CN113162662B - 一种CF-mMIMO下的用户分簇及功率分配方法 - Google Patents

Abstract

一种CF‑mMIMO下的用户分簇及功率分配方法，涉及通信技术领域,是为了解决目前的用户分簇方法的计算量较大导致的不易于实现，以及用户的功率分配方法还需要提供提高服务的公平性的问题。本方法通过最大化所有用户的最小SINR，从而最大化接入网络的用户，最小化用户的掉线率。不需要知道用户的具体位置信息就可以对用户进行分簇，该分簇方法的计算量较低，更易于实现；对于功率控制系数分配，该算法保证了最大化簇内所有用户的最小SINR，保证了用户服务的公平性以及用户的接入。

Description

一种CF-mMIMO下的用户分簇及功率分配方法

技术领域

本申请涉及通信技术领域，具体涉及Cell-free Massive MIMO下的功率控制技术

背景技术

随着通信技术的发展，无线接入设备的数量和数据流量的消耗将呈现爆炸式增长。 Massive MIMO是一种很有前途的5G无线接入技术，具有多个天线的基站可以在同一时频资源中同时为许多用户服务，该技术可以通过简单的信号处理来提供高吞吐量，可靠性和能效。近年来，Cell-Free Massive MIMO已作为一种新型的分布式大规模MIMO网络体系结构被提出，该体系结构配备有大量的分布式接入点(AP)，服务于数量更少的分布式用户。对于CF-mMIMO，所有接入点通过前传链路连接到中央处理单元，并且不再存在小区边界的概念。与现有的集中式Massive MIMO相比，CF-mMIMO不仅在一定程度上继承了信道硬化的良好特性，而且具有更高的能量效率和系统部署灵活性。分布式网络拓扑使CF-mMIMO能够从宏观多样性中受益，减轻集中式Massive MIMO的边缘影响，并确保更好的系统覆盖率，用户服务公平性和网络吞吐量。显然，CF-mMIMO网络有望成为未来的潜在架构之一。

在CF-mMIMO中，上行链路和下行链路以TDD模式工作，并且相干间隔通常分为三个阶段：上行链路训练，下行链路有效载荷数据传输和上行链路有效载荷数据传输。上行链路训练完成信道的估计，对于TDD，在上行链路和下行链路中的信道增益是相同的，在下行链路有效载荷数据传输和上行链路有效载荷数据传输的过程中会应用训练过程中得到的信道估计信息进行数据信号的处理。

目前的用户分簇及功率分配方法如：文献[1](Rezaei,A.R.Heidarpour,C.等在2020 年4月在IEEE Communications Letters,公开的《Tellambura and A.Tadaion,“Underlaid Spectrum Sharing for Cell-Free Massive MIMO-NOMA》)的分簇方法存在的计算量较大导致的不易于实现；功率分配方法还需要提供提高服务的公平性。

发明内容

本发明是为了解决目前的用户分簇方法的计算量较大导致的不易于实现，以及用户的功率分配方法还需要提供提高服务的公平性，从而提供一种Cell-free Massive MIMO下最大用户信干燥比的用户分簇及功率分配方法。

Cell-free Massive MIMO下最大用户信干燥比的用户分簇及功率分配方法，在Cell-free Massive MIMO下：所有AP在相同的时频资源下同时向所有用户提供服务；其特征是：Cell-free Massive MIMO下最大用户信干燥比的用户分簇及功率分配方法的具体方法为：

步骤一、初始化：设置初始分簇数I₀、最大分簇数I_max；

步骤二、执行第l+1次迭代：对所有用户进行分簇，分成I₀+l个用户簇，对每个用户簇均通过SCA算法计算功率控制系数，得到最小的用户信干噪比Γ_min；

步骤三、判断步骤二获得的最小的用户信干噪比Γ_min用户是否大于或等于预设的停止迭代条件Γ_min≥γ_th，如果判断结果为是，则执行步骤四；如果判断结果为否且 I₀+l＝I_max，则执行步骤五；

γ_th表示信干噪比阈值，当用户接受信号的信干噪比大于这个阈值，该信号就可以被识别。

步骤四、令l＝l+1；返回执行步骤二；

步骤五、用户检测及排除步骤；

令E_i表示用户u_i的分簇参考变量，它通过如下公式获得：

式中：m和m′的物理含义相同；

u_i表示第i个用户

M表示AP的总数量，m表示第m个AP

β_m,ui表示第m个AP到用户u_i的大尺度衰落系数

γ_m,ui表示第m个AP与用户u_i的大尺度衰落系数的信道状态估计值；

L表示每个AP上的天线数量

ρ_d表示每个AP的最大归一化发射功率即：由噪声功率N0归一化；

由于已知分簇数为I_l＝I₀+l，则每个簇的最小用户数Z₁为不大于用户数比分簇数的最大取整数，通过解下面的凸优化问题得到每个用户的具体的分簇结果

式中：E_i表示用户u_i的分簇参考变量

表示具体的分簇结果，

表示用户u_i属于用户簇n_q，否则

表示为用户集，

表示第i个用户。

表示用户簇集，n_q表示隶属于

的第q个簇，N为正整数；

S_max衡量指标，表示信干噪比最大的用户簇的近似信干噪比

Z₁每个簇的最小用户数；

各用户的功率分配方法包括以下步骤：

步骤六、初始化：n＝1，最大迭代次数为N，N为正整数，初始点为(t¹,θ¹)，误差为ε。；

步骤七、执行第n次迭代，用GUROBI或者MOSEK求解下式：

，得到(t^*,θ^*)，

式中：

t表示信干噪比最小的用户的信干噪比

表示第m个AP和用户u_q,k之间的功率控制系数

为用户分簇结束后用户簇n_q中的用户集合，重新定义用户u_q,k是隶属于

中的第 k个用户

表示AP的集合，

是凸优化过程中引入的松弛变量

F(t,θ；tⁿ,θⁿ)是f(t,θ)在点(tⁿ,θⁿ)处的一阶泰勒展开

(tⁿ,θⁿ)表示第n次执行步骤七后得到的最优解。

步骤八、判断|t^*-tⁿ|＜ε，或者n＝N，如果判断结果为是，则停止迭代，完成一次Cell-free Massive MIMO下最大用户信干燥比的用户分簇及功率分配；如果判断结果为是，否，则执行步骤九；

tⁿ表示第n次迭代后得到的t的最优解。

t^*表示本次求解步骤七得到的最优解

ε表示允许的最大误差

步骤九、更新：n＝n+1，(tⁿ,θⁿ)＝(t^*,θ^*)，返回执行步骤七。

通过本方法可以最大化所有用户的最小SINR，从而最大化接入网络的用户，最小化用户的掉线率。本申请的用户分簇的方法，该方法只需要知道用户的大尺度衰落信息，而不需要知道用户的具体位置信息就可以对用户进行分簇，该分簇方法的计算量较低，更易于实现；第二个是基于SCA的功率控制系数分配算法，该方法保证了最大化簇内所有用户的最小SINR，保证了用户服务的公平性以及用户的接入。

附图说明

图1是应用本申请所提出的分簇方法与其他方法的仿真对比示意图；其中：位于最上方的曲线是无分簇的仿真曲线图；位于最下方的曲线是本的仿真曲线图；位于中间的曲线是对比文件1的仿真曲线图；位于最下方的曲线是本的仿真曲线图；

图2是应用本申请所提出的分簇方法与其他方法的时间与通过率的仿真对比示意图；

图3是应用本申请所提出的分簇方法与其他方法的流量与通过率的仿真对比示意图；

具体实施方式

具体实施方式一、1、Cell-free Massive MIMO下最大用户信干燥比的用户分簇及功率分配方法，在Cell-free Massive MIMO下：所有AP在相同的时频资源下同时向所有用户提供服务；其特征是：Cell-free Massive MIMO下最大用户信干燥比的用户分簇及功率分配方法的具体方法为：

步骤一、初始化：设置初始分簇数I₀、最大分簇数I_max；

步骤二、执行第l+1次迭代：对所有用户进行分簇，分成I₀+l个用户簇，对每个用户簇均通过SCA算法计算功率控制系数，得到最小的用户信干噪比Γ_min；

步骤三、判断步骤二获得的最小的用户信干噪比Γ_min用户是否大于或等于预设的停止迭代条件Γ_min≥γ_th，如果判断结果为是，则执行步骤四；如果判断结果为否且 I₀+l＝I_max，则执行步骤五；

γ_th表示信干噪比阈值，当用户接受信号的信干噪比大于这个阈值，该信号就可以被识别。

步骤四、令l＝l+1；返回执行步骤二；

步骤五、用户检测及排除步骤；

令E_i表示用户u_i的分簇参考变量，它通过如下公式获得：

式中：m和m′的物理含义相同；

u_i表示第i个用户

M表示AP的总数量，m表示第m个AP

表示第m个AP到用户u_i的大尺度衰落系数

表示第m个AP与用户u_i的大尺度衰落系数的信道状态估计值；

L表示每个AP上的天线数量

ρ_d表示每个AP的最大归一化发射功率即：由噪声功率N0归一化；

由于已知分簇数为I_l＝I₀+l，则每个簇的最小用户数Z₁为不大于用户数比分簇数的最大取整数，通过解下面的凸优化问题得到每个用户的具体的分簇结果

式中：E_i表示用户u_i的分簇参考变量

表示具体的分簇结果，

表示用户u_i属于用户簇n_q，否则

表示为用户集，

表示第i个用户。

表示用户簇集，n_q表示隶属于

的第q个簇，N为正整数；

S_max衡量指标，表示信干噪比最大的用户簇的近似信干噪比

Z₁每个簇的最小用户数；

各用户的功率分配方法包括以下步骤：

步骤六、初始化：n＝1，最大迭代次数为N，N为正整数，初始点为(t¹,θ¹)，误差为ε。；

步骤七、执行第n次迭代，用GUROBI或者MOSEK求解下式：

，得到(t^*,θ^*)，

式中：

t表示信干噪比最小的用户的信干噪比

表示第m个AP和用户u_q,k之间的功率控制系数

为用户分簇结束后用户簇n_q中的用户集合，重新定义用户u_q,k是隶属于

中的第 k个用户

表示AP的集合，

是凸优化过程中引入的松弛变量

F(t,θ；tⁿ,θⁿ)是f(t,θ)在点(tⁿ,θⁿ)处的一阶泰勒展开

(tⁿ,θⁿ)表示第n次执行步骤七后得到的最优解。

步骤八、判断|t^*-tⁿ|＜ε，或者n＝N，如果判断结果为是，则停止迭代，完成一次Cell-free Massive MIMO下最大用户信干燥比的用户分簇及功率分配；如果判断结果为是，否，则执行步骤九；

tⁿ表示第n次迭代后得到的t的最优解。

t^*表示本次求解步骤七得到的最优解

ε表示允许的最大误差

步骤九、更新：n＝n+1，(tⁿ,θⁿ)＝(t^*,θ^*)，返回执行步骤七。

用户u_i的接收信号信干噪比SINR记为Γ_i，表示为：

表示为用户集，

表示第i个用户，

示第j个用户；

M表示AP的总数量，m表示第m个AP；

Γ_i表示用户u_i的接收信号信干噪比；

表示第m个AP到用户u_i的大尺度衰落系数；

表示第m个AP与用户u_i的大尺度衰落系数的信道状态估计值；

L表示每个AP上的天线数量；

表示第m个AP和用户u_i之间的功率控制系数；

表示具体的分簇结果，

表示用户u_i属于用户簇n_q，否则

ρ_d表示每个AP的最大归一化发射功率即：由噪声功率N0归一化。

用户u_i的接收信号的数据速率表示为，

表示用户簇集，

表示实际的用户簇数。

B_max为系统的总带宽；

G_i表示用户u_i的接收信号信干噪比；

R_i表示用户u_i的接收信号的数据速率。

原理：SCA方法

SCA方法描述了一种解决非凸优化问题的通用方案，其中在每次迭代中，非凸可行集由一个内凸近似值近似。后者是使用非凸约束函数的上限定义的。在适当的条件下，建立到KKT点的单调收敛。

考虑以下通用优化问题：

minf(x)

(P)s.t.g_i(x)≤0,i＝1,…,m

其中f，g_i(i＝1,…,m)都是

上的连续可微函数。另外，假设函数f和最后m-p(对于p＜m)约束函数g_p+1,…,g_m在

上是凸的。因此，问题的“非凸部分”是由于前p个约束函数g₁,…,g_p的非凸性引起的。假设g_i(i＝1,…,p)存在一个凸的上估计函数，假设存在

以及连续函数G_i：

使得对于所有的

y∈Y都有 g_i(x)≤G_i(x,y)，对一个固定的y，G_i(·,y)是凸函数且连续可微。向量y充当参数向量的角色，并且相应地Y称为允许参数集。SCA方法的基本思想是，在每次迭代时，将每个非凸函数g_i(i＝1,…,p)替换为选择适当的参数向量y的上凸近似函数

因此，在该方法的步骤k(k≥1)，需要解决以下形式的凸问题：

minf(x)

(P_k)s.t.G_i(x,y_k)≤0,i＝1,…,p

g_j(x)≤0,j＝p+1,…,m

向量y_k是一个固定的参数向量，取决于问题的解(P_k-1)。

在CF-mMIMO环境中，所有AP在相同的时频资源下同时向所有用户提供服务。但是，如果系统中的用户过多，则会发生导频污染，并且用户之间的干扰可能太高而无法满足信噪比(SINR)阈值要求。因此，本专利将介绍用户分簇的概念，即每个分片中的用户分为多个用户簇，并且同一簇中的用户共享相同的时频资源。

表示为用户集，

表示第i个用户。

表示用户簇集，n_q表示隶属于

的第q个簇。

表示实际的用户簇数。

是一个二进制指标，

表示用户u_i属于用户簇n_q，否则

用户分簇结束后，可以定义

为用户簇n_q中的用户集合，重新定义用户u_q,k是隶属于

中的第k个用户。

表示AP集，每个AP具有最大功率P_max以及L个天线。B_max为系统的总带宽，分配给每个簇的带宽为

分配给每个簇的功率为

则用户u_i的接收信号信干噪比(Singal to Interference plus Noise Ratio,SINR)，记为Γ_i，可表示为

用户u_i的接收信号的数据速率可以表示为，

对于用户u_i而言，接入网络有两个条件，第一个条件是他的信干噪比不能低于信干噪比阈值γ_th，否则不容易在同一时频资源的用户中将其辨别出来；第二个条件是他的用户数据速率不能低于他的最小需求速率，在本申请中

将用户的最小需求速率同一标记为R_min。

1.用户分簇的方法：

E_i表示用户u_i的分簇参考变量，他可以通过如下公式计算：

已知分簇数为I_l＝I₀+l，每个簇的最小用户数Z₁为不大于用户数比分簇数的最大取整数，通过解下面的凸优化问题就可以得到具体的分簇方案

2.SCA算法计算功率控制系数

这个部分对所有用户分好簇后，对一个簇内的所有用户执行功率控制系数算法。以簇n_q为例说明，其他所有簇同理。该算法的目的是使该用户簇中用户的最小SINR最大化，从而使超过阈值的用户数量最大化，使得尽可能多的用户进入网络，那么这个问题就可以被构建为，

这个问题明显是非凸的问题，无法通过计算器求解，因此引入松弛变量并且应用SCA 来找到一个近似解，这个问题就会被转换为，

其中

F(t,θ；tⁿ,θⁿ)是 f(t,θ)在点(tⁿ,θⁿ)处的一阶泰勒展开。

3.初始分簇数和最大分簇数

初始分簇时，需要考虑避免簇内用户过多发生导频污染，因此设置

其中

为总用户数。设置最大分簇数的时候需要避免分簇过多，导致分配给每个簇的带宽资源过低，从而导致用户数据速率过低而无法满足最低速率要求，因此最大分簇数需要满足

得到

I_max选择满足这个条件的最大正整数。

五、发明效果：

通过本方法可以最大化所有用户的最小SINR，从而最大化接入网络的用户，最小化用户的掉线率。本方法提出了两个子方法，第一个是用户分簇的方法，该方法只需要知道用户的大尺度衰落信息，而不需要知道用户的具体位置信息就可以对用户进行分簇，该分簇方法的计算量较低，更易于实现；第二个是基于SCA的功率控制系数分配算法，该算法保证了最大化簇内所有用户的最小SINR，保证了用户服务的公平性以及用户的接入。

本节中将给出算法的数值仿真结果，AP在1km×1km的正方形区域内均匀分布，所有用户随机分布。在这里使用路径损失模型如下：

其中

表示用户u_i和基站m之间的距离，而

表示用户u_i和基站m之间的路径损耗。

d₀＝10m，d₁＝50m，

表示阴影衰落，并且

具体参数见下表

符号	参数	参数值
			σ<sub>sh</sub>	阴影衰落方差	8dB
N<sub>0</sub>	噪声功率谱密度	-174dBm/Hz
			B<sub>max</sub>	系统总带宽	20MHz
P<sub>max</sub>	AP最大发射功率	200mW
			T<sub>c</sub>	相干间隔	200
τ	训练导频长度	40
			R<sub>min</sub>	用户最小速率需求	600kbps
γ<sub>th</sub>	信干噪比阈值	8dB

图1显示了三种方法在不同访问用户下的掉线率。可以看出，三种方案的掉线率将随访问用户数量的增加而增加，我们提出的方案在不同访问用户数量下的掉线率最低。可以看出，三种方案的掉线率将随访问用户数量的增加而增加，我们提出的方案在不同访问用户数量下的掉线率最低。不分簇的方案出现中断的可能性最高，其原因很明显： CF-mMIMO体系结构要求天线的数量必须大于用户数量，一旦不满足此要求，掉线率将迅速增加。而另外两种方案引用了用户分簇，因此掉线率较低。本申请提出的分簇方案具有最低的掉线率，因为本申请的最小SINR大于其他两个方案中的最小SINR，因此可以方便更多用户，可以满足SINR阈值。

Claims (3)

1.一种CF-mMIMO下的用户分簇及功率分配方法，在Cell-free Massive MIMO下：所有AP在相同的时频资源下同时向所有用户提供服务；其特征是：Cell-free Massive MIMO下最大用户信干噪比的用户分簇及功率分配方法的具体方法为：

步骤一、初始化：设置初始分簇数I₀、最大分簇数I_max；

步骤二、执行第l+1次迭代：对所有用户进行分簇，分成I₀+l个用户簇，对每个用户簇均通过SCA算法计算功率控制系数，得到最小的用户信干噪比Γ_min；

步骤三、判断步骤二获得的最小的用户信干噪比Γ_min用户是否大于或等于预设的停止迭代条件Γ_min≥γ_th，如果判断结果为是，则执行步骤四；如果判断结果为否且I₀+l＝I_max，则执行步骤五；

步骤四、令l＝l+1；返回执行步骤二；

步骤五、.用户检测及排除步骤；

令E_i表示用户u_i的分簇参考变量，它通过如下公式获得：

式中：m和m′的物理含义相同；

u_i表示第i个用户；

M表示AP的总数量，m表示第m个AP；

表示第m个AP到用户u i的大尺度衰落系数；

表示第m个AP与用户u i的大尺度衰落系数的信道状态估计值；

L表示每个AP上的天线数量；

ρ_d表示每个AP的最大归一化发射功率即：由噪声功率N0归一化；

由于已知分簇数为I_l＝I₀+l，则每个簇的最小用户数Z₁为不大于用户数比分簇数的最大取整数，通过解下面的凸优化问题得到每个用户的具体的分簇结果

式中：E_i表示用户u_i的分簇参考变量；

表示具体的分簇结果，

表示用户u_i属于用户簇n_q，否则

表示为用户集，

表示第i个用户；

表示用户簇集，n_q表示隶属于

的第q个簇；

S_max衡量指标，表示信干噪比最大的用户簇的近似信干噪比；

Z₁每个簇的最小用户数；

步骤六、初始化：n＝1，最大迭代次数为N，N为正整数，初始点为(t¹,θ¹)，误差为ε；

各用户的功率分配方法包括以下步骤：

步骤七、执行第n次迭代，用GUROBI或者MOSEK求解下式：

得到(t^*,θ^*)，

式中：

t表示信干噪比最小的用户的信干噪比；

表示第m个AP和用户u_q,k之间的功率控制系数；

为用户分簇结束后用户簇n_q中的用户集合，重新定义用户u_q,k是隶属于

中的第k个用户；

表示AP的集合，

θ是凸优化过程中引入的松弛变量；

F(t,θ；tⁿ,θⁿ)是f(t,θ)在点(tⁿ,θⁿ)处的一阶泰勒展开(tⁿ,θⁿ)表示第n次执行步骤七后得到的最优解；

步骤八、判断|t^*-tⁿ|≤ε，或者n＝N，如果判断结果为是，则停止迭代，完成一次Cell-free Massive MIMO下最大用户信干噪比的用户分簇及功率分配；如果判断结果为否，则执行步骤九；

tⁿ表示第n次迭代后得到的t的最优解，

表示本次求解步骤七得到的最优解；

ε表示允许的最大误差；

步骤九、更新：n＝n+1，(tⁿ,θⁿ)＝(t^*,θ^*)，返回执行步骤七。

2.根据权利要求1所述的一种CF-mMIMO下的用户分簇及功率分配方法，其特征在于

用户u_i的接收信号信干噪比SINR记为Γ_i，表示为：

式中：

表示为用户集，

表示第i个用户，

表示第j个用户

M表示AP的总数量，m表示第m个AP；

Γ_i表示用户u_i的接收信号信干噪比；

表示第m个AP到用户u_i的大尺度衰落系数；

表示第m个AP与用户u_i的大尺度衰落系数的信道状态估计值；

L表示每个AP上的天线数量

表示第m个AP和用户u_i之间的功率控制系数

表示具体的分簇结果，

表示用户u_i属于用户簇n_q，否则

ρ_d表示每个AP的最大归一化发射功率即：由噪声功率N0归一化。

3.根据权利要求2所述的一种CF-mMIMO下的用户分簇及功率分配方法，其特征在于用户u_i的接收信号的数据速率表示为，

表示用户簇集，

表示实际的用户簇数；

B_max为系统的总带宽；

Γ_i表示用户u_i的接收信号信干噪比；

R_i表示用户u_i的接收信号的数据速率。

Images