CN112640322A - 针对mu-mimo通信的用户选择 - Google Patents
针对mu-mimo通信的用户选择 Download PDFInfo
- Publication number
- CN112640322A CN112640322A CN201880096828.8A CN201880096828A CN112640322A CN 112640322 A CN112640322 A CN 112640322A CN 201880096828 A CN201880096828 A CN 201880096828A CN 112640322 A CN112640322 A CN 112640322A
- Authority
- CN
- China
- Prior art keywords
- candidate terminal
- terminal devices
- determining
- ann
- candidate
- 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
- 230000006854 communication Effects 0.000 title abstract description 42
- 238000004891 communication Methods 0.000 title abstract description 42
- 238000005259 measurement Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 48
- 239000013598 vector Substances 0.000 claims description 88
- 239000011159 matrix material Substances 0.000 claims description 56
- 230000005540 biological transmission Effects 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 20
- 238000012360 testing method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000007175 bidirectional communication Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- H04B7/0452—Multi-user MIMO systems
-
- 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
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/12—Wireless traffic scheduling
- H04W72/1263—Mapping of traffic onto schedule, e.g. scheduled allocation or multiplexing of flows
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/51—Allocation or scheduling criteria for wireless resources based on terminal or device properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03891—Spatial equalizers
- H04L25/03949—Spatial equalizers equalizer selection or adaptation based on feedback
- H04L25/03955—Spatial equalizers equalizer selection or adaptation based on feedback in combination with downlink estimations, e.g. downlink path losses
Abstract
本公开的实施例涉及MU‑MIMO通信的用户选择的方法、设备和计算机可读介质。在示例实施例中,该方法包括:针对一组候选终端设备,通过以下方式来执行调度:获取一组接收信号;至少基于该组接收信号和针对该组候选终端设备的信道估计来确定针对候选终端设备之间的相关性的一组测量;确定该组测量中的最大测量;以及通过从该组候选终端设备中移除与最大测量相关联的候选终端设备来更新该组候选终端设备。
Description
技术领域
本公开的实施例总体上涉及电信领域,并且具体地涉及用于多用户多输入多输出(MU-MIMO)通信的用户选择的方法、设备和计算机可读介质。
背景技术
在MIMO或大规模MIMO通信系统中,最有吸引力的功能之一是使用空间复用来提高系统容量。该功能被称为MU-MIMO。MU-MIMO通过同时使用相同的频率资源来支持对多个用户的调度。
在MU-MIMO通信中,关键问题之一是用户选择,这也被称为用户配对。用户选择是指从一组候选用户中选择要在下一轮中被调度的多个用户以达到预期性能,例如,使系统容量最大化。因此,需要选择多个用户以便在发射功率的约束下使系统容量最大化。
发明内容
总体上,本公开的示例实施例提供了一种用于MU-MIMO通信的用户选择的方法、设备和计算机可读介质。
在第一方面,提供了一种用于用户选择的方法。该方法包括针对整个一组候选终端设备,通过以下来执行调度:获取一组接收信号;至少基于该组接收信号和针对该组候选终端设备的信道估计来确定针对候选终端设备之间的相关性的一组测量;确定该组测量中的最大相关性测量;通过从该组候选终端设备中移除与最大相关性测量相关联的候选终端设备来更新该组候选终端设备。
在一些实施例中,执行调度包括迭代地进行直到结束条件被满足,该结束条件包括以下中的一项:候选终端设备的数目小于或等于阈值数目并且针对该组候选终端设备的信道容量小于针对更新后的该组候选终端设备的信道容量;以及候选终端设备的数目小于或等于阈值数目并且收敛速率低于预定阈值,该收敛速率是基于测量的总和的变化而被确定的。
在一些实施例中,其中确定针对相关性的该组测量包括迭代地执行以下操作至少一次直到迭代次数等于预定次数:确定每个接收信号与人工神经元网络ANN的接收信号的其对应的输出之间的残差,该人工神经元网络ANN具有输入层和输出层,流信道矩阵的行向量中的每个行向量是ANN的输入,接收信号中的每个接收信号是ANN的输出,输出层的神经元的激活函数是线性激活函数,流信道矩阵是针对该组候选终端设备的信道估计矩阵和接收波束成形矩阵的乘积;基于残差来确定针对相关性的该组测量;以及基于梯度下降算法来更新ANN的一组权重。
在一些实施例中,更新ANN的该组权重包括:基于流信道行向量确定针对学习速率的一组调节速率;基于该组调节速率确定一组经调节的学习速率;以及基于该组经调节的学习速率、残差和流信道矩阵来更新该组权重。
在一些实施例中,确定针对相关性的该组测量包括:基于以下各项来确定该组候选终端设备中的第一候选终端设备与多个第二候选终端设备之间的相关性测量:针对第一候选终端设备的第一信道向量在由针对第二候选终端设备的信道向量构成的空间上的投影的大小,第一候选终端设备不同于第二候选终端设备中的任何第二候选终端设备。
在一些实施例中,获取该组接收信号包括:确定流信道矩阵中的行向量的长度;按长度的顺序来布置行向量;将传输符号分配给所布置的行向量以使得不同的传输符号被分配给相邻行向量;以及确定传输符号和所布置的行向量的长度的乘积作为该组接收信号。
在第二方面,提供了一种用于用户选择的设备。该设备包括至少一个处理器和包括计算机程序代码的至少一个存储器。至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使该设备:针对整个一组候选终端设备,通过以下来执行调度:获取一组接收信号;至少基于该组接收信号和该组候选终端设备的信道估计确定候选终端设备之间的相关性的一组测量;确定该组测量中的最大相关性测量;以及通过从该组候选终端设备中移除与最大相关性测量相关联的候选终端设备来更新该组候选终端设备。
在一些实施例中,执行调度包括迭代地进行直到结束条件被满足,结束条件包括以下之一:候选终端设备的数目小于或等于阈值数目并且针对该组候选终端设备的信道容量小于针对更新后的该组候选终端设备的信道容量;以及候选终端设备的数目小于或等于阈值数目并且收敛速率低于预定阈值,收敛速率是基于测量的总和的变化而被确定的。
在一些实施例中,确定针对相关性的该组测量包括迭代地执行以下操作至少一次直到迭代次数等于预定次数:确定每个接收信号与人工神经元网络ANN的接收信号的其对应的输入之间的残差,该人工神经元网络ANN具有输入层和输出层,流信道矩阵的行向量中的每个行向量是ANN的输入,接收信号中的每个接收信号是ANN的输出,输出层的神经元的激活函数是线性激活函数,流信道矩阵是该组候选终端设备的信道估计矩阵和接收波束成形矩阵的乘积;基于残差来确定针对相关性的该组测量;以及基于梯度下降算法更新ANN的一组权重。
在一些实施例中,更新ANN的该组权重包括:基于流信道行向量确定学习速率的一组调节速率;基于该组调节速率确定一组经调节的学习速率;以及基于该组经调节的学习速率、残差和流信道矩阵来更新该组权重。
在一些实施例中,确定针对相关性的该组测量包括:基于以下各项来确定该组候选终端设备中的第一候选终端设备与多个第二候选终端设备之间的相关性测量:针对第一候选终端设备的第一信道向量在由针对第二候选终端设备的信道向量构成的空间上的投影的大小,第一候选终端设备不同于第二候选终端设备中的任何第二候选终端设备。
在一些实施例中,获取该组接收信号包括:确定流信道矩阵中的行向量的长度;按长度的顺序来布置行向量;将传输符号分配给所布置的行向量以使得不同的传输符号被分配给相邻行向量;以及确定传输符号和所布置的行向量的长度的乘积作为该组接收信号。
在第三方面,提供了一种计算机可读介质,其上存储有计算机程序。该计算机程序在由处理器执行时,使处理器执行根据第一方面的方法。
在第四方面,提供了一种用于用户选择的装置。该装置包括:用于通过以下来针对整个一组候选终端设备执行调度的部件:获取一组接收信号;至少基于该组接收信号和针对该组候选终端设备的信道估计来确定针对候选终端设备之间的相关性的一组测量;确定该组测量中的最大相关性测量;以及通过从该组候选终端设备中移除与最大相关性测量相关联的候选终端设备来更新该组候选终端设备。
应当理解,发明内容部分并非旨在标识本公开的实施例的关键或必要特征,也不旨在用于限制本公开的范围。通过以下描述,本公开的其他特征将变得容易理解。
附图说明
通过在附图中对本公开的一些实施例的更详细描述,本公开的上述和其他目的、特征和优点将变得更加明显,在附图中:
图1示出了可以在其中实现本公开的实施例的示例通信网络;
图2示出了根据本公开的一些实施例的用于用户选择的方法的流程图;
图3示出了具有两层的人工神经元网络(ANN)的模型;
图4示出了根据本公开的一些实施例的用于获取一组接收信号的过程的流程图;
图5示出了根据本公开的一些实施例的用于确定候选终端设备之间的相关性的一组测量的过程的流程图;
图6示出了根据本公开的一些实施例的方法的示例实现的流程图;
图7示出了根据本公开的一些实施例的方法的另一示例实现的流程图;
图8至10示出了根据本公开的实施例的用户选择方法与常规方法的性能比较;以及
图11示出了适合于实现本公开的实施例的设备的框图。
在所有附图中,相同或相似的附图标记表示相同或相似的元素。
具体实施方式
现在将参考一些示例实施例描述本公开的原理。应当理解,这些实施例仅出于说明的目的被描述,并且帮助本领域技术人员理解和实现本公开,而没有暗示对本公开的范围的任何限制。本文中描述的公开内容可以按照除了下面描述的方式以外的各种方式来实现。
在下面的描述和权利要求中,除非另有定义,否则本文中使用的所有技术和科学术语具有与本公开所属领域的普通技术人员通常所理解的相同含义。
如本文中使用的,术语“通信网络”是指遵循任何合适的通信标准或协议(诸如,长期演进(LTE)、高级LTE(LTE-A)和5G NR)并且采用任何合适的通信技术(包括例如MIMO、OFDM、时分复用(TDM)、频分复用(FDM)、码分复用(CDM)、Bluetooth、ZigBee、机器类型通信(MTC)、eMBB、mMTC和uRLLC技术)的网络。为了讨论的目的,在一些实施例中,将LTE网络、LTE-A网络、5G NR网络或其任何组合作为通信网络的示例。
如本文中使用的,术语“网络设备”是指在通信网络的网络侧的任何合适的设备。网络设备可以包括通信网络的接入网络中的任何合适的设备,例如,包括基站(BS)、中继、接入点(AP)、节点B(NodeB或NB)、演进型NodeB(eNodeB或eNB)、千兆位NodeB(gNB)、远程无线电模块(RRU)、无线电报头(RH)、远程无线电头(RRH)、低功率节点(诸如毫微微、微微等)。为了讨论的目的,在一些实施例中,将eNB作为网络设备的示例。
网络设备还可以包括核心网络中的任何合适的设备,例如,包括多标准无线电(MSR)无线电设备(诸如,MSR BS)、网络控制器(诸如,无线电网络控制器(RNC)或基站控制器(BSC))、多小区/多播协调实体(MCE)、移动交换中心(MSC)和MME、运营与管理(O&M)节点、运营支持系统(OSS)节点、自组织网络(SON)节点、定位节点(诸如,增强型服务移动定位中心(E-SMLC))、和/或移动数据终端(MDT)。
如本文中使用的,术语“终端设备”是指能够、被配置用于、被布置用于和/或可操作以与通信网络中的网络设备或另一终端设备通信的设备。该通信可以涉及使用电磁信号、无线电波、红外信号和/或适合于在空中传送信息的其他类型的信号来发射和/或接收无线信号。在一些实施例中,终端设备可以被配置为在没有直接人类交互的情况下发射和/或接收信息。例如,当由内部或外部事件触发时,或者响应于来自网络侧的请求,终端设备可以按预定调度计划向网络设备传输信息。
终端设备的示例包括但不限于用户设备(UE)(诸如,智能电话)、支持无线的平板电脑、笔记本电脑嵌入式设备(LEE)、笔记本电脑安装设备(LME)和/或无线客户驻地设备(CPE)。为了讨论的目的,在下文中,将参考UE作为终端设备的示例来描述一些实施例,并且术语“终端设备”和“用户设备”(UE)可以在本公开的上下文中互换使用。
如本文中使用的,术语“小区”是指由网络设备传输的无线电信号覆盖的区域。小区内的终端设备可以由网络设备服务,并且可以经由网络设备访问通信网络。
如本文中使用的,术语“电路系统”可以是指以下中的一项或多项或全部:
(a)仅硬件电路实施方式(诸如仅在模拟和/或数字电路系统中的实施方式),以及
(b)硬件电路和软件的组合,诸如(如果适用):(i)(多个)模拟和/或数字硬件电路与软件/固件的组合,以及(ii)具有软件的(多个)硬件处理器(包括(多个)数字信号处理器)、软件和(多个)存储器的任何部分,这些部分协同工作以使装置(诸如,移动电话或服务器)执行各种功能,以及
(c)(多个)硬件电路和/或(多个)处理器,诸如(多个)微处理器或(多个)微处理器的一部分,其需要软件(例如,固件)
用于操作,但是当软件不需要用于操作时,其可以不存在。
电路系统的这种定义适用于该术语在本申请中的所有使用,包括在任何权利要求中。作为另一示例,如本申请中使用的,术语“电路系统”也仅涵盖硬件电路或处理器(或多个处理器)或硬件电路或处理器及其(或它们的)随附软件和/或固件的一部分的实施方式。术语电路系统还涵盖(例如并且在适用于特定权利要求元素的情况下)用于移动设备的基带集成电路或处理器集成电路、或者服务器、蜂窝网络设备或其他计算或网络设备中的类似集成电路。
如本文中使用的,单数形式“一”、“一个”和“该”也意图包括复数形式,除非上下文另外明确指出。术语“包括”及其变体应当被理解为开放术语,其意为“包括但不限于”。术语“基于”应当被理解为“至少部分地基于”。术语“一个实施例”和“实施例”应当被理解为“至少一个实施例”。术语“另一实施例”应当被理解为“至少一个其他实施例”。下文可以包括显式或隐式的其他定义。
如本文中使用的,下行链路(DL)传输是指从网络设备到终端设备的传输,而上行链路(UL)传输是指相反方向上的传输。即,在DL中,网络设备是发射器,终端设备是接收器。在UL中,终端设备是发射器,网络设备是接收器。
图1示出了可以在其中实现本公开的实施例的示例无线通信网络100。如图所示,无线通信网络100可以包括一个或多个网络设备,例如,网络设备101。网络设备101可以采用基站(BS)、节点B(NB)、演进型NB(eNB)、gNB、虚拟BS、基站收发站(BTS)或基站子系统(BSS)、AP等形式。
网络设备101可以向其覆盖范围内的一组终端设备102-1、102-2和102-3(统称为“终端设备102”)提供服务。应当理解,在一些实施例中,网络设备可以向更少或更多终端设备提供服务,并且该示例中的终端设备的数目并不暗示对本公开的范围的任何限制。
在一些实施例中,网络设备101可以利用多个天线来服务其覆盖范围内的终端设备,例如图1中的终端设备102。例如,网络设备101可以配备有多个发射天线和/或多个接收天线。同样地,在一些实施例中,一些或所有终端设备102可以配备有用于发射和/或接收的多个天线。另外,一些或全部终端设备102可以被调度为在相同的或重叠的时频资源中进行发射或接收,从而形成MU-MIMO通信。因此,需要从一组候选终端设备(其在本文中也被称为候选用户)中选择多个终端设备(其在本文中也被称为用户),以便在发射功率的约束下使系统容量最大化。
本公开的实现涉及针对MU-MIMO通信的用户选择。MU-MIMO通信可以包括下行链路(DL)MU-MIMO通信和上行链路(UL)MU-MIMO通信。在发射和接收天线的描述中,UL MU-MIMO通信与DL MU-MIMO通信不同。对于UL MU-MIMO用户选择问题,可以通过将针对候选用户的DL信道估计矩阵构建为UL信道估计矩阵的转置来将其转换为DL MU-MIMO用户选择问题。因此,DL MU-MIMO通信将仅出于说明的目的来描述,并且帮助本领域技术人员理解本公开的思想和原理,而不暗示对本公开的范围的任何限制。本公开的用户选择解决方案可以与ULMU-MIMO通信和DL MU-MIMO通信中的任何一种一起使用。
通常,在MU-MIMO系统中,一组候选用户中的用户k的信道模型可以表示为等式(1):
其中:
Nt表示网络设备中的发射天线的数目;
K表示感兴趣小区中的活动用户的数目,并且关注每个调度间隔
中的资源块上的数据传输;
Nrk表示候选用户中的用户k的接收天线的数目;
Sk表示针对用户k的流的数目,其中Sk<=Nrk
S表示针对所有候选用户的流的总数目,S=SUM(Sk),其中S<=Nt;
xk表示针对用户k的传输符号向量,其大小为(Sk,1)(即,Sk行和一列);
Mk表示针对用户k的预编码矩阵,其列向量彼此正交,并且每个列向量具有单位长度,其大小为(Nt,Sk);
Hk表示针对用户k的信道估计矩阵,其大小为(Nrk,Nt);
Dk表示针对用户k的接收波束成形向量,其大小为(Nrk,Sk),并且上标H表示对矩阵Dk的共轭转置运算;
yk表示用户k在波束成形之后的接收信号向量,其大小为(Sk,1);以及
zk表示加法正态分布噪声,其大小为(Sk,1)。
假定y表示针对所有候选用户的接收信号矩阵:
其中y的大小为(S,1)。
假定:
其可以被定义为:
假定x表示针对所有候选用户的传输信号矩阵:
其中x的大小为(S,1)
假定M表示传输预编码器矩阵:
M=(M1 M2 … MK) (6)
其中M的大小为(Nt,S)
因此,对于所有候选用户,接收信号矩阵y可以写为:
在等式(7)中,假定每个用户仅具有一个流。对于具有多个流的用户,该用户可以被视为多个虚拟用户,其中每个虚拟用户仅具有一个流。因此,总共有S个用户,其中每个用户具有一个流,其中S<=Nt。
本公开的实施例涉及从S个候选用户中选择uNum个用户或少于uNum个用户以用于下一轮MU-MIMO调度(其中uNum<=Nt),以便在发射功率的约束下使系统容量最大化。
在本公开的实施例中,因为功率分配解决方案不是用户选择的关键问题,所以考虑针对用户的相等的功率分配解决方案。本公开的实施例可以与其他功率分配解决方案(例如,基于注水的功率分配解决方案等)一起使用。
当前,提出了针对MU-MIMO用户选择问题的ZF贪婪算法。根据ZF贪婪算法,首先选择一个用户,然后在每次迭代中再将一个用户添加到所选择的用户组中,直到选择了所需要的uNum个用户。在ZF贪婪算法的每次迭代中,需要一个接一个地检查所有剩余用户以找到最佳用户。ZF贪婪算法的计算机指令可以构建如下:
ZF贪婪算法
输入:
候选用户组:U
信道矩阵:H
所选择的最大用户数目:uNum
初始化:
设置k=1
找到用户w1,使得w1=argmaxu∈U(HuHu H)
设置W1={w1},并且将所实现的速率表示为Rzf(W1)。
当k<uNum时:
将k增加1
设置Wk=Wk-1∪{wk},并且将所实现的速率表示为Rzf(Wk)
如果Rzf(Wk)<=Rzf(Wk-1),则中止,并且将k减小1
#ZF贪婪算法结束
在上述ZF贪婪算法中,Hu表示针对用户u的行向量。针对用户wk的信道容量可以被表示为:
其中HW表示由用户组W构建的信道矩阵,并且:
ck(HW(={[(HWHW H)-1]k,k}-1 (9)
如果(HWHW H)不能求逆,则设置ck(HW)=0。
功率在所有用户之间被平均分配:
其中P表示总功率。Len(W)表示用户组W中的用户的数目。
针对用户组W的总信道容量被确定为:
Rzf(W)=∑w∈WRzf(w) (11)
可以理解,ZF贪婪算法的计算复杂度为O(SNt3)。
复杂度O(SNt3)将使得难以在实际的mMIMO产品中使用ZF贪婪算法,尤其是当5GgNodeB中的发射天线的数目Nt非常大时。
在该ZF贪婪算法中,用户的归一化相关性测量可以基于以下等式来确定:
其中delta(u)表示用户u与用户组W中除用户u以外的多个其他用户之间的归一化相关性测量,Hu表示针对用户u的信道向量,HW\u表示由针对其他用户的信道向量构成的空间。等式(12)的物理含义是信道向量Hu在由针对其他用户的信道向量构成的空间上的投影的大小并且除以向量Hu的长度的平方。换言之,delta(u)表示投影的大小。
根据本公开的实施例,提出了一种MU-MIMO通信的用户选择的解决方案。该解决方案从一组候选用户中的所有用户开始。确定针对候选用户之间的相关性的一组测量。确定该组测量中的最大测量。从候选用户组中移除与最大测量相关联的候选用户。也即,与其他用户具有最大相关性的候选用户被移除。以这种方式,该组候选用户被更新,直到只剩下所需要的用户(即,所选择的用户)。与常规ZF贪婪算法相比,该解决方案具有更好的计算性能。当可以选择的最大用户数目和候选用户的总数目都很大时,这尤其重要。下面将参考图2至7详细描述本公开的原理和实现。
图2示出了根据本公开的一些实施例的用于用户选择的方法200的流程图。为了讨论的目的,将参考图1来描述方法200。例如,方法200可以在网络设备101处实现。
在210,网络设备101获取一组接收信号。如上所述,本公开的用户选择解决方案可以与UL MU-MIMO通信或DL MU-MIMO通信一起使用。在UL MU-MIMO通信的情况下,接收信号是指预期由网络设备101从用户102接收的信号。在DL MU-MIMO通信的情况下,接收信号是指预期由用户102接收的信号。
为了便于讨论,该组接收信号也被称为“y向量”,并且用“y”表示,该组候选用户用“W”表示,该组候选用户中的候选用户的数目用“len(W)”表示,所需要的用户数目(其也被称为阈值数目)用“uNum”表示。
对于MU-MIMO用户选择,等式(7)可以被规范化为以下形式:
其中:
表示针对所有用户的传输符号向量x的预编码结果,y表示该组预期接收信号。这是合理的,因为每个用户可以获取的最佳空间增益是其行向量的长度。因此,可以直接使用等式(13)来计算,而不再是使用预编码器矩阵来计算。在一些实施例中,可以通过使用人工神经元网络(ANN)来计算,这将在下面参考图3进行描述。
图3示出了包括两层的ANN的模型。如图所示,ANN包括输入层和输出层。带有接收波束成形矩阵的信道估计矩阵的每个行向量可以用作输入层的输入向量。输出层的输出yi表示该组接收信号中与的对应行(第i行)相关联的接收信号,并且向量被建模为针对ANN的一组参数(其也被称为权重)。在该模型中,针对输出层的神经元的激活函数是线性激活函数,并且可以表示为f(x)=x,并且在输出层中有S个输出。
在一些实施例中,提出了将通常在机器学习和其他相关领域中使用的随机梯度下降(SGD)算法用于通过迭代来更新权重。
尽管由网络设备传输的实际信号可以用于生成用于DL MU-MIMO用户选择的y向量,但这对于UL MU-MIMO用户选择是无效的,因为网络设备不知道从用户传输了什么。使用实际传输信号的另一潜在问题是,实际传输信号可能无法保证数据质量以区分不同用户。因此,在一些实施例中,提出了一种用于生成用于MU-MIMO用户选择的y向量的过程,下面将参考图4进行描述。
图4示出了根据本公开的一些实施例的用于生成y向量的过程400的流程图。在410,网络设备101针对候选用户确定流信道矩阵中的行向量的长度。流信道矩阵是针对该组候选用户的信道估计矩阵和接收波束成形矩阵的乘积。在420,网络设备101按长度的顺序来布置行向量。为了便于讨论,术语“信道估计”和“流信道估计”可以互换使用,术语“信道矩阵”和“流信道矩阵”可以互换使用。
在430,网络设备101将所传输符号分配给所布置的行向量,以使得不同的传输符号被分配给相邻行向量。在440,网络设备101确定传输符号和所布置的行向量的长度的乘积作为该组接收信号。
传输符号可以用“yValue”表示,并且yValue可以分配给y。目标是针对相邻行(即,相邻用户)分配不同的值。通常,对于BPSK调制,可以设置yValue=1,对于复杂调制情况,可以设置yValue=(1+1j)/sqrt(2)。例如,在BPSK调制的情况下,对于两个相邻行y[k]和y[k+1],可以设置和
作为示例而非限制,用于y向量生成的计算机指令可以如下构建。
y向量生成:
输入:
输出:
y
初始化:
y=0,其大小为(S,1)
yValue:yValue被分配给y,目标是为相邻用户分配不同值,通常可以为BPSK调制设置yValue=1,而为复杂调制情况设置yValue=(1+1j)/sqrt(2)。
y向量生成主例程:
对于rowset中的k:
yValue=yValue*(-1)
输出:y
#y向量生成结束
再次参考图2,在220,网络设备101至少基于该组接收信号和该组候选用户的信道估计来确定针对候选用户之间的相关性的一组测量。
在一些实施例中,提出了一种用于基于SGD算法来确定针对相关性的一组测量的过程,该过程将在下面参考图5进行描述。
图5示出了用于基于SGD算法来确定针对相关性的一组测量的过程500。如图所示,在510,网络设备101确定每个接收信号与ANN的其对应输出之间的残差。可以对残差进行归一化,并且经归一化的残差可以保存在增量向量中。与用户相关联的增量值越大,该用户对用户组中其他用户的依赖性越大。流信道矩阵的每个行向量是ANN的输入,每个接收信号是ANN的输出,并且输出层的神经元的激活函数是f(x)=x。
在520,网络设备101基于残差来确定针对相关性的该组测量。在530,网络设备101基于梯度下降算法来更新ANN的一组权重。
在一些实施例中,网络设备101可以迭代地执行图5中的动作510、520和530至少一次直到迭代次数等于预定次数。
在一些实施例中,更新ANN的该组权重包括:基于行向量来确定学习速率的一组调节速率;基于该组调节速率来确定一组经调节的学习速率;以及基于该组经调节的学习速率、残差和流信道矩阵来更新该组权重。
作为示例而非限制,用于确定针对相关性的一组测量的计算机指令可以如下构建。
MU-MIMO ANN算法:
输入:
输出:
增量向量:rowset中每一行的归一化损失值,其大小为(S,1),但仅rowset值中的行被更新。
cRate:收敛速率
初始化:
设置SGD时期值:例如,时期=20
设置学习速率,例如,η=0.7
可选地,针对每行设置学习速率调节速率,目的是较大长度的行具有较大的学习速率,例如,调节范围为[0.85,1.15],则线性调节速率等式为:
设置初始增量=0
基于y向量生成方法来设置y
MU-MIMO ANN算法主例程:
对于ep=0到时期:
对于rowset中的k:
更新增量值:
对于j=0到Nt:
进行权重更新:
如果这是倒数第二时期:
则d2=总和(增量)
如果这是最后一个时期:
则d1=总和(delta)
cRate=d1/d2
输出:增量;cRate
#MU-MIMO ANN算法结束
在上面的等式(15)中,adjRate[k]表示矩阵的行索引集合(由rowset表示)中的第k行的调节速率,表示第k行中行向量的长度,表示候选用户组中行向量的长度中的最大值,表示候选用户组中行向量的长度中的最小值。
另外,从以上MU-MIMO ANN算法主例程可以理解,还输出由“cRate”表示的收敛速率。收敛速率被确定为d1/d2,其中d2表示在第二次迭代中获取的增量向量中元素的总和,d1表示在上次迭代中获取的增量向量中元素的总和。
在一些实施例中,可以例如通过测试来预先确定经优化的学习速率、调节速率和迭代次数(时期),并且将其存储在查找表中供以后使用。
·学习速率设计
对于ANN的cRate输出,不同学习速率可能导致cRate的值不同。对于ANN的增量输出,因为仅比较增量向量的大小,所以学习速率与相关性无关。
学习速率通过测试被验证,其中针对不同的学习速率每一行使用200个相同的样本数据,并且不使用adjRate,所选择的用户数目uNum=6。为了说明的目的,表1中列出了针对不同的天线数目、不同的用户数目的一些学习速率。
表1
这里,每个浮点值表示平均速率,已经发现,学习速率为0.5和0.7要好一些。
在adjRate设计中,针对学习速率为0.5和0.7执行进一步验证。
·adjRate设计
为了说明的目的,表2中列出了针对学习速率为0.5的测试结果。
表2
为了说明的目的,表3中列出了针对学习速率为0.7的测试结果。
表3
在表3中,第一行示出了不同的adjRate值。在测试中,每一行使用200个相同的样本数据。通过该测试,学习速率=0.7和adjRate=0.85看起来更好一些。
·SGD时期值设计
对于该ANN,SGD时期值不被视为大问题,因为不需要输出ANN权重。因此,使用为20的时期。
再次参考图2,在230,网络设备101确定该组测量中的最大测量。在240,网络设备101通过从该组候选用户中移除与最大测量相关联的候选用户来更新该组候选用户。
在一些实施例中,网络设备101可以迭代地执行动作210至240,直到结束条件被满足,从而使得系统容量可以最大化。
在一些实施例中,结束条件包括候选用户的数目小于或等于阈值数目并且针对该组候选用户的信道容量小于针对更新后的该组候选用户的信道容量(其将被称为基于信道容量的结束条件)。图6示出了通过使用基于信道容量的结束条件的示例过程600的流程图。
如所示,在602,网络设备101确定所选择的用户的数目(len(W))是否等于或小于阈值数目(uNum)。
如果所选择的用户的数目(len(W))等于或小于阈值数目(uNum),则在604,网络设备101将先前信道容量(preCP)确定为Rzf(W)并且将先前用户组(preW)确定为用户组W。先前信道容量(preCP)表示在上次迭代中确定的信道容量。在一些实施例中,Rzf(W)可以通过使用等式(11)来确定。先前用户组(preW)表示在上次迭代中确定的用户组。
如果所选择的用户的数目(len(W))大于阈值数目(uNum),则在606,网络设备101将先前信道容量(preCP)确定为零并且将先前用户集合(preW)确定为空。
在608,网络设备101确定所选择的用户的数目(len(W))是否大于1。
如果所选择的用户的数目(len(W))大于1,则过程600进行到610,其中网络设备101获取针对相关性的一组测量(增量向量)。在一些实施例中,610处的动作可以如上所述通过使用MU-MIMO ANN算法来执行。
在612,网络设备101确定该组测量中的最大测量。在614,网络设备101通过从用户组中移除与最大测量相关联的候选用户来更新用户组(W)。
在616,网络设备101确定所选择的用户的数目(len(W))是否等于或小于阈值数目(uNum)。
如果所选择的用户的数目(len(W))等于或小于阈值数目(uNum),则在618,网络设备101将当前信道容量(curCP)确定为RZf(W)。当前信道容量表示在当前迭代中确定的信道容量。在一些实施例中,RZf(W)可以通过使用等式(11)来确定。
在620,网络设备101确定当前信道容量(curCP)是否小于先前信道容量(preCP)。
如果当前信道容量(curCP)小于先前信道容量(preCP),则过程600进行到622,在622,网络设备101将用户组(W)确定为先前用户组(preW)。在626,用户组(W)被输出。
如果当前信道容量(curCP)等于或大于先前信道容量(preCP),则过程600进行到624,在624,网络设备101将先前信道容量(preCP)确定为当前信道容量(curCP)并且将先前用户集(preW)确定为W。然后,过程600返回至608。
另一方面,如果网络设备101在608确定所选择的用户的数目(len(W))等于或小于1,则过程600进行到626,其中用户集(W)被输出。
作为示例而非限制,用于实现示例过程600的计算机指令可以如下构建。
具有基于信道容量的结束条件的ANN贪婪算法
输入:
所选择的用户数目:uNum,其中uNum<S,S是候选用户总数目输出:
所选择的用户组:W
初始化:
设置初始用户组W:它包括所有候选用户,因此len(W)=S,其中len(W)表示集合W中的用户数目
ANN贪婪算法主例程:
如果len(W)<=uNum:则preCP=Rzf(W);preW=W
否则:preCP=0;preW={}
当len(W)>1时:
针对用户组W运行MU-MIMO ANN算法,获取增量值
找到具有最大增量值的用户u:u=argmaxu∈W(delta[u])
更新用户组:W=W\{u}
如果len(W)<=uNum:
则curCP=Rzf(W)
如果curCP<preCP:则W=preW;中止
否则:preCP=curCP;preW=W
输出:W
#具有基于信道容量的结束条件的ANN贪婪算法结束
在一些实施例中,结束条件包括候选用户的数目小于或等于阈值数目并且收敛速率低于预定阈值(其也被称为基于收敛速率的结束条件)。收敛速率基于测量之和的变化来确定。在一些实施例中,收敛速率可以通过如上所述的针对用户组W使用MU-MIMO ANN算法来确定。
图7示出了通过使用基于收敛速率的结束条件而进行的示例过程700的流程图。如图所示,在710,网络设备101确定所选择的用户的数目(len(W))是否大于1。
如果所选择的用户的数目(len(W))大于1,则过程700进行到720,其中网络设备101获取针对相关性的一组测量(增量)和收敛速率(cRate)。在一些实施例中,720处的动作可以通过使用如上所述的MU-MIMO ANN算法来执行。
在730,网络设备101确定所选择的用户的数目(len(W))是否等于或小于阈值数目(uNum)并且收敛速率(cRate)是否小于预定阈值。
如果所选择的用户的数目(len(W))大于阈值数目(uNum)或收敛速率(cRate)大于预定阈值,则过程700进行到740,其中网络设备101确定该组测量中的最大测量。
在750,网络设备101通过从用户组W中移除与最大测量相关联的候选用户来更新用户组(W)。在760,用户组(W)被输出。
另一方面,如果网络设备101在710确定所选择的用户的数目(len(W))等于或小于1,则处理700进行到760,其中用户组(W)被输出。
如果网络设备101在730确定所选择的用户的数目(len(W))等于或小于阈值数目(uNum)并且收敛速率(cRate)小于预定阈值,则过程700进行到760,其中用户组(W)被输出。
作为示例而非限制,用于实现示例过程700的计算机指令可以如下构建。
具有基于收敛速率的结束条件的ANN贪婪算法
输入:
所选择的用户数目:uNum,其中uNum<S,S是候选用户总数目输出:
所选择的用户组:W
初始化:
设置初始用户组W:其包括所有候选用户,因此len(W)=S
设置rateThreshold值,rateThreshold值与学习速率相关,基于测试,对于学习速率=0.7,良好的rateThreshold=0.72
ANN贪婪算法主例程:
当len(W)>1时:
针对用户组W运行MU-MIMO ANN算法,获得增量和cRate
如果len(W)<=uNum并且cRate<rateThreshold:则中止找到具有最大增量值的用户u:u=argmaxu∈W(delta[u])
更新用户组:W=W\{u}
输出:W
#具有基于收敛速率的结束条件的ANN贪婪算法结束
在如上所述的具有基于收敛速率的结束条件的ANN贪婪算法中,存在一个超参数,其被称为rateThreshold(速率阈值)。该超级参数与所选择的学习速率相关。在学习速率=0.7并且adjRate=0.85的情况下,执行测试以验证哪个值对于rateThreshold更好。表4中列出了测试。
rateThreshold | 0.75 | 0.72 | 0.7 | 0.67 |
S=12;Nt=6 | 9.045524143 | 9.046041121 | 9.003749437 | 8.943294371 |
S=12;Nt=12 | 10.41376957 | 10.41133038 | 10.40313657 | 10.36995959 |
S=12;Nt=20 | 10.78981017 | 10.78981017 | 10.78981017 | 10.78701426 |
表4
在表4中,对于每一行,针对不同的rateThreshold使用200个相同的样本数据。已经发现,0.72对于学习速率=0.7和adjRate=0.85是良好的值。实际上,绝对值差异很小。
为了验证所提出的用户选择解决方案的优点,已经将该解决方案的一些实施例的性能与常规方法进行了比较,并且比较的结果在图8至10中示出。
测试用例基于以下规范化:
·y由{-1,1}的均匀随机选择生成,其是对BPSK调制的模拟
在图8至10中,“sgd贪婪ec0”表示使用具有基于信道容量的结束条件的ANN贪婪算法的测试结果;“sgd贪婪ec1”表示使用具有基于收敛速率的结束条件的ANN贪婪算法的测试结果;“随机MU-MIMO”表示通过使用随机选择方法来选择uNum个用户;“SU-MIMO”表示仅选择一个用户来检查MU-MIMO的增益;“传统贪婪”表示使用常规ZF贪婪算法的测试结果。
图8示出了情况1中的比较结果,其中总用户S=12,Nt=6,所选择的用户数目uNum=6,针对每个功率的样本数据=500。从图8可以看出,表示“sgd贪婪ec0”、“sgd贪婪ec1”和“传统贪婪”的这三个曲线几乎重叠。具有基于信道容量的结束条件的ANN贪婪算法几乎具有与ZF贪婪算法相同的容量。在高功率情况下,具有基于收敛速率的结束条件的ANN贪婪算法比ZF贪婪算法稍差。
图9示出了情况2中的比较结果,其中总用户S=12,Nt=12,所选择的用户数目uNum=6,针对每个功率的样本数据=500。图10示出了情况3中的比较结果,其中总用户S=12,Nt=20,所选择的用户数目uNum=6,针对每个功率的样本数据=500。从图9和10可以看出,表示“sgd贪婪ec0”、“sgd贪婪ec1”和“传统贪婪”的三个曲线几乎重叠。这表示根据本公开的ANN贪婪算法与ZF贪婪算法之间没有太大差异。
由于ANN计算能力为O(NrNt),因此根据本公开的ANN贪婪算法的计算复杂度为:
如果假定uNum=S/2,则根据本公开的ANN贪婪算法的计算复杂度为O(S2Nt)
应当注意,本公开的实施例可以用于DL和UL MU-MIMO用户选择两者。所描述的ANN贪婪算法可以为MU-MIMO用户调度机制(例如,为不同的基于用户Qos的调度方法)提供基本的用户选择服务。ANN贪婪算法具有与ZF贪婪算法相同级别的容量增益。与ZF贪婪算法相比,ANN贪婪算法具有较低的计算复杂度。ANN贪婪算法可以轻松使用在硬件(DSP、GPU、FPGA)中实现的ANN,这可以消除CPU的大部分计算消耗。
在一些实施例中,一种能够执行方法200的装置(例如,网络设备101)可以包括用于执行方法200的相应步骤的部件。该部件可以以任何合适的形式实现。例如,该部件可以在电路系统或软件模块中实现。
在一些实施例中,该装置包括:用于通过以下方式针对一组候选终端设备执行调度的部件:获取一组接收信号;至少基于该组接收信号和针对该组候选终端设备的信道估计来确定针对候选终端设备之间的相关性的一组测量;确定该组测量中的最大测量;以及通过从该组候选终端设备中移除与最大测量相关联的候选终端设备来更新该组候选终端设备。
在一些实施例中,执行调度包括迭代地进行直到结束条件被满足,结束条件包括以下中的一项:候选终端设备的数目小于或等于阈值数目并且针对该组候选终端设备的信道容量小于针对更新后的该组候选终端设备的信道容量;以及候选终端设备的数目小于或等于阈值数目并且收敛速率低于预定阈值,收敛速率是基于测量的总和的变化而确定的。
在一些实施例中,其中确定针对相关性的该组测量包括迭代地执行以下操作至少一次直到迭代次数等于预定次数:确定每个接收信号与其对应的人工神经元网络ANN的输出之间的残差,该人工神经元网络ANN具有输入层和输出层,流信道矩阵的行向量中的每个行向量是ANN的输入,接收信号中的每个接收信号是ANN的输出,输出层的神经元的激活函数是线性激活函数,流信道矩阵是针对该组候选终端设备的信道估计矩阵和接收波束成形矩阵的乘积;基于残差来确定针对相关性的该组测量;以及基于梯度下降算法来更新ANN的一组权重。
在一些实施例中,更新ANN的该组权重包括:基于行向量来确定学习速率的一组调节速率;基于该组调节速率来确定一组经调节的学习速率;以及基于该组经调节的学习速率、残差和流信道矩阵来更新该组权重。
在一些实施例中,确定针对相关性的该组测量包括:基于以下各项来确定该组候选终端设备中的第一候选终端设备与多个第二候选终端设备之间的相关性测量:针对第一候选终端设备的第一信道向量在由针对第二候选终端设备的信道向量构成的空间上的投影的大小,第一候选终端设备不同于第二候选终端设备中的任何第二候选终端设备。
在一些实施例中,获取该组接收信号包括:确定流信道矩阵中行向量的长度;按长度的顺序来布置行向量;将传输符号分配给所布置的行向量,以使得不同的传输符号被分配给相邻行向量;以及确定传输符号和所布置的行向量的长度的乘积作为该组接收信号。
图11是适合于实现本公开的实施例的设备1100的简化框图。设备1100可以被视为如图1所示的网络设备101的另一示例实现。因此,设备1100可以在网络设备101处实现,或者实现为网络设备101的一部分。
如图所示,设备1100包括处理器1110、耦合到处理器1110的存储器1120、耦合到处理器1110的合适的发射器(TX)和接收器(RX)1140、以及耦合到TX/RX 1140的通信接口。存储器1120存储程序1130的至少一部分。TX/RX 1140用于双向通信。TX/RX 1140具有至少一个天线以促进通信,尽管在实践中本申请中提到的接入节点可以具有若干个天线。通信接口可以表示与其他网络元件通信所必要的任何接口,诸如用于eNB之间的双向通信的X2接口、用于移动性管理实体(MME)/服务网关(S-GW)与eNB之间的通信的S1接口、用于eNB与中继节点(RN)之间通信的Un接口、或用于eNB与UE之间通信的Uu接口。
程序1130被假定为包括程序指令,这些程序指令在由相关联的处理器1110执行时,使得设备1100能够根据如本文中参考图1至10所述的本公开的实施例进行操作。本文中的实施例可以通过由设备1100的处理器1110可执行的计算机软件,或者通过硬件,或者通过软件和硬件的组合来实现。处理器1110可以被配置为实现本公开的各种实施例。此外,处理器1110和存储器1120的组合可以形成被适配为实现本公开的各种实施例的处理部件1150。
存储器1120可以是适合于本地技术网络的任何类型,并且可以使用任何合适的数据存储技术来实现,作为非限制性示例,诸如非瞬态计算机可读存储介质、基于半导体的存储设备、磁存储设备和系统、光学存储设备和系统、固定存储器和可移动存储器。尽管在设备1100中仅示出了一个存储器1120,但是在设备1100中可以存在若干物理上不同的存储器模块。处理器1110可以是适合于本地技术网络的任何类型,并且作为非限制性示例可以包括以下一项或多项:通用计算机、专用计算机、微处理器、数字信号处理器(DSP)、以及基于多核处理器架构的处理器。设备1100可以具有多个处理器,诸如在时间上从属于与主处理器同步的时钟的专用集成电路芯片。
通常,本公开的各种实施例可以用硬件或专用电路、软件、逻辑或其任何组合来实现。一些方面可以用硬件来实现,而其他方面可以用可以由控制器、微处理器或其他计算设备执行的固件或软件来实现。虽然本公开的实施例的各个方面被示出并且描述为框图、流程图或使用一些其他图形表示,但是应当理解,作为非限制性示例,本文中描述的框、装置、系统、技术或方法可以用硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本公开还提供了有形地存储在非瞬态计算机可读存储介质上的至少一个计算机程序产品。该计算机程序产品包括计算机可执行指令,诸如程序模块中包括的计算机可执行指令,计算机可执行指令在目标真实或虚拟处理器上的设备中执行,以执行上文参考图2和4至7所述的方法200、400、500、600、700。通常,程序模块包括执行特定任务或实现特定抽象数据结构的例程、程序、库、对象、类、组件、数据类型等。程序模块的功能可以根据各种实施例中的需要而在程序模块之间进行组合或拆分。用于程序模块的机器可执行指令可以在本地或分布式设备内执行。在分布式设备中,程序模块可以位于本地和远程存储介质中。
用于执行本公开的方法的程序代码可以用一种或多种编程语言的任何组合来编写。这些程序代码可以被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,以使得这些程序代码在由处理器或控制器执行时,使在流程图和/或框图中指定的功能/操作被实现。程序代码可以完全在机器上执行,部分在机器上执行,作为独立软件包执行,部分在机器上并且部分在远程机器上执行,或者完全在远程机器或服务器上执行。
在本公开的上下文中,计算机程序代码或相关数据可以由任何合适的载体来携带,以使得设备、装置或处理器能够执行如上所述的各种处理和操作。载体的示例包括信号、计算机可读介质。
计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读介质可以包括但不限于电子、磁性、光学、电磁、红外、或半导体系统、装置或设备、或者前述的任何合适的组合。计算机可读存储介质的更具体示例包括具有一根或多根电线的电连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光纤、便携式光盘只读存储器(CD-ROM)、光学存储设备、磁存储设备、或前述的任何合适的组合。
此外,尽管以特定顺序描绘了操作,但是这不应当被理解为要求这样的操作以所示的特定顺序或以连续的顺序被执行,或者执行所有示出的操作,以实现期望的结果。在某些情况下,多任务和并行处理可能是有利的。同样地,尽管上文的讨论中包含若干具体实施例细节,但是这些细节不应当被解释为对本公开的范围的限制,而是应当被解释为可以是特定于特定实施例的特征的描述。在单独实施例的上下文中描述的某些特征也可以在单个实施例中组合实现。相反,在单个实施例的上下文中描述的各种特征也可以分别在多个实施例中实现,或以任何合适的子组合来实现。
尽管已经以特定于结构特征和/或方法动作的语言描述了本公开,但是应当理解,所附权利要求书中限定的本公开不是必然限于上文描述的具体特征或动作。相反,上文描述的具体特征和动作被公开作为实现权利要求的示例形式。
Claims (13)
1.一种用于用户选择的方法,包括:
针对整个一组候选终端设备,通过以下来执行调度:
获取一组接收信号;
至少基于所述一组接收信号和针对所述一组候选终端设备的信道估计来确定针对所述候选终端设备之间的相关性的一组测量;
确定所述一组测量中的最大相关性测量;以及
通过从所述一组候选终端设备中移除与所述最大相关性测量相关联的候选终端设备来更新所述一组候选终端设备。
2.根据权利要求1所述的方法,其中执行调度包括迭代地进行直到结束条件被满足,所述结束条件包括以下中的一项:
所述候选终端设备的数目小于或等于阈值数目并且针对所述一组候选终端设备的信道容量小于针对更新后的所述一组候选终端设备的信道容量;以及
所述候选终端设备的所述数目小于或等于所述阈值数目并且收敛速率低于预定阈值,所述收敛速率是基于所述测量的总和的变化而被确定的。
3.根据权利要求1所述的方法,其中确定针对相关性的所述一组测量包括迭代地执行以下至少一次直到迭代次数等于预定次数:
确定每个接收信号与其对应的人工神经元网络ANN的输出之间的残差,所述ANN具有输入层和输出层,流信道矩阵的行向量中的每个行向量是所述ANN的输入,所述接收信号中的每个接收信号是所述ANN的输出,针对所述输出层的神经元的激活函数是线性激活函数,所述流信道矩阵是针对所述一组候选终端设备的信道估计矩阵和接收波束成形矩阵的乘积;
基于所述残差来确定针对相关性的所述一组测量;以及
基于梯度下降算法来更新所述ANN的一组权重。
4.根据权利要求3所述的方法,其中更新所述ANN的所述一组权重包括:
基于所述行向量来确定针对学习速率的一组调节速率;
基于所述一组调节速率来确定一组经调节的学习速率;以及
基于所述一组经调节的学习速率、所述残差和所述流信道矩阵来更新所述一组权重。
5.根据权利要求1所述的方法,其中确定针对相关性的所述一组测量包括:
基于以下来确定所述一组候选终端设备中的第一候选终端设备与多个第二候选终端设备之间的相关性测量:
针对所述第一候选终端设备的第一信道向量在由针对所述第二候选终端设备的信道向量构成的空间上的投影的大小,所述第一候选终端设备不同于所述第二候选终端设备中的任何第二候选终端设备。
6.根据权利要求3至5中任一项所述的方法,其中获取所述一组接收信号包括:
确定所述流信道矩阵中的行向量的长度;
按所述长度的顺序来布置所述行向量;
将传输符号分配给所布置的所述行向量以使得不同的传输符号被分配给相邻行向量;以及
确定所述传输符号和所布置的所述行向量的长度的乘积作为所述一组接收信号。
7.一种用于用户选择的设备,包括:
至少一个处理器;以及
至少一个存储器,包括计算机程序代码;
所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述设备执行动作,所述动作包括:
针对整个一组候选终端设备,通过以下来执行调度:
获取一组接收信号;
至少基于所述一组接收信号和针对所述一组候选终端设备的信道估计来确定针对所述候选终端设备之间的相关性的一组测量;
确定所述一组测量中的最大相关性测量;以及
通过从所述一组候选终端设备中移除与所述最大相关性测量相关联的候选终端设备来更新所述一组候选终端设备。
8.根据权利要求7所述的设备,其中执行调度包括迭代地进行直到结束条件被满足,所述结束条件包括以下中的一项:
所述候选终端设备的数目小于或等于阈值数目并且针对所述一组候选终端设备的信道容量小于针对更新后的所述一组候选终端设备的信道容量;以及
所述候选终端设备的所述数目小于或等于所述阈值数目并且收敛速率低于预定阈值,所述收敛速率是基于所述测量的总和的变化而被确定的。
9.根据权利要求7所述的设备,其中确定针对相关性的所述一组测量包括迭代地执行以下至少一次直到迭代次数等于预定次数:
确定每个接收信号与其对应的人工神经元网络ANN的输入之间的残差,所述ANN具有输入层和输出层,流信道矩阵的行向量中的每个行向量是所述ANN的输入,所述接收信号中的每个接收信号是所述ANN的输出,针对所述输出层的神经元的激活函数是线性激活函数,所述流信道矩阵是针对所述一组候选终端设备的信道估计矩阵和接收波束成形矩阵的乘积;
基于所述残差来确定针对相关性的所述一组测量;以及
基于梯度下降算法来更新所述ANN的一组权重。
10.根据权利要求9所述的设备,其中更新所述ANN的所述一组权重包括:
基于所述行向量来确定针对学习速率的一组调节速率;
基于所述一组调节速率来确定一组经调节的学习速率;以及
基于所述一组经调节的学习速率、所述残差和所述流信道矩阵来更新所述一组权重。
11.根据权利要求6所述的设备,其中确定针对相关性的所述一组测量包括:
基于以下来确定所述一组候选终端设备中的第一候选终端设备与多个第二候选终端设备之间的相关性测量:
针对所述第一候选终端设备的第一信道向量在由针对所述第二候选终端设备的信道向量构成的空间上的投影的大小,所述第一候选终端设备不同于所述第二候选终端设备中的任何第二候选终端设备。
12.根据权利要求9至11中任一项所述的设备,其中获取所述一组接收信号包括:
确定所述流信道矩阵中的行向量的长度;
按所述长度的顺序来布置所述行向量;
将传输符号分配给所布置的所述行向量以使得不同的传输符号被分配给相邻行向量;以及
确定所述传输符号和所布置的所述行向量的长度的乘积作为所述一组接收信号。
13.一种计算机可读介质,其上存储有计算机程序,所述计算机程序在由处理器执行时,使所述处理器执行根据权利要求1至6中任一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/092662 WO2020000138A1 (en) | 2018-06-25 | 2018-06-25 | User selection for mu-mimo communications |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112640322A true CN112640322A (zh) | 2021-04-09 |
CN112640322B CN112640322B (zh) | 2023-11-28 |
Family
ID=68985381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880096828.8A Active CN112640322B (zh) | 2018-06-25 | 2018-06-25 | 针对mu-mimo通信的用户选择 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11923925B2 (zh) |
EP (1) | EP3811522A4 (zh) |
CN (1) | CN112640322B (zh) |
WO (1) | WO2020000138A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114124174B (zh) * | 2020-08-26 | 2022-11-11 | 大唐移动通信设备有限公司 | 一种多输入多输出系统mu-mimo用户配对方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080227495A1 (en) * | 2007-03-16 | 2008-09-18 | Kotecha Jayesh H | Reference signaling scheme using compressed feedforward codebooks for MU-MIMO systems |
US20130089165A1 (en) * | 2010-06-24 | 2013-04-11 | Alcatel Lucent | Method of determining precoding matrix and corresponding communication methods and devices |
CN103560985A (zh) * | 2013-11-05 | 2014-02-05 | 北京工业大学 | 一种空时相关信道大尺度mimo传输方法 |
CN106688193A (zh) * | 2014-09-24 | 2017-05-17 | 英特尔公司 | 多用户多输入和多输出通信网络中的调度 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7020110B2 (en) * | 2002-01-08 | 2006-03-28 | Qualcomm Incorporated | Resource allocation for MIMO-OFDM communication systems |
US8787469B2 (en) * | 2007-04-04 | 2014-07-22 | Samsung Electronics Co., Ltd. | Method for codebook design and beamforming vector selection in per-user unitary rate control (PU2RC) system |
CN101568064B (zh) | 2008-04-25 | 2011-08-10 | 电信科学技术研究院 | 一种多用户调度的方法及装置 |
CN101754346B (zh) | 2009-12-25 | 2012-09-05 | 华中科技大学 | 一种基于信道相关性多用户调度的小区间干扰抑制方法 |
US20140198750A1 (en) * | 2013-01-17 | 2014-07-17 | Nec Laboratories America, Inc. | Multi-User (MU) Multiple-Input and Multiple-Output (MIMO) Enhancement |
CN105406905B (zh) * | 2014-09-10 | 2019-11-29 | 南京中兴新软件有限责任公司 | 用户配对处理方法、装置及基站 |
US10178685B2 (en) * | 2015-12-18 | 2019-01-08 | Electronics And Telecommunications Research Institute | Scheduling method and apparatus in mobile communication system |
CN107302385B (zh) * | 2016-04-12 | 2021-04-16 | 中兴通讯股份有限公司 | 虚拟多输入多输出通信方法、装置及系统 |
-
2018
- 2018-06-25 CN CN201880096828.8A patent/CN112640322B/zh active Active
- 2018-06-25 WO PCT/CN2018/092662 patent/WO2020000138A1/en unknown
- 2018-06-25 US US17/253,957 patent/US11923925B2/en active Active
- 2018-06-25 EP EP18924493.2A patent/EP3811522A4/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080227495A1 (en) * | 2007-03-16 | 2008-09-18 | Kotecha Jayesh H | Reference signaling scheme using compressed feedforward codebooks for MU-MIMO systems |
US20130089165A1 (en) * | 2010-06-24 | 2013-04-11 | Alcatel Lucent | Method of determining precoding matrix and corresponding communication methods and devices |
CN103560985A (zh) * | 2013-11-05 | 2014-02-05 | 北京工业大学 | 一种空时相关信道大尺度mimo传输方法 |
CN106688193A (zh) * | 2014-09-24 | 2017-05-17 | 英特尔公司 | 多用户多输入和多输出通信网络中的调度 |
Non-Patent Citations (1)
Title |
---|
EMIL BJORNSON ET AL: ""Optimality Properties, Distributed Strategies, and Measurement-Based Evaluation of Coordinated Multicell OFDMA Transmission"", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
Also Published As
Publication number | Publication date |
---|---|
US11923925B2 (en) | 2024-03-05 |
EP3811522A1 (en) | 2021-04-28 |
WO2020000138A1 (en) | 2020-01-02 |
CN112640322B (zh) | 2023-11-28 |
EP3811522A4 (en) | 2022-02-16 |
US20210250067A1 (en) | 2021-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109155661B (zh) | 自适应分组用户设备的组播和波束成形 | |
KR102208117B1 (ko) | 무선 자원 관리 방법 및 이를 위한 장치 | |
US8797959B2 (en) | System and method for transceiver design | |
JP2016521482A (ja) | 疎なビーム形成設計のためのシステムおよび方法 | |
Sabbagh et al. | Pilot allocation and sum-rate analysis in cell-free massive MIMO systems | |
Chinnadurai et al. | User clustering and robust beamforming design in multicell MIMO-NOMA system for 5G communications | |
CN113597799A (zh) | 用于调整波束赋形简档的设备、方法和计算机可读介质 | |
WO2014194283A1 (en) | System and method for controlling multiple wireless access nodes | |
US8892140B2 (en) | Bi-directional training in dual networks system | |
WO2016066098A1 (zh) | 用于无线通信的装置和方法 | |
WO2020115523A1 (en) | Two-dimensional subspace tracking and beamforming for active antenna systems | |
WO2014117750A1 (en) | System and method for transmission point (tp) association and beamforming assignment in heterogeneous networks | |
CN112640322B (zh) | 针对mu-mimo通信的用户选择 | |
US11057782B2 (en) | Multi-cell coordination system and channel calibration method thereof | |
KR20190015502A (ko) | 채널 정정 방법 및 디바이스 및 통신 시스템 | |
Kamel et al. | Average downlink rate in Ultra-Dense Networks | |
Li et al. | Pilot sequence assignment for spatially correlated massive MIMO circumstances | |
WO2015084350A1 (en) | A method for ue-assisted antenna parameters optimization | |
AU2017305260A1 (en) | Electronic device and method for use in network control point and central processing node | |
Kaneko et al. | User pre-scheduling and beamforming with imperfect CSI for future cloud/fog-radio access networks | |
WO2020073342A1 (en) | Non-linear precoding procedure | |
Zhao et al. | Fast algorithm for utility maximization in C-RAN with joint QoS and fronthaul rate constraints | |
CN107809794B (zh) | 功率控制和sinr分配的联合快速优化的方法和设备 | |
CN113330695B (zh) | 信道估计中的数据符号的锚定过程 | |
WO2022036682A1 (en) | Methods, apparatuses, and computer readable media for controlling transmit power |
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 |