CN111294104B

CN111294104B - 一种基于特征值分解的波束赋形优化方法

Info

Publication number: CN111294104B
Application number: CN202010125758.3A
Authority: CN
Inventors: 祁永敏
Original assignee: Hangzhou Dianzi University
Current assignee: Hangzhou Dianzi University
Priority date: 2020-02-27
Filing date: 2020-02-27
Publication date: 2022-10-21
Anticipated expiration: 2040-02-27
Also published as: CN111294104A

Abstract

本发明公开了一种基于特征值分解的波束赋形优化方法。本发明通过在射频处理单元增加一个参考信号的预合并模块，大大降低了基带处理单元和射频处理单元的数据流量，并大大降低了计算的复杂度。此外，发明中基于特征值分解的波束赋形算法降低了对于硬件的需求，且没有降低波束赋形的增益，是一个切实可行的方案。

Description

一种基于特征值分解的波束赋形优化方法

技术领域

本发明属于无线移动通信技术领域，涉及波束赋形优化技术领域，具体是一种对基站发送信号波束赋形优化的方法。

背景技术

波束赋形算法是目前移动通信领域的一种关键技术。是近几年来用于提高频谱效率和覆盖的一种有效方法。为了实现波束赋形，基站侧需要有多个发送接收天线阵子。天线阵子越多波束赋形的增益越大。在TD-LTE初期，一般基站侧多采用8阵子天线，而目前已经提升到了64阵子。随着阵子数的不断提升，波束赋形的效果有了显著提高。但这种性能的提升的代价是对基站系统的硬件系统有了更高的要求：

1.基带信号处理单元和无线射频单元之间的数据通信带宽需要成倍增加。当基站天线的阵子数由8阵子提升为64阵子时，基带信号处理单元和无线射频单元的带宽需求也提高了8倍。

2.波束赋形算法的复杂度也更高了，对于基带处理器的要求也越来越高。例如8阵子时，如果要计算特征向量，需要对8x8的相关矩阵做特征值分解。而当阵子数增加为64时，如果考虑只对同极化方向的信号做处理，则相关矩阵维数增加到32x32。对32x32的相关矩阵做特征值分解是一个浩大的工作量。

对于上述第一个限制，随着5G系统的引入和发展，传统的基于特征值分解的波束赋形办法已基本行不通，原因是信道最大带宽从TD-LTE时期的20M增加到了100M，从而造成基带信号处理单元和无线射频处理单元之间的数据通信带宽需求也增加了5倍。为了解决这个问题，3GPP对基带信号处理单元和射频处理单元的功能模块做了重新划分，把一部分波束赋形的功能从基带处理单元移到了射频单元。这种做法虽然减少了基带处理单元和射频处理单元的数据速率但增加了射频处理单元的复杂度，从而造成射频处理单元的重量的增加和散热处理的难度，也提高了射频处理单元的成本。

对于上述第二个限制，在4G时代随着阵列天线的引入，就有人提出了有效的简化算法。把一个大的全相关矩阵分解成一个水平相关矩阵和一个垂直相关矩阵，然后分别在垂直和水平方向上做特征值分解从而降低计算的复杂程度。具体方法请参考发明内容部分。该方法极大降低了计算量，而且对性能的降低不明显。尽管如此，基于特征值分解的波束赋形算法仍然具有较高的计算复杂度。

参考文献：

[1]3GPP TS 38.401 3rd Generation Partnership Project；TechnicalSpecification Group Radio Access Network；NG-RAN；Architecture description

[2]3GPP TS 38.802 3rd Generation Partnership Project；TechnicalSpecification Group Radio Access Network；Study on New Radio Access TechnologyPhysical Layer Aspects.

[3]3GPP TS 38.901 3rd Generation Partnership Project；TechnicalSpecification Group Radio Access Network；Study on channel model forfrequencies from 0.5 to 100GHz

[4]Stefania Sesia，Issam Toufik，Matthew Baker：LTE-The UMTS Long TermEvolution From Theory to Practice

发明内容

本发明针对现有技术的不足，提出了一种简便的基于特征值分解的波束赋形方法。该方法有效的降低了基带处理单元与射频处理单元的数据流量需求，同时也有效的降低了计算复杂度。该算法对波束赋形的增益降低不明显，是一种有效的降低基站成本的方法。

一种基于特征值分解的波束赋形优化方法，该方法具体是：

(1)在无线射频单元增加参考信号的预处理；将来自天线每一列和每一行的信号分别进行合并；

其中将来白天线每一列和每一行的信号分别进行合并，具体为：

步骤①：静态定义一组数据预处理的权值矩阵：Wh＝[wh_i，j]和Wv＝[wv_i，j]。其中，Wh是数据的列合并预处理矩阵，Wv是数据的行合并预处理矩阵。wh_i，j和wv_i，j表示某一个天线阵子对应的权值。对某一列J列合并的权值矩阵为：Wh_J＝[wh_i，j]；其中j＝J时，wh_i，j≠0，当j≠J时，wh_i，j＝0；类似的，对于某一行I合并的权值矩阵行合并的权值Wv_I＝[wv_i，j]，其中i＝I时，wv_i，j≠0不为0，当i≠I时，wv_i，j＝0；

步骤②：假设天线阵子有M行，N列，每个天线的参考信号用S_i，j表示，其中i表示天线阵子的行而j表示天线阵子的列，则合并第j列天线阵子的信号表示为：

同样的合并第i行天线阵子的信号表示为：

其中i为1到M，而j为1到N。即每列合并后得到水平方向信号向量可表示为：Sh＝[Sh₁，Sh₂，...Sh_N]，每行合并后得到垂直方向的信号向量可表示为：Sv＝[Sv₁，Sv₂，...Sv_M]。

(2)在基带处理单元基于已处理过的参考信号向量Sh和Sv进行信道估计，相关矩阵构造以及特征值分解。

作为优选，所述的基带处理单元基于已处理过的参考信号向量Sh和Sv进行信道估计，标记为：H_h＝F(Sh)和H_v＝F(Sv)。其中，H_h为基于水平方向参考信号向量Sh得到的信道估计结果，而H_v是基于垂直方向参考信号向量Sv得到的信道估计结果。F()为信道估计传递函数。

作为优选，构造相关矩阵，具体为：对基于垂直方向参考信号向量得到的信道估计向量H_v以及基于水平方向参考信号向量得到的信道估计向量H_h分别求相关矩阵，从而得到两个相关矩阵：C_h＝H_h*×H_h，C_v＝H_v*×H_v，右角标*表示共轭转置。

作为优选，所述的特征值分解，具体为：

步骤1：对C_h和C_v分别做EVD分解得到最大的特征值以及对应的特征向量：[D_h，V_h]＝EVD(C_h)，[D_v，V_v]＝EVD(C_v)，其中D_h表示水平方向特征值分解得到的最大特征值，V_h表示水平方向最大特征值对应的特征向量；D_v表示垂直方向特征值分解得到的最大特征值，V_v表示垂直方向最大特征值对应的特征向量。EVD()表示特征值分解的传递函数。

步骤2：将垂直方向最大特征值对应的特征向量转置并和水平方向最大特征值对应的特征向量做克罗内克内积，从而得到最终的特征向量：V＝Kron(V_h，V_v′)，其中右角标′表示矩阵转置。

作为优选，所述的参考信号包括但并不局限于3GPP定义的SRS(soundingreference signal)，DMRS(data modulation reference signal)。

该发明中所说的参考信号处理包括信道估计，相关矩阵构造以及特征值分解，在条件允许的情况下也可以放在无线射频单元。只要对参考信号进行了预合并都属于本发明范围。

本发明相对于现有技术所具有的效果：该发明大大减少了基带处理单元和无线射频处理单元之间的数据流量。假设天线有M×N个阵子，通过该发明，数据流量将从M×N减少为M+N流数据。由于参考信号接收数据流的减少，也大大降低了数据处理的复杂度。数据处理的复杂度降低体现在：

1.当数据流数从M×N减少为M+N时，信道估计的计算量也降低为原来的(M+N)/(M×N)；

2.相关矩阵的构造将从M个水平相关矩阵和N个垂直相关矩阵减少为1个水平相关矩阵和一个垂直相关矩阵。计算量减少为原来的1/M和1/N；

3.相关矩阵平均操作将不需要，对应的矩阵加运算量减少M+N；

以常用的64阵子天线为例，一般阵子阵列的布局为4行8列2个极化。即M＝4，N＝8。则信道估计复杂度为原来的12/32＝37.5％，相关矩阵构造复杂度为原来的1/4＝25％和1/8＝12.5％。矩阵加减减少12次。因此，算法复杂度从总体上是元算法的30％左右。天线阵子越多，算法复杂度减少的越多。

在降低复杂度以及数据流量的同时，该发明对最终性能并没有多少影响。小区平均吞吐量以及边缘用户终端平均吞吐量基本相同。

附图说明

图1是64阵子阵列天线示意图；

图2是基于特征值分解波束赋形的处理流程；

图3是改进后的基于特征值分解的波束赋形流程；

图4是参考信号预处理示意图；

图5改进方案与原方案小区平均吞吐量对比系统仿真结果

图6改进方案与原方案小区边缘吞吐量对比系统仿真结果

具体实施方式

在该算法中，以64阵子天线为例进行描述。但该算法同样适用于其他任何阵列天线。在3GPP中阵列天线的表示方法为M×N×P。这里M是阵子的行数，N为阵子的列数，P为阵子的极化方向数。对于64阵子天线，典型的阵列排布为M×N×P＝4×8×2，即4行8列双极化。示意图如图1所示；其中右斜线表示+45°极化天线阵子，左斜线为-45°极化天线阵子。

如图2所示，基于特征值分解的波束赋形处理流程如下：

基于特征值分解波束赋形处理流程具体描述如下：

1.用户终端发送参考信号，该参考信号3GPP定义为SRS(sounding referencesignal)；

2.无线处理单元的每个天线单元接收到这个参考信号后，把该参考信号发送给基带处理单元。对于64阵子天线，将收到64路参考信号，可标记为：SRS_1×64；

3.基带处理单元对64路SRS信号进行信道估计得到64路信号的信道系数，可标记为：H_1×64＝F(SRS_1×64)。其中F()表示信道估计的传递函数。

4.基带处理单元根据信道系数向量构造相关矩阵。通常我们认为两个极化方向是不相关的，因此，对两个极化方向分别求相关矩阵，从而得到两个C_32×32的相关矩阵：C_32×32＝H_1×32*×H_1×32。其中上标*表示共轭转置操作。

5.对信道相关矩阵做特征值分解从而得到最大特征值和对应的特征向量。可表示为：[D，V_1×32]＝EVD(C_32×32)。其中EVD表示特征值分解函数。D表示最大特征值，V_1×32表示最大特征值对应的特征向量。

6.基带处理单元将特征向量和下行数据一起发送给无线射频处理单元。

7.无线数据处理单元通过波束赋形将数据映射到32个同极化的阵子上：S_1×32＝Data_1×1×V_1×32。其中Data表示要发送的数据，V_1×32表示天线阵子的权重向量。

上面的过程描述是基于全相关矩阵的特征值分解波束赋形方法。但这种方法计算量过于巨大，因此通常会采用水平垂直分别计算特征值的方式来减少计算量。将上述步骤中的第四步和第五步替换为如下步骤：

1.将某一个阵子对应的信道相关系数矩阵表示为：h_i，j，其中i表示阵子在整个天线阵列的行的序数，j表示阵子在整个天线阵列的列的序数。

2.取每一行阵子的信道相关系数构成，行信道系数向量，表示为Hh_i＝[h_i，1，h_i，2，…h_i，8]；其中Hh_i表示信道系数行向量，i为1～4，即共有4个行向量。同样可以得到8个信道列向量：Hv_j，j为1～8。

3.对每个行向量构造相关矩阵：Ch_i，8×8＝Hh_i，1×8*×Hh_i，1×8。其中上标*表示矩阵转置共轭操作。由于i为1～4，因此可以得到4个基于行向量的相关矩阵。对4个相关矩阵做平均，得到水平方向上的相关矩阵Ch_8×8＝Avg(Ch_i，8×8)其中Avg()表示矩阵平均操作传递函数.

4.用和上面同样的方式可以构造基于列向量的相关矩阵Cv_4×4；

5.对Ch_8×8和Cv_4×4分别做EVD分解得到最大的特征值以及对应的特征向量：[Dh，Vh_1×8]＝EVD(Ch_8×8)，[Dv，Vv_1×4]＝EVD(Cv_4×4)。其中Dh表示水平方向特征值分解得到的最大特征值，Vh_1×8表示水平方向最大特征值对应的特征向量；Dv表示垂直方向特征值分解得到的最大特征值，Vv_1×4表示垂直方向最大特征值对应的特征向量。

6.将垂直方向最大特征值对应的特征向量转置并和水平方向最大特征值对应的特征向量做克罗内克内积，从而得到最终的特征向量：V_4×8＝Kron(Vv_1×4′，Vh_1×8)。其中Kron()表示克罗内克内积操作，上标′表示矩阵转置操作。

该发明主要对无线处理单元接收到的参考信号做预处理从而减少数据的流数。如图3所示：

参考信号预处理的方式如图4所示；

在无线射频处理单元中，对每一列的信号和对每一行的信号分别进行合并，从而将数据流数从64减少到12×2＝24，不到原来数据流的一半。这里合并方式和波束赋形相同，因此可以采用同一套算法。

合并方法如下：

1.静态定义一组数据预处理的权值矩阵：Wh＝[wh_i，j]和Wv＝[wv_i，j]。其中，Wh是数据的列合并预处理矩阵，Wv是数据的行合并预处理矩阵。wh_i，j和wv_i，j表示某一个天线阵子对应的权值。对某一列J列合并的权值矩阵为：Wh_J＝[wh_i，j]；其中j＝J时，wh_i，j≠0，当j≠J时，wh_i，j＝0；类似的，对于某一行I合并的权值矩阵行合并的权值Wv_I＝[wv_i，j]，其中i＝I时，wv_i，j≠0不为0，当i≠I时，wv_i，j＝0；

2.对于64阵子天线，有4行，8列，每个天线的参考信号用S_i，j表示，其中i表示天线阵子的行而j表示天线阵子的列，则合并第j列天线阵子的信号表示为：

同样的合并第i行天线阵子的信号表示为：

其中i为1到4，而j为1到8。即每列合并后的信号向量可表示为：Sh_1×8＝[Sh₁，Sh₂，...Sh₈]，每行合并后的信号向量可表示为：Sv_1×4＝[Sv₁，Sv₂，...Sv₄]。

无线射频处理单元将合并后的信号向量Sh_1×8和Sv_1×4发送到基带处理单元。基带处理单元基于Sh_1×8和Sv_1×4做信道估计，然后构造相关矩阵，并进行特征值分解获取最大特征值及对应的特征向量。其方法与传统方法相同。

仿真数据如图5、图6所示。

该发明实施方式简单。只需要在无线射频处理单元中加入简单的数据预处理模块。由于目前波束赋形过程(即数据流到天线阵子的映射)在无线射频处理单元，且数据预处理过程与波束赋形过程相同，即将多个天线阵子的数据流映射为一个数据流，在无线射频处理单元中无需增加新的功能模块，复用原有的波束赋形过程即可。只是采用不同的波束赋形系数矩阵。

本技术领域中的普通技术人员应当认识到，以上实施例仅是用来说明本发明，而并非作为对本发明的限定，只要在本发明的范围内，对以上实施例的变化、变形都将落在本发明的保护范围。

Claims

1.一种基于特征值分解的波束赋形优化方法，其特征在于该方法具体是：

其中将来自天线每一列和每一行的信号分别进行合并，具体为：

步骤①：静态定义一组数据预处理的权值矩阵：Wh＝[wh_i，j]和Wv＝[wv_i，j]；其中，Wh是数据的列合并预处理矩阵，Wv是数据的行合并预处理矩阵；wh_i，j和wv_i，j表示某一个天线阵子对应的权值；对某一列J列合并的权值矩阵为：Wh_J＝[wh_i，j]；其中j＝J时，wh_i，j≠0，当j≠J时，wh_i，j＝0；类似的，对于某一行I合并的权值矩阵行合并的权值Wv_I＝[wv_i，j]，其中i＝I时，wv_i，j≠0，当i≠I时，wv_i，j＝0；

同样的合并第i行天线阵子的信号表示为：

其中i为1到M，而j为1到N；即每列合并后得到水平方向信号向量表示为：Sh＝[Sh₁，Sh₂，...Sh_N]，每行合并后得到垂直方向的信号向量表示为：Sv＝[Sv₁，Sv₂，...Sv_M]；

(2)在基带处理单元基于已处理过的参考信号进行信道估计，相关矩阵构造以及特征值分解。

2.根据权利要求1所述的一种基于特征值分解的波束赋形优化方法，其特征在于：所述的基带处理单元基于已处理过的参考信号进行信道估计，标记为：H_h＝F(Sh)，和H_v＝F(Sv)；其中；F()表示信道估计的传递函数。

3.根据权利要求1所述的一种基于特征值分解的波束赋形优化方法，其特征在于：构造相关矩阵，具体为：对基于垂直方向参考信号得到的信道估计向量H_v以及基于水平方向参考信号得到的信道估计向量H_h分别求相关矩阵，从而得到两个相关矩阵：C_h＝H_h ^*×H_h，C_v＝H_v ^*×H_v，右角标*表示共轭转置。

4.根据权利要求1所述的一种基于特征值分解的波束赋形优化方法，其特征在于：所述的特征值分解，具体为：

步骤1：对C_h和C_v分别做EVD分解得到最大的特征值以及对应的特征向量：[D_h，V_h]＝EVD(C_h)，[D_v，V_v]＝EVD(C_v)，其中D_h表示水平方向特征值分解得到的最大特征值，V_h表示水平方向最大特征值对应的特征向量；D_v表示垂直方向特征值分解得到的最大特征值，V_v表示垂直方向最大特征值对应的特征向量；EVD()表示特征值分解的传递函数；C_h为水平方向的相关矩阵，由基于垂直方向参考信号的信道估计向量H_h构造而成：C_h＝H_h ^*×H_h；右角标*表示共轭转置；同样的，C_v为垂直方向的相关矩阵，由基于水平方向参考信号的信道估计向量H_v构造而成：C_v＝H_v ^*×H_v；

步骤2：将垂直方向最大特征值对应的特征向量转置并和水平方向最大特征值对应的特征向量做克罗内克内积，从而得到最终的特征向量：V＝Kron(V_h，V′_v)，其中右角标′表示矩阵转置。

5.根据权利要求1所述的一种基于特征值分解的波束赋形优化方法，其特征在于：所述的参考信号包括3GPP定义的SRS或DMRS。