所示，本发明提供一种时分双工大规模MIMO系统中的传输功率和导频联合优化方案，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的基站服务K个单天线用户。所有的基站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，并且从一个小区重用到另一个小区。s_k＝[s_k1,s_k2,…,s_kτ]是长度为τ的导频序列，其中k＝1,…,K满足和k≠k′，因此，在第t个时隙时，基站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)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。仿真时

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,…,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。等于用户到目标基站的距离。

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，且的初始值为0。的初始值为是时间相关参数，取值为0.98或者0.96。

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个基站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

当t＝0时，的表达式为：

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

为了解决这个问题，我们引入松弛变量和连续凸逼近以进一步近似为和其中其中定义了四个函数，简化不等式，还定义了两个参数其仿真时可取值为

上式(9)主要是用来求解出导频功率和数据功率，基于上式，我们采用迭代的方式，可以求出导频功率和数据功率用于下面导频分配算法中。

B.数据功率固定的最佳导频功率

对于数据功率固定在(9)中的导频功率的优化基于拉格朗日函数给出如下：

其中

其中，系数还有双变量系数和

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(9)中的导频功率的优化拉格朗日函数给出如下：

其中

其中系数还有双变量系数和

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。

步骤5、基于启发式的导频分配方案

根据启发式算法，用户m在小区j的表达式如下

根据的表达式，求出每个用户相对应的值，根据的大小进行排序，选出值最小的用户，并记录其在哪个小区，随后在该小区中随机选择一名用户与其交换导频，并根据式子(10)算出新的导频功率，重新计算的值与之前的相比较，具体导频分配算法如下：

Claims (1)

1.一种时分双工大规模MIMO系统中的传输功率和导频联合优化方案，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的基站服务K个单天线用户；所有的基站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，并且从一个小区重用到另一个小区；s_k＝[s_k1,s_k2,…,s_kτ]是长度为的导频序列，其中满足和因此，在第t个时隙时，基站j(j＝1,…,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)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；仿真时

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,…,K的信道(1)中的信号被写为：

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；等于用户到目标基站的距离

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，且的初始值为0；的初始值为是时间相关参数，取值为0.98或者0.96；

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个基站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

当t＝0时，的表达式为：

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

为了解决这个问题，引入松弛变量和连续凸逼近以进一步近似为和其中其中定义了四个函数，简化不等式，还定义了两个参数其仿真时可取值为

上式(9)主要是用来求解出导频功率和数据功率，基于上式，采用迭代的方式，求出导频功率和数据功率用于下面导频分配算法中；

B.数据功率固定的最佳导频功率

对于数据功率固定在(9)中的导频功率的优化基于拉格朗日函数给出如下：

其中

其中，系数还有双变量系数和

最优变量R_p ^*,和满足和并且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(9)中的导频功率的优化拉格朗日函数给出如下：

其中

其中系数还有双变量系数和

最优变量R_ρ ^*,和满足和并且使用基于梯度的递减步长来计算最优双变量；

步骤5、基于启发式的导频分配方案

根据启发式算法，用户m在小区j的表达式如下

根据的表达式，求出每个用户相对应的值，根据的大小进行排序，选出值最小的用户，并记录其在哪个小区，随后在该小区中随机选择一名用户与其交换导频，并根据式子(10)算出新的导频功率，重新计算的值与之前的相比较。