CN109743092A - 一种基于极化-空域信息协同处理的认知异构蜂窝网络干扰对齐方法 - Google Patents
一种基于极化-空域信息协同处理的认知异构蜂窝网络干扰对齐方法 Download PDFInfo
- Publication number
- CN109743092A CN109743092A CN201910122787.1A CN201910122787A CN109743092A CN 109743092 A CN109743092 A CN 109743092A CN 201910122787 A CN201910122787 A CN 201910122787A CN 109743092 A CN109743092 A CN 109743092A
- Authority
- CN
- China
- Prior art keywords
- small cell
- user
- cellulor
- base station
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明是一种基于极化‑空域信息协同处理的认知异构蜂窝网络干扰对齐方法,用于无线通信领域。本方法以包含多小蜂窝网络的认知异构蜂窝网络为研究对象,以小蜂窝用户接收信号的均方误差最小为原则,以宏蜂窝用户受到的干扰信号功率低于干扰门限为约束,建立优化模型,求解小蜂窝网络的发送端和接收端最优的极化‑空域信息协同处理矩阵。本发明构造了小蜂窝接收端正交投影滤波器,消除了来自宏蜂窝的跨层干扰,以一种启发式方法优化了小蜂窝发送端和接收端极化‑空域协同的预编码矩阵和干扰抑制矩阵,保证了对宏蜂窝的跨层干扰约束并抑制了小蜂窝之间的同层干扰,显著提升了小蜂窝网络的误码率性能,同时提升了认知异构蜂窝网络系统的和速率性能。
Description
技术领域
本发明属于无线通信领域,涉及一种认知异构蜂窝网络系统,具体涉及一种基于极化-空域信息协同处理的认知异构蜂窝网络干扰对齐的方法。
背景技术
随着无线通信技术的发展和无线通信设备的普及,无线移动通信网络面临着有限频谱资源无法满足大量业务需求的问题。为了能够大幅度提升蜂窝网络容量,革新传统的宏蜂窝网络架构,在其中部署低功率、频率复用的多个小蜂窝节点组成异构蜂窝网络成为未来主要的发展趋势。异构蜂窝网络一方面有效地提高网络容量,实现无缝覆盖和提升边缘用户性能,另一方面频率复用技术极大地提升了频谱资源的利用率。然而,由于宏蜂窝和小蜂窝网络发射功率的差异较大,使得小蜂窝网络用户附着量较少,所以现有系统引入了小区覆盖扩展(RE,Range Extension)技术。RE技术通过功率控制的方式扩大了低功率小蜂窝节点的覆盖范围。这样却带来了严重的同频干扰问题,如宏蜂窝与小蜂窝之间的跨层干扰和小蜂窝之间的同层干扰,阻碍了网络性能的提升。认知无线电技术的引入使得小蜂窝具有随着周围环境改变发送状态的能力,成为解决异构网络中复杂干扰的有效途径。具体方法是将小蜂窝作为认知网络,在不对宏蜂窝即授权网络产生严重的跨层干扰的前提下,利用存在的频谱机会实现频谱共享。这种抑制跨层干扰的技术成为认知异构蜂窝网络实现频谱共享的核心。
传统的异构蜂窝网络干扰抑制技术主要通过多天线发送、多天线接收(MIMO)系统中的发送端和接收端的信息处理。如参考文献1[T.Xu,L.Ma and G.Sternberg,“Practicalinterference alignment and cancellation for MIMO underlay cognitive radionetworks with multiple secondary users,”in Proc.IEEE GLOBECOM,pp.1009–1014,2013.]记载的基于零空间学习和迭代求解的迭代干扰对齐(IIA,Iterative InterferenceAlignment)方法,基于零空间学习和最大化系统信干噪比(Max-SINR,Maximize Signal-to-Interference-and-Noise Ratio)干扰对齐方法。但是MIMO系统提供的自由度有限,并且随着天线数目的增加,MIMO天线的硬件实现也比较困难。因此结合具有体积小、天线相关性低等优势的正交双极化天线成为双极化MIMO天线,能够为多层网络提供更多地自由度。如参考文献2[D.Li,C.Guo,Z.Zeng and X.Lin,“Dynamic Spectrum Sharing for TD-LTEand FD-LTE Users Based on Joint Polarization Adaption and Beamforming,”inIEEE 79th Vehicular Technology Conference(VTC Spring),Seoul,pp.1-5,2014.]公开的基于极化-空域信息协同处理的联合极化适配和波束赋形(JPAB,Joint PolarizationAdaption and Beamforming)频谱共享方法,首次挖掘了小蜂窝网络双极化MIMO天线配置带来的极化域-空域协同频谱机会,通过分阶段、分层次的方式对跨层和同层干扰进行处理,但是该方法计算求解复杂,性能有待提升。
发明内容
对于目前认知异构蜂窝网络中,存在的宏蜂窝与小蜂窝之间的跨层干扰和小蜂窝之间的同层干扰,阻碍了网络性能提升的问题,本发明提出一种基于极化-空域信息协同处理的认知异构蜂窝网络干扰对齐方法,简称为IC-PSIA(Interference ConstrainedPolarization-Space based Interference Alignment)方法,利用正交投影滤波和干扰对齐技术,在干扰功率约束条件下,实现对跨层、同层干扰的抑制。
本发明提供的基于极化-空域信息协同处理的认知异构蜂窝网络干扰对齐方法,所应用的认知异构蜂窝网络包含一个宏蜂窝基站、一个宏蜂窝用户和K个小蜂窝网络,K为大于2的正整数;每个小蜂窝网络中包含一个小蜂窝基站和用户,小蜂窝基站的发送天线和小蜂窝用户的接收天线均配置正交双极化MIMO天线。本发明方法是为了获得最优的小蜂窝基站发送端的极化-空域信息协同预编码矩阵和小蜂窝用户接收端的极化-空域信息协同干扰抑制矩阵实现步骤包括步骤S1和S2。
步骤S1,考虑目标信号、跨层干扰信号、同层干扰信号和噪声,获得宏蜂窝用户的接收信号rp和第k个小蜂窝用户的接收信号rk,k=1,2,…,K。
步骤S2,以小蜂窝用户接收信号与目标接收信号的均方误差最小为原则,以宏蜂窝用户受到的所有小蜂窝基站发送给小蜂窝用户的干扰信号功率低于宏蜂窝的干扰门限为约束,建立优化模型,求解优化模型获得最优的小蜂窝基站发送端的极化-空域信息协同预编码矩阵和小蜂窝用户接收端的极化-空域信息协同干扰抑制矩阵。
所述的步骤S2中,在求解优化模型时,首先利用估计得到的宏蜂窝基站对小蜂窝用户的干扰信道矩阵和宏蜂窝的发送极化状态构造正交投影算子,然后小蜂窝接收端利用该算子进行滤波处理,消除宏蜂窝对小蜂窝的跨层干扰,获得滤波后的小蜂窝用户的接收信号,建立滤波后化简的优化模型,对化简的优化模型求解获取最优的和
本发明方法与现有技术相比,优化了小蜂窝的发送端和接收端极化-空域协同处理矩阵,实现了小蜂窝下行传输误码率最小化,提高了小蜂窝对抗跨层、同层干扰和多径信道衰落的传输可靠性,并且保证了宏蜂窝网络的正常工作和最大化认知异构蜂窝网络的系统和速率。具有地,包括如下优点和积极效果:
(1)构造了小蜂窝用户接收端正交投影滤波器,实现了消除宏蜂窝对小蜂窝用户的跨层干扰的目的;
(2)优化了小蜂窝用户接收端极化-空域协同干扰抑制矩阵,实现了对齐小蜂窝网络之间的同层干扰的目的;
(3)优化了小蜂窝基站发送端极化-空域协同预编码矩阵,实现了在满足小蜂窝网络对宏蜂窝用户产生无害跨层干扰的条件下对齐小蜂窝网络之间的同层干扰,确保宏蜂窝用户的正常传输的同时,降低小蜂窝网络的下行信号传输误差;
(4)在保证宏蜂窝的跨层干扰受限和正常传输的同时,大幅度降低了小蜂窝网络内信号传输的差错率,提升了小蜂窝对抗多径衰落信道和跨层、同层干扰的传输可靠性,同时提升了下行系统总容量。
附图说明
图1是本发明实施例的认知异构蜂窝网络模型示意图;
图2是本发明实施例的认知异构蜂窝网络干扰对齐方法流程图;
图3是本发明与背景技术中提到的IIA、Max-SINR和JPAB方法的小蜂窝下行信号传输误码率性能对比图,干扰约束为0.01瓦;
图4是本发明与背景技术中提到的IIA、Max-SINR和JPAB方法的系统和速率性能对比图,干扰约束为0.01瓦。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图对本发明作进一步的详细描述。
本发明提供的一种基于极化-空域信息协同处理的认知异构蜂窝网络干扰对齐方法,利用正交投影滤波和干扰对齐技术对认知异构蜂窝网络中存在的跨层和同层干扰进行处理,分别优化了小蜂窝在基站发送端和用户接收端的极化-空域协同处理矩阵,实现了对齐并消除宏蜂窝对小蜂窝用户产生的跨层干扰和小蜂窝之间的同层干扰的目的,同时对齐了宏蜂窝用户受到小蜂窝的跨层干扰使得其总功率低于宏蜂窝所能忍受的最大干扰功率约束,因此本发明方法在满足宏蜂窝用户正常传输条件的同时,降低了小蜂窝网络的信号传输误差,改善了小蜂窝网络的误码率性能,提升了系统的和速率性能,提升了小蜂窝对抗多径衰落信道和多种干扰的传输可靠性。
如图1所示,为本发明方法所研究的认知异构蜂窝网络模型的一个示例图,该网络包含了一个宏蜂窝网络为授权网络,包括一个宏蜂窝基站(MBS,Macro base station)和一个宏蜂窝用户(MUE,Macro cell user equipment);宏蜂窝网络中包含了K个小蜂窝网络作为认知网络,其中每个小蜂窝网络由一个小蜂窝基站(SBS,Small cell base station)和一个小蜂窝用户(SUE,Small cell user equipment)组成,小蜂窝网络基站记作SBS k,k=1,2,...,K,用户记作SUE k,k=1,2,...,K,多个小蜂窝网络与宏蜂窝共享频谱;同时,SBSk的发送天线和SUE k的接收天线均配置了正交双极化MIMO天线,分别记作A001k和A002k,k=1,2,…,K。
如图2所示,为本发明的基于极化-空域信息协同处理的认知异构蜂窝网络干扰对齐的方法的一个实现流程,下面依次对各个步骤进行说明。
步骤S1:获得宏蜂窝用户和小蜂窝用户的接收信号,用公式(3)和(4)表征。
小蜂窝基站通过正交双极化MIMO天线向小蜂窝用户发送信号,小蜂窝用户同时接收到小蜂窝基站发送的目标信号、宏蜂窝基站发送的干扰信号和其他小蜂窝基站发送的干扰信号,宏蜂窝用户同时接收到宏基站发送的目标信号和多个小蜂窝基站发送的干扰信号。
设小蜂窝基站的发送端的极化-空域信息协同预编码矩阵为小蜂窝用户的接收端的极化-空域信息协同干扰抑制矩阵为以发送端极化-空域信息协同预编码矩阵为例,该矩阵表征既需要包含MIMO天线的空域信息,也需要包含每根天线的极化状态信息,可表示为:
其中,⊙为哈达玛乘积,并将发送端空域波束赋形矢量Wk和极化状态矩阵相分离。其中,Wk包含了每根天线的波束赋形因子信息,表示复数域,Nt表示发送端MIMO天线数目;则由每根天线的极化状态矢量组成。在一个正交坐标系中,每根天线的极化状态矢量可以用Jones矢量表示,公式为:
其中,γk,i∈[0,π/2]是第k个小蜂窝网络基站的第i根正交双极化天线上极化状态的幅度描述子,φk,i∈[0,2π]是第k个小蜂窝网络基站的第i根正交双极化天线上极化状态的相位描述子,j表示虚数单位。
宏蜂窝的发射和接收极化状态分别记为和同时将宏蜂窝基站MBS对宏蜂窝用户MUE的目标信道记为Hpp,第k个小蜂窝网络内部基站对小蜂窝用户的目标信道为Hkk,宏蜂窝基站对第k个小蜂窝内用户的干扰信道记为Hpk,第k个小蜂窝基站对宏蜂窝用户的干扰信道记为Hkp,第l个和第k个小蜂窝网络之间的干扰信道为Hlk,(k≠l,l,k=1,2...K)。因此,通过叠加目标信号、跨层干扰信号、同层干扰信号和噪声,宏蜂窝用户的接收信号rp和第k个小蜂窝用户的接收信号rk分别表示为:
其中,(·)H表示共轭转置;Gp是宏蜂窝基站的发送信号功率,Gk(k=1,2,...,l,...,K)是第k个小蜂窝基站的发送信号功率,Gl是第l个小蜂窝基站的发送信号功率;sp是宏蜂窝基站发送给第k个小蜂窝网络用户的信号序列,sk(k=1,2,...,l,...,K)是第k个小蜂窝基站发送给自身小蜂窝网络内用户的信号序列;sl是第l个小蜂窝基站发送给自身小蜂窝网络内用户的信号序列;np是宏蜂窝用户的零均值、方差为的加性高斯白噪声;nk是小蜂窝用户的零均值、方差为的加性高斯白噪声;表示第l个小蜂窝基站的发送端的极化-空域信息协同预编码矩阵。
步骤S2:计算最优发送和接收极化-空域信息协同处理矩阵。
为了满足对跨层、同层干扰的消除和对小蜂窝网络性能的提升,需要依据干扰对齐原理在每个小蜂窝基站发送端和小蜂窝用户接收端设计最优的极化-空域信息协同处理矩阵,包括发送端的极化-空域信息协同预编码矩阵和接收端的极化-空域信息协同干扰抑制矩阵
设计最优发送和接收极化-空域信息协同处理矩阵时,约束宏蜂窝用户受到的所有小蜂窝基站发送给小蜂窝用户的干扰信号功率低于宏蜂窝的干扰门限,同时根据均方误差准则建立每个小蜂窝用户接收信号与目标信号的均方误差表达式,包括如下步骤S21~S24。
步骤S21:通过干扰功率约束表征,可以得到所有小蜂窝基站对宏蜂窝用户造成的跨层干扰信号功率Itotal为:
其中,E{·}为取期望值,为F-范数的平方。
步骤S22:衡量小蜂窝网络对干扰信号的抑制程度,本发明采用均方误差(MeanSquare Error,MSE)来表征。对于第k个小蜂窝网络,信号传输的均方误差MSEk表示为:
其中,是原始的发送信号,tr(A)是矩阵A的迹。
步骤S23:以为优化变量,以最小化小蜂窝网络均方误差为优化目标,以小蜂窝对宏蜂窝造成的总干扰小于宏蜂窝用户能忍受的最大干扰功率Ith为约束条件,建立带有干扰功率约束的最小化均方误差(MMSE)干扰对齐模型为:
其中,表示建立的第1个优化问题模型。
最后对模型进行求解得到最优发送和接收极化-空域协同处理矩阵。
步骤S24:对公式(7)所示的优化模型进行求解,包括步骤S241~S2410。
首先,小蜂窝基站利用宏蜂窝基站的发送极化状态和宏蜂窝基站到小蜂窝用户的干扰信道的信道状态信息(CSI,Channel state information),根据正交投影原理计算出小蜂窝用户不受宏蜂窝干扰信号的接收端正交投影滤波算子,然后利用该滤波算子消除宏蜂窝对小蜂窝的跨层干扰,并重新表征经过化简后的优化模型。
步骤S241:首先构造滤波器,利用小蜂窝接收端滤波处理来滤掉宏蜂窝对其造成的干扰。根据正交投影滤波器原理,利用估计得到的干扰信道矩阵Hpk和宏蜂窝的发送极化状态构造正交投影算子如下:
其中,I是单位矩阵,(·)-1是求矩阵的逆,上角标H表示共轭转置。由于正交投影算子可以满足如下性质:
所以由正交投影算子构造的小蜂窝接收端滤波器可以完全消除来自宏蜂窝的干扰。滤波后的等效信道为:
其中,Hij(i,j=1,2,...,K)表示第i个小蜂窝网络基站到第j个小蜂窝网络用户的传输信道。
则小蜂窝用户接收信号为:
其中,Hlk表示第l个小蜂窝网络基站到第k个小蜂窝网络用户滤波后的等效传输信道。
步骤S242:建立滤波化简后的优化模型,如下:
其中,表示第2个优化问题模型,MSEIC,k表示滤波化简后第k个小蜂窝网络信号传输误差。
根据已知的所有目标信道的信道状态信息和干扰信道的信道状态信息,利用拉格朗日乘子法和KKT(Karush-Kuhn-Tucker)条件,构造对偶函数后,求解和表征出小蜂窝用户的接收端极化-空域协同干扰抑制矩阵。
步骤S243:通过拉格朗日第一次求解,求解含有干扰功率约束条件的最小均方误差(MMSE)优化模型。设拉格朗日乘子为构造拉格朗日对偶函数
步骤S244:对接收端矩阵进行表征,根据拉格朗日乘子法和KKT条件,可以得到如下的等式:
Itotal=Ith (16)
其中,Hkl表示第k个小蜂窝网络基站到第l个小蜂窝网络用户滤波后的等效传输信道,表示第l个小蜂窝网络用户接收端极化-空域信息协同干扰抑制矩阵,Hlk表示第l个小蜂窝网络基站到第k个小蜂窝网络用户滤波后的等效传输信道,Hkk表示第k个小蜂窝网络基站到第k个小蜂窝网络用户滤波后的等效传输信道。公式(14)是带未知拉格朗日参量的发送端极化-空域协同预编码矩阵表达式,公式(15)是接收端极化-空域信息协同干扰抑制矩阵表达式,公式(16)表示满足KKT条件的等式。
然后根据一种启发式方法求解得到发送端极化-空域预编码矩阵表达式最后根据和的表达式将二者迭代求解,即可得到其最优值。
本发明基于一种引入新标量因子的启发式求解方法,重新表征以标量因子和发送端极化-空域信息协同预编码矩阵为优化变量的优化模型,根据已知的所有目标信道的信道状态信息和干扰信道的信道状态信息,利用拉格朗日乘子法和KKT(Karush-Kuhn-Tucker)条件,构造对偶函数后,求解和表征出小蜂窝基站的发送端极化-空域协同预编码矩阵和含标量因子的拉格朗日乘子变量。
步骤S245:建立引入标量因子的优化模型。考虑到很难通过传统的求解方式得到和的值,优化问题实际上是发射端信号预编码处理问题。因此本发明采用一种启发式求解方法,实现方式是引入标量因子βk,这样既可以简单快速地求解优化问题,还可以通过调节标量因子来提高接收端信噪比。因此,优化问题变为:
其中,βk表示第k个小蜂窝基站的发送端的标量因子,表示第3个优化问题模型。
步骤S246:进行拉格朗日第二次求解,假设拉格朗日乘子为则构造关于的拉格朗日对偶函数为:
根据KKT条件,可以得到如下三个等式:
并且其中,A、B表示矩阵;表示第l个小蜂窝网络用户接收端极化-空域信息协同干扰抑制矩阵。
步骤S247:由公式(19)表示的第一个等式可以得到发送端的极化-空域信息协同预编码矩阵如下:
其中
此处设所有小蜂窝对宏蜂窝造成的干扰影响是相同的,公式(20)和(21)均等价于由K个等式相加的结果。结合公式(23)的表征,由上述三个等式可以推导得到未知量的表达式:
再进一步,以最小化所有小蜂窝用户的均方误差为优化目标,以小蜂窝基站对宏蜂窝用户的总干扰功率低于干扰功率约束为约束条件,以每个小蜂窝发送和接收极化-空域协同处理矩阵为优化变量,构建基于极化-空域信息协同处理的认知异构蜂窝网络干扰对齐优化模型。
步骤S248:标量因子βk的作用是增大接收信号的功率,提升接收端信噪比,进而在满足跨层干扰功率Ith和天线最大功率Gmax,k的约束条件下增大系统容量。因此可以通过下列优化问题来求解最优的βk,建立基于香农公式的最大化系统容量优化模型:
其中,表示第4个优化问题模型,C表示系统容量,B是每个小蜂窝通信占用的相同的频带宽度。
下面根据标量因子的物理意义,构造以最大化所有小蜂窝的容量为优化目标、以标量因子为优化变量、以小蜂窝基站对宏蜂窝用户的总干扰功率低于干扰功率约束和小蜂窝天线最大发送功率为约束条件的优化模型,利用优化函数随优化变量单调递增的特性,求解和表征标量因子。
步骤S249:通过标量因子的表征很容易看出,公式(25)随着βk的增大而单调递增。因此可以根据两个约束条件得到标量因子的表达式:
其中,min(a,b)表示比较a和b的大小取其中最小值。
最后,根据小蜂窝基站的发送端极化-空域协同预编码矩阵、小蜂窝用户的接收端极化-空域协同干扰抑制矩阵、标量因子和含标量因子的拉格朗日乘子变量,利用迭代求解的方式,求得最终的极化-空域协同发送预编码矩阵和接收干扰抑制矩阵。
步骤S2410:由公式(22)、公式(23)、公式(24)和公式(26)可以得到发送端极化-空域信息协同预编码矩阵。根据已得到的发送端极化-空域信息协同预编码矩阵和接收端极化-空域信息协同干扰抑制矩阵的表达式迭代计算直到收敛,即可求得和的最优取值。
很明显可以看出,MMSE优化目标函数是有下界的,意味着它具有收敛性,因此迭代计算过程是有效的。此外,这类迭代算法求得的是局部最优解,因此可以在每个小蜂窝网络中分别计算而无须已知全局条件。
如图3和图4表示本发明的认知异构蜂窝网络干扰对齐方法的使用效果图。其中IC-PSIA表示本发明的干扰对齐方法,其他三种为现有方法,IIA表示迭代干扰对齐方法,Max-SINR表示最大化系统信干噪比干扰对齐方法,JPAB表示基于极化-空域信息协同处理的联合极化适配和波束赋形频谱共享方法。
图3比较了IIA,Max-SINR,JPAB和IC-PSIA四种方法对小蜂窝网络内信号传输的误码率性能的影响,由图3可知,随着信道的信噪比(SNR,signal-to-noise ratio)的增长,采用IC-PSIA的小蜂窝误码率(BER,bit-error rate)性能最好,误码率远低于IIA、Max-SINR和JPAB。图4则比较了IIA,Max-SINR,JPAB和IC-PSIA四种方法对系统和速率(sum rate)的影响,可知随着信道的信噪比的增加,IC-PSIA方法的性能最好,而且采用IC-PSIA和Max-SINR两种方法的系统总容量比采用IIA和JPAB两种方法的系统和速率提升了约1.5倍。由此可以得出结论:IC-PSIA比现有对齐方法显著提升了小蜂窝误码率性能和系统和速率。
综上所述,通过实施本发明实施例的一种基于极化-空域信息协同处理的认知异构蜂窝网络干扰对齐方法,可以在极化-空域结合的维度上实现宏蜂窝和小蜂窝的共存,同时提升了小蜂窝网络误码率性能和系统和速率性能,提升了系统对抗干扰、信道衰落的传输可靠性。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (7)
1.一种基于极化-空域信息协同处理的认知异构蜂窝网络干扰对齐方法,所应用的认知异构蜂窝网络包含一个宏蜂窝基站、一个宏蜂窝用户和K个小蜂窝网络,K为大于2的正整数;每个小蜂窝网络中包含一个小蜂窝基站和用户,小蜂窝基站的发送天线和小蜂窝用户的接收天线均配置正交双极化MIMO天线;其特征在于,所述的方法为了获得最优的小蜂窝基站发送端的极化-空域信息协同预编码矩阵和小蜂窝用户接收端的极化-空域信息协同干扰抑制矩阵包括如下步骤:
步骤S1,考虑目标信号、跨层干扰信号、同层干扰信号和噪声,获得宏蜂窝用户的接收信号rp和第k个小蜂窝用户的接收信号rk,k=1,2,…,K;
步骤S2,以小蜂窝用户接收信号与目标接收信号的均方误差最小为原则,以宏蜂窝用户受到的所有小蜂窝基站发送给小蜂窝用户的干扰信号功率低于宏蜂窝的干扰门限为约束,建立优化模型,求解优化模型,获得最优的小蜂窝基站发送端的极化-空域信息协同预编码矩阵和小蜂窝用户接收端的极化-空域信息协同干扰抑制矩阵;
其中,在求解优化模型时,首先利用估计得到的宏蜂窝基站对小蜂窝用户的干扰信道矩阵和宏蜂窝的发送极化状态构造正交投影算子,然后小蜂窝接收端利用该算子进行滤波处理,消除宏蜂窝对小蜂窝的跨层干扰,获得滤波后的小蜂窝用户的接收信号,建立滤波后化简的优化模型,对化简的优化模型求解获取最优的和
2.根据权利要求1所述的方法,其特征在于,所述的步骤S1中,设宏蜂窝的发送极化状态和接收极化状态分别为和宏蜂窝基站对宏蜂窝用户的目标信道为Hpp,第k个小蜂窝网络内部基站对小蜂窝用户的目标信道为Hkk,宏蜂窝基站对第k个小蜂窝内用户的干扰信道为Hpk,第k个小蜂窝基站对宏蜂窝用户的干扰信道为Hkp,第l个和第k个小蜂窝网络之间的干扰信道为Hlk;设小蜂窝基站的发送端极化-空域协同预编码矩阵为每个小蜂窝用户的接收端极化-空域协同干扰抑制矩阵为则:
宏蜂窝用户的接收信号rp为:
第k个小蜂窝用户的接收信号rk为:
其中,(·)H表示共轭转置;Gp是宏蜂窝基站的发送信号功率,Gk、Gl分别是第k个、第l个小蜂窝基站的发送信号功率;sp是宏蜂窝基站发送给第k个小蜂窝网络用户的信号序列,sk、sl分别是第k个、第l个小蜂窝网络的基站发送给各自网络内用户的信号序列;np是宏蜂窝用户的零均值、方差为的加性高斯白噪声;nk是第k个小蜂窝用户的零均值、方差为的加性高斯白噪声;表示第l个小蜂窝基站的发送端的极化-空域信息协同预编码矩阵。
3.根据权利要求1或2所述方法,其特征在于,所述的步骤S2中,建立优化模型如下:
首先,获得所有小蜂窝基站对宏蜂窝用户造成的跨层干扰信号功率Itotal,如下:
其中,E{·}为取期望值,为F-范数的平方;
其次,采用均方误差衡量小蜂窝网络对干扰信号的抑制程度,其中第k个小蜂窝网络的信号传输的均方误差MSEk为:
其中,是原始的发送信号,tr(A)是矩阵A的迹;
然后,建立带有干扰功率约束的最小化均方误差的干扰对齐优化模型,如下:
s.t.Itotal≤Ith
其中,表示所建立的优化模型,标记为第1个优化问题模型,Ith为宏蜂窝用户能忍受的最大干扰功率。
4.根据权利要求3所述方法,其特征在于,所述的步骤S2中,在求解优化模型时,包括如下步骤:
首先,利用估计得到的干扰信道矩阵Hpk和宏蜂窝信号发送极化状态构造正交投影算子如下:
其中,I是单位矩阵,(·)-1是求矩阵的逆;
小蜂窝接收端利用所述正交投影算子构造滤波器,对于第i个小蜂窝网络基站到第j个小蜂窝网络用户的传输信道Hij,滤波后的等效信道为:
则滤波后的第k个小蜂窝用户的接收信号为:
其中,Hlk表示第l个小蜂窝网络基站到第k个小蜂窝网络用户的滤波后的等效传输信道;
进一步建立滤波后化简的优化模型,如下:
s.t.Itotal≤Ith
其中,为标记的第2个优化问题模型,MSEIC,k表示滤波化简后第k个小蜂窝网络的信号传输的均方误差。
5.根据权利要求4所述方法,其特征在于,所述的步骤S2中,在求解滤波后化简的优化模型时,根据拉格朗日乘子法,设拉格朗日乘子为构造拉格朗日对偶函数如下:
进一步得到如下等式:
Itotal=Ith;
其中,Hkl表示第k个小蜂窝网络基站到第l个小蜂窝网络用户滤波后的等效传输信道,表示第l个小蜂窝网络用户接收端极化-空域信息协同干扰抑制矩阵,Hlk表示第l个小蜂窝网络基站到第k个小蜂窝网络用户滤波后的等效传输信道,Hkk表示第k个小蜂窝网络基站到第k个小蜂窝网络用户滤波后的等效传输信道。
6.根据权利要求5所述方法,其特征在于,所述的步骤S2中,利用启发式方法求解小蜂窝网络基站发送端的极化-空域预编码矩阵再根据和的表达式将二者迭代求解,获得二者最优的数值解;其中,利用启发式方法求解的过程包括:
首先,引入标量因子将优化问题模型进行变换为如下:
s.t.Itotal≤Ith
其中,βk表示第k个小蜂窝基站的发送端的标量因子,通过调节标量因子来提高小蜂窝基站接收端的信噪比;
其次,进行拉格朗日求解,设拉格朗日乘子为构造关于的拉格朗日对偶函数为:
根据KKT条件,得到如下三个等式:
其中,A、B表示矩阵;
进一步地,根据第一个等式得到发送端的极化-空域信息协同预编码矩阵其中,
设所有小蜂窝对宏蜂窝造成的干扰影响是相同的,则由上述三个等式得到
建立基于香农公式的最大化系统容量优化模型,满足跨层干扰功率Ith和天线最大功率Gmax,k的约束条件,求解最优的βk。
7.根据权利要求6所述的方法,其特征在于,所述的最大化系统容量优化模型如下:
s.t.Itotal≤Ith
其中,C表示系统容量,B是每个小蜂窝通信占用的相同的频带宽度;
进一步地,得到标量因子βk,如下:
其中,min(a,b)表示比较a和b的大小取其中最小值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2018115721824 | 2018-12-21 | ||
CN201811572182 | 2018-12-21 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109743092A true CN109743092A (zh) | 2019-05-10 |
CN109743092B CN109743092B (zh) | 2021-05-07 |
Family
ID=66367687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910122787.1A Active CN109743092B (zh) | 2018-12-21 | 2019-02-19 | 一种基于极化-空域信息协同处理的认知异构蜂窝网络干扰对齐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109743092B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111556511A (zh) * | 2020-03-30 | 2020-08-18 | 西北大学 | 一种基于智能边缘缓存的部分机会性干扰对齐方法 |
CN112702091A (zh) * | 2020-12-22 | 2021-04-23 | 杭州电子科技大学 | 多用户多天线swipt中改进的max-sinr干扰对齐方法 |
CN113258983A (zh) * | 2021-04-28 | 2021-08-13 | 北京科技大学 | 基于干扰对齐的ngso通信星座间减缓同频干扰的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014109682A1 (en) * | 2013-01-11 | 2014-07-17 | Telefonaktiebolaget Lm Ericsson (Publ) | Interference alignment based precoding method for reducing bandwidth of the backhaul network |
CN104219703A (zh) * | 2014-09-18 | 2014-12-17 | 西安电子科技大学 | 一种异构蜂窝网络下行通信中的两阶段干扰对齐方法 |
CN104283828A (zh) * | 2014-10-30 | 2015-01-14 | 无锡北邮感知技术产业研究院有限公司 | 一种异构蜂窝网络的干扰管理方法及装置 |
CN106100710A (zh) * | 2016-06-08 | 2016-11-09 | 中国电子科技集团公司第五十四研究所 | 一种基于干扰对齐技术的无条件物理层安全协作传输方法 |
CN108183740A (zh) * | 2017-12-26 | 2018-06-19 | 北京邮电大学 | 一种基于极化信息处理的认知异构蜂窝网络跨层干扰对齐方法 |
-
2019
- 2019-02-19 CN CN201910122787.1A patent/CN109743092B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014109682A1 (en) * | 2013-01-11 | 2014-07-17 | Telefonaktiebolaget Lm Ericsson (Publ) | Interference alignment based precoding method for reducing bandwidth of the backhaul network |
CN104219703A (zh) * | 2014-09-18 | 2014-12-17 | 西安电子科技大学 | 一种异构蜂窝网络下行通信中的两阶段干扰对齐方法 |
CN104283828A (zh) * | 2014-10-30 | 2015-01-14 | 无锡北邮感知技术产业研究院有限公司 | 一种异构蜂窝网络的干扰管理方法及装置 |
CN106100710A (zh) * | 2016-06-08 | 2016-11-09 | 中国电子科技集团公司第五十四研究所 | 一种基于干扰对齐技术的无条件物理层安全协作传输方法 |
CN108183740A (zh) * | 2017-12-26 | 2018-06-19 | 北京邮电大学 | 一种基于极化信息处理的认知异构蜂窝网络跨层干扰对齐方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111556511A (zh) * | 2020-03-30 | 2020-08-18 | 西北大学 | 一种基于智能边缘缓存的部分机会性干扰对齐方法 |
CN111556511B (zh) * | 2020-03-30 | 2022-05-17 | 西北大学 | 一种基于智能边缘缓存的部分机会性干扰对齐方法 |
CN112702091A (zh) * | 2020-12-22 | 2021-04-23 | 杭州电子科技大学 | 多用户多天线swipt中改进的max-sinr干扰对齐方法 |
CN113258983A (zh) * | 2021-04-28 | 2021-08-13 | 北京科技大学 | 基于干扰对齐的ngso通信星座间减缓同频干扰的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109743092B (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ng et al. | Multiobjective resource allocation for secure communication in cognitive radio networks with wireless information and power transfer | |
CN110050427A (zh) | 用于无线网络中信道测量和干扰测量的系统和方法 | |
Katwe et al. | Dynamic user clustering and optimal power allocation in UAV-assisted full-duplex hybrid NOMA system | |
Zappone et al. | Energy efficiency and interference neutralization in two-hop MIMO interference channels | |
CN109743092A (zh) | 一种基于极化-空域信息协同处理的认知异构蜂窝网络干扰对齐方法 | |
Tang et al. | Optimization for maximizing sum secrecy rate in SWIPT-enabled NOMA systems | |
CN104885511A (zh) | 涉及干扰减轻有效测量的方法和设备 | |
AU2013256044A1 (en) | System and methods for coping with Doppler effects in distributed-input distributed-output wireless systems | |
JP2016507984A (ja) | 無線通信システムにおいて、チャネル状態情報を報告する方法及び装置 | |
Wei et al. | Resource allocation for wireless-powered full-duplex relaying systems with nonlinear energy harvesting efficiency | |
Ahmed et al. | Performance analysis of full-duplex-MRC-MIMO with self-interference cancellation using null-space-projection | |
Zhang et al. | Performance analysis of user pairing in cooperative NOMA networks | |
Zappone et al. | Energy-efficient resource allocation in future wireless networks by sequential fractional programming | |
CN114503455A (zh) | 用于在宽带通信系统中运行的方法和装置 | |
Qin et al. | Joint beamforming and user selection in multiuser collaborative MIMO SWIPT systems with nonnegligible circuit energy consumption | |
CN109478986A (zh) | 多用户叠加传输参数到用户设备的传输 | |
CN108183740B (zh) | 基于极化信息处理的认知异构蜂窝网络跨层干扰对齐方法 | |
CN107809795A (zh) | D2d异构无线通信网络中基于时间反演的抗干扰方法 | |
Guo et al. | Performance analysis of IQI impaired cooperative NOMA for 5G-enabled Internet of Things | |
Zheng et al. | Performance analysis of cell-free massive MIMO systems with asynchronous reception | |
Xia et al. | Bandwidth allocation in heterogeneous networks with wireless backhaul | |
Lagen et al. | Decentralized widely linear precoding design for the MIMO interference channel | |
Li et al. | Cognitive wireless networks using the CSS technology | |
Xiong et al. | Centralized dynamic point blanking in LTE-advanced network for inter-cell interference mitigation | |
Guan et al. | Energy efficiency maximization of simultaneous transmission and reflection RIS assisted Full-Duplex communications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |