CN110505643B - 基于模拟退火算法的大规模mimo系统上行能效优化方法 - Google Patents
基于模拟退火算法的大规模mimo系统上行能效优化方法 Download PDFInfo
- Publication number
- CN110505643B CN110505643B CN201910897122.8A CN201910897122A CN110505643B CN 110505643 B CN110505643 B CN 110505643B CN 201910897122 A CN201910897122 A CN 201910897122A CN 110505643 B CN110505643 B CN 110505643B
- Authority
- CN
- China
- Prior art keywords
- energy efficiency
- quantization
- base station
- simulated annealing
- temperature
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radio Transmission System (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于模拟退火算法的大规模MIMO系统上行能效优化方法,包括步骤:S1:通过最小均方误差(Minimum Mean Squared Error,简称MMSE)信道估计,从基站接收到的导频信号中可推导出未量化信号的协方差矩阵。S2:信号经过量化系统,根据Bussgang理论与MMSE信道估计可得量化后系统噪声的协方差矩阵,由香农公式可得量化后的系统容量下限。通过以上公式,可得到系统的频谱效率。S3:根据能量效率的定义,得到大规模MIMO系统上行能量效率。S4:构建模拟退火算法模型,设计合理的退火参数,并进行求解最优值。本方法计算速度快速,鲁棒性强,并且不会陷入局部极值,执行效率更高。
Description
技术领域
本发明属于通信技术领域,涉及多输入多输出(Multiple-Input Multiple-Output,简称MIMO)系统中上行链路中的能效优化,特别是基于模拟退火算法的大规模MIMO系统天线选择分组量化方案设计。
背景技术
模数转换器(Analog-to-Digital Converter,简称ADC)在数字信号处理过程中占有重要的地位。在大规模MIMO系统中,上行链路基站侧根天线上都配备了一个ADC,其量化精度与系统频谱效率和能量效率都有直接的关系。由于导频污染的存在,无限度地增加基站侧天线数并不能无上限地提升系统的频谱效率。而且,当接收机使用低精度的ADC时,调整基站侧天线数,可使系统获得较好的频谱效率。因此,通过合理配置站侧天线上ADC的量化比特数与基站侧天线数来提升整个系统的频谱效率和能效率显得尤为重要。
模拟退火算法(Simulated Annealing,简称SA)是一种在大搜索空间内寻找全局最优解的算法。固体加热至足够温度时,将会溶解为液体。此时,内部粒子因为能量较高,不稳定,可以自由运动和重新排列。但以一定速率冷却降温时,粒子又会以低能状态进行冷凝结晶变成固体,从而达到某种稳定状态。因此,退火的过程,便是找到目标函数的最优解的过程。SA算法可以有效避免陷入局部极小值,并最终趋于全局最优的优化算法。
发明内容
本发明提出一种基于模拟退火算法的大规模MIMO系统上行能效优化方法,先从理论推导量化比特数与系统频谱效率和能量效率的关系,然后用模拟退火算法对量化比特数和天线数进行优化,提出一种新的天线选择分组量化方案,其可以针对A/D转换器能耗合理选择精度和天线数,有效提升系统能量效率。
为达到上述目的,本发明所述基于模拟退火算法的大规模MIMO系统上行能效优化方法,包括以下步骤:
S1:通过MMSE信道估计,从基站接收到的导频信号中推导出未量化信号的协方差矩阵;
S2:信号经过量化系统,根据Bussgang理论与MMSE信道估计计算量化后系统噪声的协方差矩阵,由香农公式计算出量化后的系统容量下限,从而得到系统的频谱效率;
S3:根据频谱效率/总能量能耗,得到大规模MIMO系统上行能量效率;
S4:构建模拟退火算法模型,设计退火参数,求解最优值。
进一步地,步骤S1具体为:
基站天线接收机接收到的导频信号是
进一步地,步骤S2具体为:
基站侧接收端的ADC对接收到的信号进行采样,对采样信号进行量化;
据Bussgang理论,经过A/D量化器量化后的信号表示成:
r=Fy+e
其中,量化后噪声向量e与y不相关,y为未经量化的输出信号。
量化系统线性函数F通过r和y基于MMSE算法估计得出
基于均方误差最小的原理对信号进行量化后可以得出
采用匹配滤波算法预编码方案,得到协方差矩阵
代入系统互信息公式,得到系统的频谱效率:
进一步地,步骤S3具体为:
系统上行链路的总能量消耗与量化比特数的关系表示为
经过ADC量化后系统能量效率的表达式为
进一步地,步骤S4具体为:
用模拟退火算法优化出最佳的量化比特数b和基站侧天线数m使系统能够获得最大的能量效率,具体为:
S4.1:将能量效率函数EE(b,m)设置为目标函数,天线数m和量化比特数b设置为自由变量;设定模拟退火算法的初始温度,迭代次数,终止条件,随机生成初始解,并计算目标函数EE(b,m);
S4.2:设置模拟退火算法的初始温度T0,迭代次数T,温度概率系数Kt和温度降低速率d,新温度与旧温度的关系为Tnew=d*Told;
S4.3:缓慢降低温度,扰动产生新的解b',m,计算目标函数EE(b',m');计算ΔEE=EE(b',m')-EE(b,m)的值;
S4.4:若ΔEE≤0,则接受新解,b=b',m=m',EE(b,m)=EE(b',m'),若ΔEE>0,则按照Metropolis准则接受新解;
S4.5:在每个温度下重复步骤S4.3和S4.4,如果达到了迭代次数,则判断是否满足终止条件;若不满足,则缓慢降低温度重置迭代次数;若满足,则结束运算,得到目标函数的最优解,即为该精度A/D转换器下的最优天线分组量化方案。
本发明的优点及有益效果如下:本发明针对大规模MIMO系统上行能量效率模型中的两个关键性变量因素提出了一种量化比特数及基站天线数的模拟退火优化算法,该算法精确度高,计算速度快,全局收敛性强,能有效提升系统的能量效率,更高效得节约能耗,降低信息损失。
附图说明
图1为本发明所述优化方法整体流程示意图;
图2为大规模MIMO系统模型图
图3为上行链路模型图;
图4为模拟退火算法流程图;
具体实施方式
下面结合具体实施方式和附图,对本发明作进一步的介绍。
图1即为本发明所述基于模拟退火算法的大规模MIMO系统上行能效优化方法的整体流程图,具体计算流程表述如下:
图2为大规模MIMO系统模型图。系统由L个蜂窝小区组成,每个蜂窝小区中心都有一个配备了M根天线的基站和K个随机分布在小区内的单天线用户。设任意一个小区内所有用户都发送长度为τ的导频序列,令第j个小区内K个用户发送的导频序列为则第l个小区基站侧接收机接收到的导频信号为:
其中,ρp表示用户发送导频的功率;Wl表示第l个小区内的加性高斯白噪声;Glj表示第j个小区与第l个小区之间的信道。基站根据接收到的信号对信道进行估计,假设表示第l个小区内K个用户与基站侧M根天线之间的信道,利用MMSE信道估计可得的表达式,又
根据信道估计的基本性质可得,和也相互独立。信道估计矩阵中第k列的元素均服从高斯分布,并且均值为0,方差为误差矩阵中第k列的元素均服从高斯分布,并且均值为0,方差为因此,当第l个小区内第k个用户发送的信号为xlk时,基站侧接收机接收到第k个用户的信号为:
其中,ρd表示用户发射信号的功率;nl表示小区内的高斯白噪声,并且nl~CN(0,IM)。假设p,q∈CM×1是归一化的复高斯随机向量,当M趋向于无穷大时,可以得到||pHq||2=M和||p||4=M2+2M两个公式[65]。因此,基站侧M根天线接收到未量化信号的协方差矩阵为:
其中
基站侧接收端的ADC对接收到的信号进行采样,采样后用0、1符号组成的序列代替采样前的信号。图3为系统量化模型图,量化Q(*)表示量化的过程,即量化系统函数。经过量化后的信号可表示为:
r=y+q
根据Bussgang理论,量化后的信号可以重新表示成:
r=Fy+e
其中量化后噪声向量e与y不相关,量化系统线性函数F可以通过r和y基于MMSE算法来估计出来:
综上,r的表达式可进一步表示为:
r=H′xlk+η
其中
量化后的系统噪声的协方差矩阵为;
根据香农公式可得经过ADC量化后系统容量的下限为:
信道的损耗系数与量化信噪比都成反比关系,且损耗系数值近似为其中b表示接收端ADC的量化比特数。假设ρi(i=1,2,…,M)表示基站侧第i根天线的量化因子,每个小区基站侧M根天线的量化损耗系数定义为对角矩阵ρ,即
根据上面公式可以得到以下协方差矩阵:
获得的上面三个协方差矩阵都是计算量化系统容量的关键矩阵,带入系统互信息公式,得到小区内第k个用户的系统频谱效率:
A/D转换器的能量消耗增长与量化精度和带宽都有关系,满足以下公式:
其中,bi表示基站侧第i根天线的量化比特数;Bw表示信道传输带宽;σ2表示噪声功率;a0表示由ADC硬件特性决定的常数。当天线处于工作状态时,即有能量损耗,bi>0;当天线处于闲置状态时,即没有能量消耗,bi=0。
在基站侧有M根天线,每根天线的接收机都有A/D转换器。除了A/D转换器的能耗,还有其他链路的电路部分以及移动终端消耗的能量a1。因此系统上行链路的总能量消耗与量化比特数的关系可以表示为:
根据能量效率的定义,即频谱效率除于总能量消耗。为了衡量上行链路的能量效率,电路能量消耗,A/D转换器能量消耗都比较明确。在上行链路系统中,输入的是能量,输出的是信息,根据香浓容量下限,将大规模MIMO系统上行能量效率写成:
图4为模拟退火算法流程图,本发明用模拟退火算法优化出最佳的量化比特数b和基站侧天线数m使系统能够获得最大的能量效率。具体为:
S4.1:将能量效率函数EE(b,m)设置为目标函数,天线数m和量化比特数b设置为自由变量。将变量的取值范围设置为b∈1~10,m∈4~400。随机生成一个初始解,计算EE(b,m)的值。
S4.2:设置模拟退火算法的初始温度T0,迭代次数T,温度概率系数Kt和温度降低速率d。新温度与旧温度的关系为Tnew=d*Told。
S4.3:缓慢降低温度,在新温度下产生新的解b',m',计算ΔEE=EE(b′,m′)-EE(b,m)的值。
S4.5:在每一个温度下重复步骤4.3和4.4。如果达到了迭代次数,则判断是否满足终止条件。若不满足,则缓慢降低温度重置迭代次数。若满足,则结束运算,得到目标函数的最优解,该精度A/D转换器下的最优天线分组量化方案。
Claims (1)
1.基于模拟退火算法的大规模MIMO系统上行能效优化方法,包括以下步骤:
S1:通过MMSE信道估计,从基站接收到的导频信号中推导出未量化信号的协方差矩阵;
S2:信号经过量化系统,根据Bussgang理论与MMSE信道估计计算量化后系统噪声的协方差矩阵,由香农公式计算出量化后的系统容量下限,从而得到系统的频谱效率;
S3:根据频谱效率和总能量能耗,得到大规模MIMO系统上行能量效率;
S4:构建模拟退火算法模型,设计退火参数,求解最优值;
步骤S1具体为:
基站天线接收机接收到的导频信号是:
步骤S2具体为:
基站侧接收端的ADC对接收到的信号进行采样,对采样信号进行量化;
据Bussgang理论,经过A/D量化器量化后的信号表示成:
r=Fy+e
其中,量化后噪声向量e与y不相关,y为未经量化的输出信号;
量化系统线性函数F通过r和y基于MMSE算法估计得出:
基于均方误差最小的原理对信号进行量化后得出:
采用匹配滤波算法预编码方案,得到协方差矩阵:
代入系统互信息公式,得到系统的频谱效率:
步骤S3具体为:
系统上行链路的总能量消耗与量化比特数的关系表示为:
经过ADC量化后系统能量效率的表达式为:
步骤S4具体为:
用模拟退火算法优化出最佳的量化比特数b和基站侧天线数m使系统能够获得最大的能量效率,具体为:
S4.1:将能量效率函数EE(b,m)设置为目标函数,天线数m和量化比特数b设置为自由变量;设定模拟退火算法的初始温度,迭代次数,终止条件,随机生成初始解,并计算目标函数EE(b,m);
S4.2:设置模拟退火算法的初始温度T0,迭代次数T,温度概率系数Kt和温度降低速率d,新温度与旧温度的关系为Tnew=d*Told;
S4.3:缓慢降低温度,扰动产生新的解b',m',计算目标函数EE(b',m');计算ΔEE=EE(b',m')-EE(b,m)的值;
S4.4:若ΔEE≤0,则接受新解,b=b',m=m',EE(b,m)=EE(b',m'),若ΔEE>0,则按照Metropolis准则接受新解;
S4.5:在每个温度下重复步骤S4.3和S4.4,如果达到了迭代次数,则判断是否满足终止条件;若不满足,则缓慢降低温度重置迭代次数;若满足,则结束运算,得到目标函数的最优解,即为该精度A/D转换器下的最优天线分组量化方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910897122.8A CN110505643B (zh) | 2019-09-23 | 2019-09-23 | 基于模拟退火算法的大规模mimo系统上行能效优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910897122.8A CN110505643B (zh) | 2019-09-23 | 2019-09-23 | 基于模拟退火算法的大规模mimo系统上行能效优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110505643A CN110505643A (zh) | 2019-11-26 |
CN110505643B true CN110505643B (zh) | 2022-12-02 |
Family
ID=68592381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910897122.8A Active CN110505643B (zh) | 2019-09-23 | 2019-09-23 | 基于模拟退火算法的大规模mimo系统上行能效优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110505643B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113141656B (zh) * | 2020-01-20 | 2022-08-16 | 南京邮电大学 | 基于改进的模拟退火的noma跨层功率分配方法和装置 |
CN113179109B (zh) * | 2021-04-26 | 2022-03-29 | 南京盛航海运股份有限公司 | 一种去蜂窝大规模mimo上行频谱效率优化方法 |
CN113536725B (zh) * | 2021-06-23 | 2023-09-05 | 香港理工大学深圳研究院 | 一种应用于超宽带波分复用系统的预放大参数优化方法 |
CN114302487B (zh) * | 2021-12-28 | 2024-03-05 | 中南大学 | 基于自适应粒子群功率分配的能效优化方法、装置及设备 |
CN114786194A (zh) * | 2022-03-23 | 2022-07-22 | 南京晓庄学院 | 一种雾接入点范围扩展偏置与发送功率联合调整方法 |
CN115776424B (zh) * | 2022-11-16 | 2023-08-01 | 南通大学 | 一种去蜂窝大规模mimo共生通信系统信道估计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103873205A (zh) * | 2014-03-19 | 2014-06-18 | 山东大学 | 基于mmse预编码与模拟退火算法的mimo用户选择算法 |
CN109995403A (zh) * | 2019-04-10 | 2019-07-09 | 重庆邮电大学 | 大规模mimo系统中基于模拟退火思想改进的las检测算法 |
CN110149130A (zh) * | 2019-05-16 | 2019-08-20 | 杭州电子科技大学 | 一种基于pso的大规模mimo系统上行能量效率优化方法 |
-
2019
- 2019-09-23 CN CN201910897122.8A patent/CN110505643B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103873205A (zh) * | 2014-03-19 | 2014-06-18 | 山东大学 | 基于mmse预编码与模拟退火算法的mimo用户选择算法 |
CN109995403A (zh) * | 2019-04-10 | 2019-07-09 | 重庆邮电大学 | 大规模mimo系统中基于模拟退火思想改进的las检测算法 |
CN110149130A (zh) * | 2019-05-16 | 2019-08-20 | 杭州电子科技大学 | 一种基于pso的大规模mimo系统上行能量效率优化方法 |
Non-Patent Citations (1)
Title |
---|
大规模MIMO系统中的动态导频分配方案;方昕 等;《电信科学》;20170731(第7期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110505643A (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110505643B (zh) | 基于模拟退火算法的大规模mimo系统上行能效优化方法 | |
CN110099017B (zh) | 基于深度神经网络的混合量化系统的信道估计方法 | |
Risi et al. | Massive MIMO with 1-bit ADC | |
CN111181619B (zh) | 基于深度强化学习的毫米波混合波束成形设计方法 | |
CN107332598B (zh) | 一种基于深度学习的mimo系统联合预编码和天线选择方法 | |
CN110808765B (zh) | 一种基于不完全信道信息的大规模mimo系统频谱效率优化的功率分配方法 | |
CN113179109B (zh) | 一种去蜂窝大规模mimo上行频谱效率优化方法 | |
CN108063634B (zh) | 一种低精度量化大规模mimo中最优正则预编码方法 | |
CN110138425B (zh) | 低复杂度阵列天线多输入多输出系统混合预编码算法 | |
CN107566305A (zh) | 一种低复杂度的毫米波系统信道估计方法 | |
CN109474388A (zh) | 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法 | |
CN108199990B (zh) | 一种非高斯噪声3d-mimo信道估计方法 | |
CN107707284B (zh) | 一种基于信道统计量码本量化反馈的混合预编码方法 | |
CN109818887B (zh) | 基于evd-ilsp的半盲信道估计方法 | |
Kolomvakis et al. | Quantized uplink massive MIMO systems with linear receivers | |
CN113660062B (zh) | 无蜂窝大规模分布式mimo系统中基于深度强化学习的低精度adc量化比特数分配方法 | |
CN107359920A (zh) | 一种基于切比雪夫迭代法的大规模mimo预编码方法 | |
CN110912588B (zh) | 一种基于改进Prony方法的下行时变信道预测方法 | |
CN101494625A (zh) | 一种线性均衡方法及线性均衡器 | |
Li et al. | Optimal design of energy and spectral efficiency tradeoff in one-bit massive MIMO systems | |
CN110149130A (zh) | 一种基于pso的大规模mimo系统上行能量效率优化方法 | |
CN102916916A (zh) | 基于最小误码率准则的自适应信道均衡器及其实现方法 | |
CN111010220A (zh) | 基于能量效率的多用户多流的下行混合预编码方法及系统 | |
CN114760647A (zh) | 一种去蜂窝大规模mimo上行总速率一阶优化方法 | |
CN111314250B (zh) | 大规模多输入多输出系统的量化设计与信道估计方法 |
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 |