CN113841340A - 大规模mimo的预编码 - Google Patents

大规模mimo的预编码 Download PDF

Info

Publication number
CN113841340A
CN113841340A CN201980096469.0A CN201980096469A CN113841340A CN 113841340 A CN113841340 A CN 113841340A CN 201980096469 A CN201980096469 A CN 201980096469A CN 113841340 A CN113841340 A CN 113841340A
Authority
CN
China
Prior art keywords
signals
signal
power
transmitter
precoding
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.)
Pending
Application number
CN201980096469.0A
Other languages
English (en)
Inventor
王理军
毛卫强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nokia Shanghai Bell Co Ltd
Nokia Solutions and Networks Oy
Original Assignee
Nokia Shanghai Bell Co Ltd
Nokia Solutions and Networks Oy
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nokia Shanghai Bell Co Ltd, Nokia Solutions and Networks Oy filed Critical Nokia Shanghai Bell Co Ltd
Publication of CN113841340A publication Critical patent/CN113841340A/zh
Pending legal-status Critical Current

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
    • H04B7/0426—Power distribution
    • 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
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2614—Peak power aspects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
    • H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
    • 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)
  • Power Engineering (AREA)
  • Radio Transmission System (AREA)

Abstract

本公开的实施例涉及一种用于大规模MIMO的信号预编码的方法、发射器、装置和计算机可读存储介质。发射器包括第一数目的发射天线。在示例实施例中，发射器迭代地执行以下操作：基于第二数目的原始信号确定要由第一数目的天线在第二数目的流中发射的第一数目的信号，确定第一数目的信号的至少一个特征是否要被调节，以及响应于确定第一数目的信号的至少一个特征要被调节，调整第一数目的信号中的至少一个信号以调节第一数目的信号的至少一个特征。因此，第一数目的信号由第一数目的天线在第二数目的流中发射。

Description

大规模MIMO的预编码
技术领域
本发明实施例总体涉及电信领域，尤其涉及一种用于大规模多输入多输出(MIMO)的信号预编码的方法、发射器、装置和计算机可读存储介质。
背景技术
大规模MIMO技术被认为是未来第五代(5G)通信系统中的重要技术。主要用于提高通信系统的频谱效率和功率效率。利用大规模MIMO技术，基站(BS)被提供有大量天线。天线的数目可以是一百或几百个天线，这比传统通信系统中的天线数目高几个数量级。
预编码(或波束成形)是大规模MIMO下行链路系统中极其重要的处理，其利用发射器处的信道状态信息(CSI)。利用可靠的CSI，最佳预编码可以最大化信道性能。在大规模MIMO中，基站的大量天线为预编码提供了很大的自由度。MIMO系统中常用的传统预编码方法无法充分利用这些自由度来满足实际系统中的不同需求。例如，在实际应用中，每个天线都有自己的放大器，并且针对每个放大器，对信号的瞬时峰值功率都有限制。发射信号的幅度预计不会超过放大器的限制，以避免将非线性失真引入系统。再例如，多输入多输出正交频分复用(MIMO-OFDM)组合了MIMO和OFDM，作为OFDM的主要缺点之一，发射天线上的时域信号具有较大的包络波动。当信号通过高功率放大器(HPA)时，大的包络波动会引起严重的非线性失真。峰均功率比(PAPR，也称为PAR)是一种众所周知的对包络波动的测量，预计也会被降低以避免引入非线性失真。由于传统的预编码方法使用基于信道矩阵的固定预编码矩阵，发射信号的幅度不能满足实际要求。
此外，BS处的数百个天线元件可能引起过高的硬件成本和功耗。因此，在实际的大规模MIMO系统中，低成本和高能效的硬件组件应该在基站处使用，以降低硬件成本和功耗。低分辨率数模转换器(DAC)有可能减轻高硬件成本和功耗问题。为了在BS处使用低分辨率DAC，可以使用量化预编码来代替传统的预编码方案。然而，线性量化预编码通常具有很差的性能，而非线性预编码的复杂度太高，不适合实际的大规模MIMO系统。
发明内容
总的来说，本公开的示例实施例提供了一种用于大规模MIMO的信号预编码的方法、发射器、装置和计算机可读存储介质。
在第一方面，提供了一种在发射器处实现的方法。在该方法中，以下操作被迭代地执行：基于第二数目的原始信号确定要由第一数目的天线在第二数目的流中发射的第一数目的信号，确定第一数目的信号的至少一个特征是否要被调节，以及响应于确定第一数目的信号的至少一个特征要被调节，调整第一数目的信号中的至少一个信号以调节第一数目的信号的至少一个特征。因此，第一数目的信号由第一数目的天线在第二数目的流中发射。
在第二方面，提供了一种发射器。该发射器包括：第一数目的天线、至少一个处理器和至少一个存储器，至少一个存储器包括计算机程序代码。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发射器迭代地执行以下操作：基于第二数目的原始信号确定要由第一数目的天线在第二数目的流中发射的第一数目的信号，确定第一数目的信号的至少一个特征是否要被调节，以及响应于确定第一数目的信号的至少一个特征要被调节，调整第一数目的信号中的至少一个信号以调节第一数目的信号的至少一个特征。因此，第一数目的信号由第一数目的天线在第二数目的流中发射。
在第三方面，提供了一种装置，包括用于执行根据第一方面的方法的部件。
在第四方面，提供了一种计算机可读存储介质，在其上存储有计算机程序。计算机程序在由发射器的处理器执行时使发射器执行根据第一方面的方法。
应当理解，发明内容部分不旨在标识本公开的实施例的关键或本质特征，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
通过附图中对本公开的一些示例实施例的更详细的描述，本公开的上述和其他对象、特征和优点将变得更加清楚，在附图中：
图1示出了可以实现本公开的示例实施例的示例通信系统；
图2示出了根据本公开的一些示例实施例的用于大规模MIMO的预编码的示例方法200的流程图；
图3示出了根据本公开的一些示例实施例的用于大规模MIMO的预编码的示例；
图4示出了根据本公开的一些示例实施例的用于大规模MIMO的预编码的示例；
图5示出了根据本公开的一些示例实施例的用于大规模MIMO的预编码的示例；
图6示出了根据本公开的一些示例实施例的用于大规模MIMO的预编码的示例；
图7示出了根据本公开的一些示例实施例的用于大规模MIMO的预编码的示例；
图8示出了根据本公开的一些示例实施例的大规模MIMO的预编码的示例；
图9示出了根据本公开的一些示例实施例的用于大规模MIMO的预编码的示例；
图10示出了根据本公开的一些示例实施例的用于大规模MIMO的预编码的示例；
图11示出了根据本公开的一些示例实施例的用于大规模MIMO的预编码的示例；
图12是适合于实现本公开的示例实施例的设备的简化框图。
在整个附图中，相同或相似的附图标记代表相同或相似的元素。
具体实施方式
现在将参考一些示例实施例来描述本公开的原理。应当理解，描述这些实施例仅用于说明和帮助本领域技术人员理解和实现本公开，并不暗示对本公开范围的任何限制。本文中描述的公开可以以除了下面描述的方式之外的各种方式来实现。
在以下描述和权利要求中，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理解的相同的含义。
如本文中所使用的，术语“发射器”是指能够发射信号的设备。如本文中所使用的，术语“接收器”是指能够接收信号的设备。在本公开的示例实施例中，发射器可以被提供有大量用于发射信号的天线。接收器可以配备被提供有一个或多个天线用于接收信号。发射器或接收器可以由任何合适的设备实现或作为其一部分，包括例如网络设备或终端设备。
如本文中所使用的，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)、演进的NodeB(eNodeB或eNB)、千兆节点B(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。如本文中所使用的，术语“终端设备”是指能够、配置用于、布置用于和/或可操作用于与网络设备或通信网络中的另外的终端设备进行通信的设备。通信可以涉及使用电磁信号、无线电波、红外信号和/或适合于通过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工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，终端设备可以按照预定的调度向网络设备发射信息。
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、膝上型嵌入式设备(LEE)、膝上型安装设备(LME)和/或无线客户端设备(CPE)。出于讨论的目的，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)在本公开的上下文中可以互换使用。
如本文中所使用的，术语“电路系统”可指以下一项或多项或全部：
(a)纯硬件电路实现(诸如仅在模拟和/或数字电路系统中的实现)知
(b)硬件电路和软件的组合，诸如(如适用)：(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)硬件处理器的任何部分(包括(多个)数字信号处理器)、软件和(多个)存储器，它们一起工作以使装置(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，需要软件(例如，固件)进行操作，但当操作不需要该软件时，该软件可以不存在。
该电路系统的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。作为另一个示例，如本申请中所使用的，术语电路系统还涵盖仅硬件电路或处理器(或多个处理器)或硬件电路或处理器的一部分及其(或它们的)随附软件和/或固件的实现。术语电路系统还涵盖(例如并且如果适用于特定权利要求元素)用于移动设备的基带集成电路或处理器集成电路、或服务器、蜂窝网络设备或其他计算或网络设备中的类似集成电路。
如本文中所使用的，单数形式“一个(a)”、“一个(an)”和“该(the)”也旨在包括复数形式，除非上下文另有明确指示。术语“包括”及其变体应理解为开放术语，意思是“包括但不限于”。术语“基于”应理解为“至少部分基于”。术语“一个(one)实施例”和“一个(an)实施例”应理解为“至少一个实施例”。术语“另一实施例”应理解为“至少一个其他实施例”。其他定义(明确的和隐含的)可以包括在下面。
如本文所用，术语“第一”、“第二”等在本文中可用于描述各种元素，这些元素不应受这些术语的限制。这些术语仅用于区分一种元素与另一种元素。例如，在不脱离示例实施例的范围的情况下，第一元素可以被称为第二元素，并且类似地，第二元素可以被称为第一元素。如本文中所使用的，术语“和/或”包括一个或多个所列术语的任何和所有组合。
如上所述，在大规模MIMO中，在包括多个天线的发射器处的预编码对于确保可靠的下行链路发射变得更加重要。在大规模MIMO系统中，基站处的大量天线提供了很大的自由度，这使得寻找预编码问题的最优解成为可能。基于梯度下降(GD)的预编码方案可以利用大自由度的优势来满足实际系统中的不同要求，并且同时涵盖传统的线性预编码方法。在实现基于GD的预编码过程中，可以引入限制预编码信号的要求作为扰动以重定向梯度下降步骤。因此，传统的预编码方案可以通过基于GD的预编码方案轻松地实现，同时可以调整预编码信号的特征以满足不同的要求。
下面将讨论示例大规模MIMO下行链路系统中的示例预编码过程。在该示例中，网络设备(例如，gNB)配备有N个天线，同时为终端设备(例如，UE)服务M个活动流。y表示所有M个流的接收信号，其具有M×1的大小，并且x表示发射信号，其具有N×1的大小。H表示一个信道矩阵，其具有M×N的大小。然后y可以使用等式(1)来计算如下：
y＝Hx+n (1)
列向量s表示原始信号，其具有M×1的大小并且应该在活动流中发射到特定用户。假设
Figure BDA0003357716420000071
并且n是具有零均值和方差
Figure BDA0003357716420000072
的高斯白噪声。
在大规模MIMO系统中，预编码是将原始信号s转换为要在天线上发射的信号x的过程。发射器处的预编码一般可以使用等式(2)描述如下：
x＝Ws (2)
接收信号y可以由等式(3)重写如下：
y＝HWs+n (3)
为了正确接收原始信号s，需要设计预编码矩阵以使得接收信号y是s的缩放版本。
传统上，可以使用几种线性预编码/波束成形方案在大规模MIMO系统中进行预编码，诸如匹配滤波(MF)、迫零(ZF)、正则化迫零(RZF)等。
下面将讨论示例MF方案。
匹配滤波方案是最简单的预编码方式，它只使用下行链路信道矩阵的共轭转置作为预编码矩阵。那么预编码矩阵Wmf可以用等式(4)表示如下：
Wmf＝HH (4)
然后可以通过x＝Wmfs计算预编码信号。MF方案也称为最大比率组合/传输(MRC/MRT)方案，它使预期用户的信号增益最大化。预编码矩阵的列可以通过右乘对角矩阵
Figure BDA0003357716420000073
来归一化为一个单位范数，其中Dmf的对角元素是信道矩阵H的行长。那么接收信号向量ymf可以由等式(5)改写如下：
Figure BDA0003357716420000074
对于H中的信道向量相互正交的最佳场景，接收信号向量可以由ymf＝Dmfs+n计算，这意味着信道向量的长度正好是预期用户的增益。因此，MF预编码在这种场景中是最佳的。
然而，信道向量通常是相关的，并且用户间干扰不能被忽略。由于MF预编码没有考虑用户间干扰，这种场景中每用户的速率会很小。
下面将讨论示例ZF方案。
ZF预编码使用信道矩阵的伪逆作为预编码矩阵来实现块级预编码。预编码矩阵可以表示为WzF，那么ZF预编码可以通过等式(6)计算如下：
Wzf＝HH(HHH)-1 (6)
预编码信号可以通过x＝Wzfs计算。预编码矩阵的列可以通过右乘对角矩阵Dzf来归一化为单位范数，其中对角矩阵Dzf可以由等式(7)表示如下：
Figure BDA0003357716420000081
那么ZF预编码可以通过等式(8)计算如下：
yzf＝HHH(HHH)-1Dzfs+n＝Dzfs+n (8)
因此，ZF预编码通过向预期用户发射信号同时在其他用户的方向上归零来消除干扰。
对于H中的信道向量相互正交的最佳场景，Dzf将变为Dmf，并且接收信号可以由yzf＝Dmf s+n重写。因此，ZF预编码变为MF预编码，并且ZF预编码也以最大比率发射信号。
然而，当存在高度相关的信道时，存在严重的多用户干扰(MUI)。为了将信道解相关，ZF预编码使用附加信息，从而减少信道容量。另外，在某些场景中，HHH的逆可能不存在，并且也不能再使用ZF预编码。
下面将讨论示例RZF方案。
正则化迫零，也称为MMSE预编码、维纳滤波器预编码等，是一种用于MIMO无线通信系统的流行的线性预编码。由于ZF预编码有一个固有的缺陷，即可能不存在HHH的逆，RZF预编码可以通过引入正则化因子来消除这个缺陷。典型的RZF预编码可由等式(9)表示如下：
Wrzf＝HH(HHH+λI)-1 (9)
其中λ是正则化因子，其可以根据信噪比(SNR)选择。假设所有流具有相同的SNR，由ρ表示，正则化因子λ可以通过等式(10)被选择作为SNR的倒数，如下所示：
Figure BDA0003357716420000091
类似地，预编码矩阵的列也可以通过右乘对角矩阵Drzf来归一化为单位范数，其中对角矩阵Drzf可以等由式(11)表示如下：
Figure BDA0003357716420000092
RZF预编码是MF预编码和ZF预编码之间的折衷。当λ→∞时，它变成MF预编码，并且当λ→0时，它变成ZF预编码。
对于每个流都有自己的SNRρk(1≤k≤M)的非均匀SNR场景，每个流的正则化因子也可以不同，其中正则化因子可以通过等式(12)计算如下：
Figure BDA0003357716420000093
将其对角元素为正则化因子(λk，1≤k≤M)的对角矩阵表示为∑，则RZF的预编码矩阵可由等式(13)计算如下：
Wrzf＝HH(HHH+∑)-1 (13)
RZF预编码的计算涉及大维度矩阵的求逆，尤其是对于大量用户和天线。因此，RZF预编码在实践中很难实现。
上述这些块级预编码方案不灵活，因为预编码矩阵对于特定信道矩阵是固定的。当通过左乘这些预编码矩阵获得发射信号时，要改善发射信号的特性并不容易，因为对发射信号进行修改可能会引起信息丢失。
此外，一种简化的基于GD的预编码方法提出了一种有效的预编码算法，来降低大规模MIMO-OFDM峰均功率比(PAPR)。该方法通过GD算法实现基本的ZF预编码，并组合新提出的前视(look-ahead)限幅方法，将大规模MIMO-OFDM下行链路系统的PAPR降低到非常低的水平。
尽管简化的基于GD的预编码比基本的ZF预编码更灵活，但它没有考虑对预编码信号的限制。此外，简化的基于GD的预编码仅通过GD算法实现了基本的ZF预编码，并没有涵盖其他传统的预编码。
此外，提出了线性量化预编码方法以在BS处的低分辨率DAC中实现量化预编码，诸如最大比率发射量化(MRTQ)、ZF量化(ZFQ)和RZF量化(RZFQ)。这些方法对使用传统预编码方案进行预编码的预编码信号的幅度进行量化，从而降低了BS处的硬件成本和功耗。
下面将讨论示例线性量化预编码方案。
线性量化预编码是实现量化预编码的最简单方式。线性预编码矩阵可表示为W，则预编码信号x可通过等式(14)计算如下：
x＝Q(Ws) (14)
其中Q·)是量化器映射函数，它是一个非线性函数，用于描述BS处的DAC的量化操作。W可以是上述Wmf、Wzf、和Wrzf中的任何一种，从而实现对应的MRTQ、ZFQ和RZFQ。
对于作为量化预编码的特定情况的1比特预编码，量化器映射函数可以由等式(15)表示如下：
Figure BDA0003357716420000101
其中P和N分别表示x的预定义的总功率和基站BS处的天线数目。
Figure BDA0003357716420000102
知
Figure BDA0003357716420000103
分别表示复向量的实部和虚部。sgn(·)用于表示符号(signum)函数，该函数按元素应用于向量，并由等式(16)定义如下：
Figure BDA0003357716420000111
尽管线性量化预编码非常简单，但它们通常具有非常差的性能。因此，提出了许多非线性预编码器来提高性能。在这些预编码器中，提出了平方无穷范数道格拉斯-拉奇福德分裂(squared-infinity norm Douglas-Rachford splitting，SQUID)，这是一种具有相对低的复杂度的接近最佳的预编码。但是其复杂度仍然太高，不适合实际的大规模MIMO系统。
本公开的示例实施例提供了大规模MIMO中的预编码方案。如果多个原始信号要向一个或多个接收器发送，则发射器执行预编码方案以确定要由多个天线在多个流中发射的多个信号，以调节还要发射的多个信号的至少一个特征。因此，与多个发射信号相对应的多个接收信号将在多个流中被接收。通过该过程，发射器迭代地执行以下操作：基于第二数目的原始信号确定要由第一数目的天线在第二数目的流中发射的第一数目的信号，确定第一数目的信号的至少一个特征是否要被调节，响应于确定第一数目的信号的至少一个特征要被调节，调整第一数目的信号中的至少一个信号以调节第一数目的信号的至少一个特征。例如，如果第一数目的信号的特征是要发射的多个信号的功率，则多个信号中的信号的功率可以被调整到功率范围内。再例如，如果要被发射的多个信号的特征是多个信号的峰均功率比，则多个信号的信号功率可以被调整为等于或小于功率上限。又如，如果第一数目的信号的特征为要被发射的多个信号的幅度，则多个信号的至少一个信号可以通过将多个信号的至少一个信号的幅度调整到量化水平或量化水平附近来被调整。本公开的预编码方案利用大规模MIMO系统的大自由度的优点，确保要被发射的多个信号的至少一个特征可以被调节，诸如发射信号的幅度可以在放大器的线性工作范围内、可以降低MIMO-OFDM的PAPR、可以量化信号的幅度等。
图1示出了可以在其中实现本公开的实施例的示例环境100。环境100可以是大规模MIMO下行链路系统的一部分，包括发射器110和接收器120-1、......、120-M(以下统称为接收器120)。发射器110包括同时服务M个活动流的发射天线113-1、......、113-N，接收器120-1、......、120-M每个都被提供有一个接收天线121-1、......、或121-M。N和M可以是任何合适的正整数，并且N可以大于M。应当理解，接收器120可以被提供有多于一个的接收天线。因此，M个流可以对应于另一数目的接收器，其中每个接收器可以具有一个或多个流。
应当理解，发射器和接收器的数目仅出于说明的目的而示出，而不暗示任何限制。环境100可以包括适用于实现本公开的实施例的任何合适数目的发射器和接收器。
发射器110和接收器120可以由任何合适的设备实现或作为其一部分来实现。在一些实施例中，发射器110可以在网络设备处实现，而接收器120可以在终端设备处实现。在环境100是中继通信网络的一部分的实施例中。在该示例中，发射器110可以在网络设备处实现，而接收器120可以在中继处，反之亦然。在一些其他实施例中，发射器110和接收器120两者都可以在设备到设备(D2D)通信中的终端设备处实现，这可以备选地被称为侧链路或车辆到一切(V2X)。
如图所示，发射器110和接收器120-1、......、120-M可以经由无线信道112进行通信。发射器110和接收器120之间的通信可以遵循任何合适的通信标准或协议，诸如通用移动电信系统(UMTS)、长期演进(LTE)、高级LTE(LTE-A)、第五代(5G)NR、无线保真(Wi-Fi)和全球微波接入互操作性(WiMAX)标准，并采用任何合适的通信技术，包括例如多输入多输出(MIMO)、正交频分复用(OFDM)、时分复用(TDM)、频分复用(FDM)、码分复用(CDM)、蓝牙、ZigBee和机器类型通信(MTC)、增强型移动宽带(eMBB)、大规模机器类型通信(mMTC)和超可靠低时延通信(uRLLC)技术。在一些实施例中，MIMO技术(诸如单用户MIMO(SU-MIMO)和多用户MIMO(MU-MIMO)技术)可以用于环境100中的通信。
发射器110可以基于原始信号执行预编码。在大规模MIMO系统中，发射器110处的预编码是确保接收器120能够正确接收信号的最重要过程之一。当发射器110在网络设备处实现时，预编码是针对下行链路的预编码，并且当发射器110在终端设备处实现时，预编码是针对上行链路的预编码。如图1所示，预编码是将原始信号s转换为要在天线上发射的信号x的过程。如上所述，发射器处的预编码一般可以使用如下等式(2)和等式(3)来描述：x＝ws和y＝HWs+n。为了正确接收原始信号s，需要设计预编码矩阵，使接收信号y为s的缩放版本。
在一些实施例中，使用基于GD的预编码。发射器110处的基于GD的预编码可被转换为求解如下等式(17)：
Gs＝Hx (17)
其中6是一个预处理矩阵，它决定了在接收器120处接收到的信号的增益。
可以使用任何合适的方法来执行预处理。例如，发射器110可以对原始信号进行预处理以将原始信号的增益增加一个常数。作为另一示例，发射器110可以基于与流相关联的信噪比来预处理原始信号。作为又一示例，发射器110可以基于信道状态信息(CSI)对原始信号进行预处理。本公开的范围在这方面不受限制。因此，接收器120可以具有足够的增益以从接收信号中恢复原始信号。
在一些其他示例实施例中，可以不使用预处理矩阵。然后，发射器110处的基于GD的预编码可以使用等式(18)描述如下：
s＝Hx (18)
图2示出了根据本公开的一些实施例的示例方法200的流程图。方法200可以在如图1所示的发射器110处实现。为了讨论的目的，将参考图1来描述方法200。
在框210处，发射器110基于第二数目的原始信号(例如，s)确定要由发射器的第一数目的天线(例如，发射天线113-1、......、113-N)在多个(称为第二数目的)流中发射的多个(称为第一数目的)信号(例如，x)。第一和第二数目可以是任何合适的数字。在图1所示的示例中，第一和第二个数目分别是N和M。
要被发射的第一数目的信号可以基于任何合适的算法来确定。在一些示例实施例中，第一数目的信号可以被确定以最小化第二数目的原始信号与要在第二数目的流中接收的第二数目的接收信号之间的差异。在一些示例实施例中，发射器110可以基于信道状态信息(CSI)和要发射的第一数目的信号来确定第二数目的接收信号。发射器110可以通过由接收器120发射的显式或隐式指示知道CSI。
例如，在利用基于GD的预编码的示例实施例中，为了找到等式(18)的最优解，成本函数可以考虑等式(18)中的S和H与发射信号x之间的差异。当找到发射信号x时，S和Hx之间的差异将被最小化。
在一些示例实施例中，成本函数可以是凸的。凸成本函数可以有一个最小解，并且可以保证GD算法的快速收敛。一旦成本函数已经被设计，成本函数的梯度也就确定了，然后就可以使用GD算法来最小化成本函数。当成本函数最小化时，将获得最优解。
成本函数还可以考虑发射信号x的功率以降低功率。例如，在一些实施例中，可以使用均方差(MSE)成本函数，其涉及两个向量之间的差的平方L2范数。成本函数可以由等式(19)表示如下：
Figure BDA0003357716420000141
其中λ是正则化因子，并且不执行正则化时它可以设为0。
Figure BDA0003357716420000142
是发射信号向量x的平方L2-范数，其代表发射信号的功率。
Figure BDA0003357716420000143
表示原始信号s与理想接收信号Hx之间的差异。
正则化因子λ可以基于任何合适的规则来确定。在一些示例实施例中，λ可以根据与第二数目的流相关联的SNR来选择。在这种情况下，第一数目的信号还可以基于与第二数目的流相关联的SNR被调整以调节第一数目的信号的至少一个特征。SNR可以在一定程度上抑制噪声的影响，并且进一步提高经调整的第一数目的信号的精度。
SNR是用于评估信道的通信条件的参数。具有高SNR的信道可能具有较大的信道容量。所有活动流的SNR可能相同(例如，ρ)，或者所有流的SNR可能不同(例如，ρk(1≤k≤M))。此外，SNR可以由接收器120测量，并且发射器110可以通过由接收器120发射的显式或隐式指示知道SNR。
在一些示例性实施例中，为了快速减小第二数目的原始信号(例如，s)与第二数目的接收信号(例如，Hx)之间的差异，所确定的差异的下降速率高于阈值速率的方向被确定。因此，第一数目的信号被更新以使得所确定的差异能够在所确定的方向上下降。例如，所确定的方向是沿着其差异下降最快的方向，即所确定的差异的下降速率高于阈值速率。可以使用任何合适的方法来确定方向。例如，方向可以基于所确定的差异和CSI被确定，或者方向可以进一步基于与第二数目的流相关联的信噪比(SNR)被确定。本公开的范围在这方面将不受限制。
例如，在利用基于GD的预编码的示例实施例中，当已经设计成本函数时，成本函数的梯度可以被确定。梯度指示此时函数沿着这个方向(这个梯度的方向)变化最快，变化率最高。例如，对于等式(19)中的成本函数，成本函数的梯度(即，等式(19))可以通过等式(20)计算如下：
Figure BDA0003357716420000151
对于GD算法，目标是将梯度最小化为零。因此，可以将成本函数的梯度设置为零来推断GD算法的最终解。那么GD算法的最终解可以由等式(21)计算如下：
x＝(HHH+λI)-1HHs＝HH(HHH+λI)-1s (21)
显然，该解决方案类似于RZF方法的解决方案。此外，当λ＝0，即没有正则化时，基于GD的预编码的解决方案可以通过等式(22)重写如下：
x＝(HHH)-1HHs＝HH(HHH)-1s (22)
是ZF方式的解决方案，也就是说，将λ设置为0将使基于GD的预编码成为ZF方式的解决方案。因此，基于GD的预编码方案可以方便地实现ZF和RZF预编码方案两者。
通常，等式(18)中的信号S可以不限于原始信号，它可以是原始信号的处理结果。这个过程可以进一步表示为矩阵乘法，即Gs，其中G是预处理矩阵。也就是说，等式(18)可以被重写为等式(17)：Gs＝Hx。
预处理矩阵G控制所有流的信号增益。当G是一个简单的对角矩阵时，对角元素正是基于非正则化GD的预编码的不同流的增益。
如上所述，通过等式(17)，等式(20)可以由等式(23)重写：
x＝(HHH+λI)-1HHGs＝HH(HHH+λI)-1Gs (23)
SGD算法是GD方法的实际实现之一，它对于大规模MIMO预编码场景具有较快的收敛和较低的复杂度。下面将讨论基于SGD的预编码的示例过程。
为简化起见，将Gs在以下部分中表示为
Figure BDA0003357716420000161
那么等式(19)中成本函数的梯度可以由等式(24)写成如下：
Figure BDA0003357716420000162
差异，即误差向量
Figure BDA0003357716420000163
可以表示为δ，然后等式(24)可以由等式(25)写成如下：
Figure BDA0003357716420000164
为了最小化该梯度，将等式(25)除以δ，然后等式(25)可以由等式(26)写成如下：
Figure BDA0003357716420000165
其中Hk表示H的第k行。
由于1≤k≤M，等式(26)可以进一步由等式(27)写成如下：
Figure BDA0003357716420000166
在一些示例实施例中，发射器110可以基于相应原始信号迭代地调整发射信号。发射信号可以基于多个原始信号中的相应原始信号逐个被调整。在一些示例实施例中，在初始阶段，要被发射的第一数目的信号设置为预设值，例如，0。
在一些示例实施例中，对于第一数目的信号的第k个调整，发射器110确定第二数目的接收信号的第k个接收信号与第二数目的原始信号的第k个原始信号之间的差异。k是大于0的整数，并且第二数目的接收信号中的第k个接收信号要在第二数目的流中的第k个流中被接收。基于所确定的差异，发射器110更新第一数目的信号以降低第一数目的信号的功率。在一些示例实施例中，更新第一数目的信号的迭代的数目等于第二数目的流的数目。发射器110迭代地更新第一数目的信号，直到所有的流都已经被更新。也就是说，第k个更新的第一数目的信号可以用作第一数目的信号，以确定在框210处的第k+1个更新的第一数目的信号。
下面将通过以基于SGD的预编码过程作为示例来讨论第一数目的信号的示例迭代调整。如果
Figure BDA0003357716420000171
表示为gk，则SGD算法的目标是逐个最小化所有gk。对于任何时期(epoch)的第k次迭代，SGD算法更新x以最小化gk。M次迭代(即，一个时期)之后，所有gk(1≤k≤M)都会减少。对于任何时期的第k次迭代，SGD算法更新x以最小化gk。在几个时期之后，所有gk(1≤k≤M)将被最小化，并且总梯度也将被最小化。
在一些示例实施例中，第一数目的信号可以基于更新步长被更新为在所确定的方向上下降。对于每次更新第一数目的信号，第一数目的信号可以基于更新步长来更新。
在一些示例实施例中，更新步长可以基于信道状态信息和与第二数目的流相关联的SNR被确定。因此，发射器110可以更新第一数目的信号以基于更新步长来使所确定的差异能够在所确定方向上下降。通过使用SNR可以在一定程度上抑制噪声的影响，并且基于更新步长更新第一数目的信号可以使所确定的差异在所确定的方向上下降为最小值。从而进一步提高了预编码的性能。当然，在一些示例实施例中，更新步长可以仅基于CSI来确定以降低算法的复杂度。
例如，在SGD算法的一个时期的任何迭代期间，更新步长是极其重要的。较差的步长会使SGD算法收敛缓慢甚至发散。对于任何时期的第k次迭代，将gk最小化为零是合理的。因此，在更新第k次迭代之后，可以重新计算第k个梯度g′k，并且期望为零，如以下等式(28)：
Figure BDA0003357716420000181
其中x′＝x+αkgk是更新的解。将αk表示为任何时期的第k次迭代的更新步长，则等式(28)可写为等式(29)和等式(30)如下：
Figure BDA0003357716420000182
Figure BDA0003357716420000183
由于
Figure BDA0003357716420000184
是标量，那么等式(30)可以由等式(31)写成如下：
Figure BDA0003357716420000185
其中
Figure BDA0003357716420000186
则等式(31)可以由等式(32)写成如下：
Figure BDA0003357716420000187
一般情况下，gk可能不为零，则等式(32)可简化为等式(33)如下：
Figure BDA0003357716420000188
任何时期αk的第k次迭代的更新步长可以通过等式(34)计算如下：
Figure BDA0003357716420000189
通过该αk缩放梯度gk可以帮助SGD算法在一个步骤中最小化Hkx和
Figure BDA00033577164200001810
之间的差异。在一个时期中，SGD算法会逐个最小化所有gk。在几个时期之后，所有的梯度都会被最小化，并且总梯度也会被最小化。
需要说明的是，正则化因子λ可以选择为SNR·ρ的倒数，在不执行正则化时它可以设置为0。但当SNR过低时，SNR的倒数会过大。由于较大的正则化因子可能对收敛性有较差的影响，因此不建议在SNR很低时使用1/ρ作为正则化因子。例如，当SNR不小于-10dB时，1/ρ不会大于10，这是一个合适的正则化因子；当SNR小于-10dB时，λ的经验值可以被选择，诸如
Figure BDA0003357716420000191
尽管假设所有活动流的SNR都相同，但在实际系统中是不可能的。非均匀SNR条件更实际，这意味着每个流都有自己的SNR。将所有流的SNR表示为ρk(1≤k≤M)，等式(34)中的唯一λ可以替换为λk(1≤k≤M)。
基于GD算法调整要由发射器天线发射的信号的过程可以看作是一个两层线性ANN的训练过程。在训练这个ANN时，信道矩阵H的行可以被视为样本，并且信号s的元素可以被视为标签。然后使用所有M对(Hk，sk)来训练ANN的参数，即发射的信号向量x，这是基于GD的预编码的结果。图3示出了用于本公开的基于GD的预编码300的ANN的示例。
如图3所示，用于基于GD的ANN预编码300可以包括输入层310和输出层320。H的第k行的每个元素可以用作输入，并且s的元素可以用作输出。sk表示为s的第k个元素，并且Hk，j表示为H的第k行、第j列的元素，对于每对(Hk，sk)，权重向量x将被更新。权重向量x可以被理解为用于基于GD的ANN预编码300的参数，其是用于在下行链路信道上经由gNB 110的发射天线发射到UE 120的信号。x(具有1×N的大小)作为x的候选。
基于SGD的预编码算法可以描述如下，例如：
输入：
信号向量s。
信道矩阵H。
SNR ρk(1≤k≤M)，所有ρk都可以完全不同或等于相同的ρ。
预处理矩阵G(设置为βI，其中β是对信号功率进行归一化的经验预编码因子)。
输出：
预编码信号x。
初始化：
设置最大迭代次数n，15就可以了。
如上所述设置正则化因子λk(1≤k≤M)，或对于非正则化版本仅将其设置为0。
例如，凭经验设置SGD的学习率η，例如η＝1.0。
主要例程：
计算缩放后的信号向量：
Figure BDA0003357716420000201
对于t＝1至n：
对于k＝1至M：
计算误差值：
Figure BDA0003357716420000202
计算梯度向量：
Figure BDA0003357716420000203
缩放梯度向量：
Figure BDA0003357716420000204
更新估计的信号向量：
x＝x+ηgk (39)
输出：预编码的信号x。
#基于SGD的预编码算法结束。
对于基于SGD的预编码的每个时期，计算复杂度为O(NM)，与ZF和RZF/MMSE预编码相比，其复杂度相对较低。对于ZF和RZF/MMSE预编码，矩阵求逆运算的计算复杂度为O(M3)。随着并发用户数目的快速增长，ZF和RZF/MMSE预编码的立方地增加的复杂度成为一个巨大的挑战。因此，基于GD的预编码方案由于其线性增加的复杂度而更具吸引力。
另外，基于GD的预编码方案在确保天线工作在其线性区域的同时，利用大的自由度来满足实际系统中的不同需求。基于要由发射器的多个天线发射的调整后的信号，可以提高接收器处接收信号的准确度。
框220处，发射器110确定第一数目的信号的至少一个特征是否要被调节。在实际系统中，不同的应用场景期望信号具有不同的特征。例如，在大规模MIMO中，期望发射信号的瞬时功率在放大器的线性工作区域内，以避免由功率放大引起的非线性失真，或者发射信号的幅度被量化为预定值以在BS处使用低分辨率DAC；并且在MIMO-OFDM中，期望降低发射信号的PAPR以避免引入非线性失真。因此，第一数目的信号的至少一个特征需要被调节。
在一些实施例中，第一数目的信号的至少一个特征是否要被调节可以基于执行动作的当前迭代数目来确定。例如，用于确定要发射的信号的最大迭代数目和用于调节第一数目的信号的至少一个特征的最大调节数目可以预先设置。在一些实施例中，最大调节数目可以不大于最大迭代数目。例如，如果确定当前迭代数目小于最大调整数目，则第一数目的信号的至少一个特征确定要被调节。
可以理解，确定要被发射的信号的最大迭代数目和调节第一数目的信号的至少一个特征的最大调剂数目可以根据实际需要确定。
如果确定不需要调节，则方法200返回到框210，其中第一数目的信号被迭代地确定。如果第一数目的信号的至少一个特征确定要被调节，则在框230，发射器11O调整第一数目的信号中的至少一个信号以调节第一数目的信号的至少一个特征。例如，第一数目的信号中的每一个信号的功率可以限制为最大值(或较大的值)和最小值(或较小的值)，或者第一数目的信号中的至少一个信号的幅度可以被调整到或接近量化水平。
如上所述，发射信号的瞬时功率是要被发射的信号的重要特征。期望它们在放大器的线性工作区域内，以避免由功率放大引起的非线性失真。
在一些实施例中，第一数目的信号的至少一个特征可以包括第一数目的信号的功率，并且发射器110可以通过确定第一数目的信号中的每个信号的功率是否在功率范围之外来调整第一数目的信号中的至少一个信号。如果发射器110确定第一数目的信号中的信号的功率在功率范围之外，则将第一数目的信号中的信号的功率调整为在功率范围内。在一些示例实施例中，对于第一数目的信号中的每个信号，如果第一数目的信号的功率大于最大值或小于最小值，则确定第一数目的信号在功率范围之外。如果是，则第一数目的信号中的信号的功率可以在功率范围内被调整。
在一些示例实施例中，功率范围可以包括功率上限。发射器110可以确定第一数目的信号的平均功率。基于平均功率，功率上限可以被确定。如果发射器110确定第一数目的信号中的信号的功率大于功率上限，则基于降低因子将第一数目的信号中的信号的功率降低到等于或小于功率上限。在一些示例实施例中，平均功率可以基于第一数目的信号和第一数目来确定。在一些示例实施例中，对于第一数目的信号中的每个信号，如果第一数目的信号中的信号的功率高于功率上限，则第一数目的信号中的信号的功率可以被降低为等于或小于功率上限。
在一些示例实施例中，信号的功率可以被降低到小于功率上限。例如，发射器110可以基于执行动作的当前迭代的数目来确定降低因子。对于每次迭代，降低因子可以基于当前迭代来确定，因此，第一数目的信号的功率可以不同地被降低。综上所述，在确保发射信号的瞬时功率在放大器的线性工作范围内的同时，发射信号可以由用户正确地接收。
此外，在MIMO-OFDM中，期望降低发射信号的PAPR以避免引入非线性失真。例如，在第一数目的信号可以是正交频分复用信号，并且第一数目的信号的至少一个特征可以包括第一数目的信号的峰均功率比的示例实施例中，发射器110可以通过确定第一数目的信号的平均功率来调整第一数目的信号中的至少一个信号。基于平均功率，发射器110可以确定功率上限。如果发射器110确定第一数目的信号中的每个信号的功率大于功率上限，则将第一数目的信号中的信号的功率减小到等于或小于功率上限。因此，在确保发射信号的PAPR可以降低到PAPR阈值以下的同时，发射信号可以由用户正确地接收。
可以理解，信号的一些特征可以组合来满足不同的实际需求。例如，可能需要同时降低发射信号的瞬时功率和发射信号的PAPR。因此，将理解，可以结合考虑信号的多个特征中的一些特征来执行根据本公开的示例实施例的预编码过程。
此外，还应当理解，可以使用任何合适的方法来执行将信号的功率降低到等于或小于功率上限。例如，限幅及其变体可以用于限制信号的功率。作为另一示例，一些激活函数也可以用于限制信号的功率。本公开的范围在这方面将不受限制。
此外，在大规模MIMO中，BS处的数百个天线元件可能引起过高的硬件成本和功耗。因此，期望发射信号的幅度被量化为预定值，以在BS处使用低分辨率DAC。
在第一数目的信号的至少一个特征可以包括第一数目的信号的幅度的示例实施例中，发射器110可以通过基于量化水平调整第一数目的信号的幅度来调整第一数目的信号中的至少一个信号。在一些实施例中，发射器110可以确定量化水平。量化水平可以基于天线的发射功率和发射天线的数目来确定。因此，发射器110可以将第一数目的信号中的至少一个信号的幅度调整为量化水平或量化水平附近。例如，假设第一数目的信号中的信号为具有实部和虚部的复信号。对于第一数目的信号中的每个信号，如果发射器110确定实部或虚部的幅度大于量化水平，则减小实部或虚部的幅度以等于量化水平。在一些实施例中，发射器110可以迭代地调整第一数目的信号中的至少一个信号的幅度以将第一数目的信号中的每个信号改变为或最接近的量化水平附近。为了将第一数目的信号中的每个信号改变为或最接近的量化水平附近，在一些实施例中，可以在调整第一数目的信号中的至少一个信号的幅度之前，基于缩放因子放大第一数目的信号。在迭代的最大迭代数目完成之后，至少一个信号的幅度被调整为量化水平。因此，发射器110可以量化第一数目的信号的经调整的幅度。
为了进一步提高预编码的准确性，在框210确定第一数目的信号，在框220确定第一数目的信号的至少一个特征是否要被调节以及框230处调整第一数目的信号中的至少一个信号被迭代地执行，直到达到结束条件。在本公开的上下文中，框210、220和230的一次迭代也可以称为一个时期(epoch)。结束条件可以使用任何合适的方法来确定。例如，结束条件可以是预设的最大迭代数目，也可以是其他结束条件，诸如第二数目的原始信号与对应于第一数目的信号的第二数目的接收信号之间的差异低于差异阈值，或者第一数目的信号中的每个信号的功率小于功率上限。本公开的范围在这方面不受限制。在一些实施例中，直到达到结束条件，第二数目的原始信号与对应于第一数目的信号的第二数目的接收信号之间的差异低于预定差异阈值，其中第二数目的流中的第一数目的信号将经由第一数目的天线发射。对于第一次在迭代操作中，第一数目的信号可以使用预设值。
在基于GD的预编码过程中，第一数目的信号(例如，x)的调整可以引入有限扰动。例如，可以将限制预编码信号的特征(诸如瞬时功率、PAPR或幅度)的要求作为扰动引入，以重定向梯度下降步骤。因此，最终解决方案可以被调整以满足具有少的信息丢失的要求。
应当理解，“有限”具有两个含义。首先，每个扰动都是有限的，因为较大的扰动可能会使GD算法发散。其次，扰动的总数是有限的，并且受到GD算法的总时期的限制。
例如，具有有限扰动的基于GD的预编码可以表示如下。图4示出了根据本公开的一些示例实施例的具有有限扰动的基于GD的预编码的示例。
为了讨论的目的，可以为有限扰动过程设置最大扰动数(即扰动的总数)p和最大迭代数(即GD算法的总时期，每个时期包括用于更新要被发射的信号的M次迭代)n来执行GD算法。例如，最大扰动数可以设置为p≤n，诸如p＝n-1。
在框410处，具有有限扰动的基于GD的预编码开始，其中迭代的当前数目(即，执行GD算法的当前数目)t＝1。
在框420处，执行如上所述的GD预编码。特别是，对于任何时期的第k次迭代，SGD算法更新x以最小化gk，在M次迭代(即一个时期)之后，所有gk(1≤k≤M)将下降。此外，GD预编码可以利用正则化或不利用正则化来执行。
在M次迭代(即，一个时期)之后，在框430处，确定当前迭代的数目是否小于最大扰动数。
如果当前迭代的数目小于最大扰动数，则在框440处执行有限扰动，并且在框460处t＝t+1。
如果当前迭代数目不小于最大扰动数，则在框450处进一步确定当前迭代的数目是否小于最大迭代数。
如果当前迭代的数目小于最大迭代数，则在框460处执行t＝t+1。
如果当前迭代数目不小于最大迭代数，则过程停止。
需要说明的是，在一些实施例中，可以省略框430，然后在框420之后直接执行框440、450和460。
在框460之后，从框420迭代地执行上述操作，直到当前迭代的数目超过最大迭代数。
在基于GD的预编码的时期期间，引入有限扰动以改变临时解，然后将临时解发送回GD过程。临时解中添加的扰动会改变梯度方向，并且根据实际需求设计的有限扰动最终会使GD过程得到较好的解，正好满足实际需求。
例如，在实际应用中，瞬时每天线峰值功率约束是非常实际的限制，以确保天线在其线性区域内工作。基于此限制，可以设计有限扰动以将基于GD的预编码重定向到较好的解，该解可以控制每个天线的瞬时功率。
此外，PAPR降低是避免引入非线性失真的限制，可以设计有限扰动，以将基于GD的预编码重定向到可以降低每个天线的PAPR的较好的解。
此外，幅度量化是通过在BS处使用低分辨率DAC来降低高硬件成本和功耗的限制，可以设计有限扰动，以将基于GD的预编码重定向到较好的解，该解可以量化预编码信号的幅度。
本公开的一些示例实施例提供了在大规模MIMO中具有有限扰动的若干基于GD的预编码。一种具有有限扰动的基于GD的预编码设计了基于瞬时每天线峰值功率约束的适当扰动。
对于瞬时功率受限的场景，目标是找到具有受限幅度的解。假设最大允许幅度为amax，则问题可以由等式(40)表示如下：
Gs＝Hx受制于max|x|＜amax (40)
其中解x的最大幅度受amax限制。
受这些扰动的影响，梯度下降步骤将被重定向到具有较低峰值功率的解。在几个时期之后，GD算法将收敛到一个合适的解，以满足瞬时每天线峰值功率约束。
具有自适应下降限幅的基于SGD的预编码可以描述如下，例如：
输入：
信号向量s。
信道矩阵H。
SNR ρ(假设所有流都具有相同的SNR)。
预处理矩阵G(设置为βI，其中β是对信号功率进行归一化的经验预编码因子)。
输出：
预编码信号x。
初始化：
设置最大迭代次数n，15至20次就可以了。
如上所述设置正则化因子λ，对于非正则化版本λ可以设置为0。
凭经验设置SGD的学习率η，例如，η＝1.0。
设置限幅操作的最大次数p≤n，例如，p＝n。
凭经验设置限幅率，例如，
Figure BDA0003357716420000271
主要例程：
使用等式(35)计算经缩放的信号向量
Figure BDA0003357716420000276
对于t＝1到n：
#第1步：基于SGD的预编码
对于k＝1到M：
使用等式(36)计算误差值δk。
计算梯度向量gk：
Figure BDA0003357716420000272
缩放梯度向量：
Figure BDA0003357716420000273
使用等式(39)更新估计的信号向量x。
#基于SGD的预编码算法结束。
#第2步：下降限幅
如果t＜p：(限幅操作将在此处实现p-1次迭代)
计算x的平均功率：
Figure BDA0003357716420000274
使用给定的限幅率μ计算限幅阈值：
Figure BDA0003357716420000275
计算自适应下降因子：
Figure BDA0003357716420000281
限幅估计的信号向量：
Figure BDA0003357716420000282
#下降限幅结束。
输出：预编码信号x。
#使用具有自适应下降限幅的基于SGD的预编码结束。
需要注意的是，限幅率μ非常重要，它控制着预编码信号x的瞬时功率的波动。假设
Figure BDA0003357716420000283
将限制预编码信号x的瞬时峰值功率小于或等于x的平均功率的两倍。假设x的平均功率为
Figure BDA0003357716420000284
则
Figure BDA0003357716420000285
的最大值可设为(amax/μ)2。因此，功率放大器在其线性区工作会容易得多，并且非线性失真会大大降低。
另一种具有有限扰动的基于GD的预编码是上面讨论的基于简化梯度下降(GD)的预编码，其将前视限幅与基于GD的预编码相结合，以降低MIMO-OFDM下行链路系统的PAPR。它基于PAPR约束设计了适当的扰动。前视限幅将扰动引入GD步骤，并将GD算法重定向到具有较低PAPR的较好的解。
此外，由于基于GD的预编码方案具有很高的灵活性，因此具有有限扰动的基于GD的预编码也可以应用于大规模MIMO中的量化预编码问题。它基于量化水平设计了适当的扰动。
本公开的实施例提供基于SGD的1比特预编码。
例如，基于SGD的基本1比特预编码算法描述如下。
输入：
信号向量s。
信道矩阵H。
预处理矩阵G(设置为βI，其中β是对信号功率P进行归一化的经验预编码因子)。
输出：
预编码信号x。
初始化：
设置最大迭代次数n，25次或更多就可以了。
根据经验设置SGD的学习率η，诸如η＝1.0。
根据经验设置限幅的缩放因子τ，例如τ＝1.25。
主要例程：
计算经缩放的信号向量：
Figure BDA0003357716420000291
对于t＝1到n：
#第1步：基于SGD的预编码
对于k＝1到M：
计算误差值：
Figure BDA0003357716420000292
计算梯度向量：
Figure BDA0003357716420000293
更新估计的信号向量：
x＝x+ηgk (39)
#第2步：缩放限幅
计算限幅阈值：
Figure BDA0003357716420000294
缩放估计的信号向量：
x＝τx (49)
限幅估计的信号向量：
x＝sgn(R{x})min(|R{x}|，ζ)+jsgn(I{x})min(|I{x}|，ζ) (50)
通过将x的元素改变为最接近的量化水平来量化信号x。
x＝Q(x) (51)
输出：预编码信号x。
#基于SGD的量化预编码算法结束。
需要注意的是，在此s、H和x的元素都是复数值。
实际上，具有有限扰动的基于GD的预编码可以用于很多场景，实际限制可以通过不同的操作转换为扰动，然后扰动将作为指导，将GD算法从原始解重定向到较好的解。关键是如何将要求或限制转换为有限的精心设计的扰动。通常，较好的转换意味着较好的解。
因此，在框240，发射器110通过第一数目的天线在第二数目的流中发射第一数目的信号。信号的数目可以被很好地预编码，使得接收器120可以正确地接收信号.
图5示出了根据本公开的一些示例实施例的具有有限扰动的基于GD的预编码500的示例。
如图5所示，具有有限扰动的基于GD的预编码500可以包括三个主要部分：确定预处理矩阵G 510、确定成本函数520和确定扰动530。
在510处，预编码矩阵G可以根据经验或通过特定设计设计为对角矩阵或非对角矩阵。例如，最简单的预处理矩阵是单位矩阵I，即意味着在用户侧对接收信号不添加空间增益。在实际系统中，预处理矩阵通常设计为βI，其中β是对预编码信号功率进行归一化的预编码因子。对于一个对角预处理矩阵G，G的对角元素正是在用户侧接收信号的增益。
预处理矩阵也可以设计成非对角矩阵来处理一些实际问题。通常，使用非对角预处理矩阵会将MUI引入预编码过程。传统的块级预编码方案通常将MUI视为应该减轻的因素。然而，与块级预编码方案相反，符号级预编码方案通常旨在控制MUI以具有建设性干扰，这有助于在用户侧正确检测接收的符号。因此，在本公开中可以利用MUI来提高检测性能。
另一种适当的方式是根据信道矩阵H设计预处理矩阵。例如，将G的对角元素设计为信道矩阵H中行向量的长度(还需要一个缩放因子来归一化信号功率)。这种设计是非常合理的，因为它是H中的信道向量相互正交时的最佳信道增益。如果信道向量不是相互正交的，则需要一些额外的功率来移除MUI。
另外，如果可以估计噪声水平，也可以根据用户侧的目标SNR来设计预处理矩阵。例如，假设n是具有零均值和方差
Figure BDA0003357716420000311
的高斯白噪声，并且所有流的目标SNR为ρ。由于在本发明中还假设
Figure BDA0003357716420000312
所有流的增益应该是
Figure BDA0003357716420000313
以确保目标SNR。因此，预处理矩阵G可以设计为
Figure BDA0003357716420000314
当不同流的目标SNR不同，并且将第k个流的目标SNR表示为ρk(1≤k≤M)时，预处理矩阵G的第k个对角元素可以设计为
Figure BDA0003357716420000315
在520处，对于GD算法，成本函数设计是极其重要的。确定成本函数是GD算法的前提。均方差(MSE)成本函数广泛用于机器学习，在估计等式(17)中的Gs与H之间的关系时，它可能是等式(17)中的Gs与H之间差异的测量。
正则化也可以涉及成本函数设计。L2-范数正则化，即
Figure BDA0003357716420000316
是一种常用的正则化方式。但这并不是正则化的唯一方式。在成本函数设计期间可以为不同的目的采用不同的正则化。需要注意的是，一些正则化方法可能会将成本函数变为非凸函数，这可能会使GD算法不收敛或收敛到局部最小值。因此，为确保GD算法的快速收敛，应始终保证成本函数的凸性。
在530处，对于BS处发射天线的数目远大于用户侧接收天线的总数的大规模MIMO预编码，等式(17)的解空间中有无穷解。预处理矩阵设计和成本函数设计可以确保GD算法收敛到一个合理的解，但不能充分利用GD算法的潜力来开发大规模MIMO的冗余自由度以为实际问题提供较好的解。
为了在大规模MIMO预编码场景中充分利用GD算法的潜力，引入扰动来中断梯度下降过程，并迫使GD算法收敛到另一个解。图6示出了本公开的重定向梯度下降步骤的过程。点A是位于解空间外的初始点，而点B和C是位于解空间内的两个解，由谷线(valley line)表示。在没有扰动的情况下，GD算法最终会收敛到点B。当在梯度下降步骤中引入扰动时，目标解会发生变化，并且GD算法会花费较多的步骤来收敛到新的解点C。
为了满足对预编码问题的解的实际要求，引入扰动来迫使GD算法收敛到满足特定要求的较好的解。在上述讨论和大规模MIMO-OFDM PAPR降低(例如，基于简化梯度下降(GD)的预编码)中，限幅及其变体已被证明是引入扰动以重定向GD算法的有效方法。然而，可行的操作不限于类似限幅的方法，机器学习中的其他激活函数也适用于引入扰动以重定向GD过程。不同的需求通常会引起不同的扰动设计，精心设计的扰动可以将GD算法重定向到较好的解，这将反过来提高与需求相关的性能。
本发明实施例提出了一种具有有限扰动的基于GD的预编码，以利用大自由度的优势来满足实际系统中的不同需求，同时涵盖传统的线性预编码方法。此外，由于ANN的快速发展，基于GD的预编码有利于提高计算效率。
此外，对于基于SGD的预编码的每个时期，计算复杂度比传统预编码相对低。因此，基于GD的预编码方案由于其线性增加的复杂度而更具吸引力。
另外，可以灵活地设计预处理矩阵G。通过使用不同的预处理矩阵G，基于GD的预编码方案可以用于实现不同的传统预编码方法。例如，基于GD的预编码方案可用于通过定义预处理矩阵为
Figure BDA0003357716420000321
来实现归一化的MF预编码，并通过没有正则化(λk＝0，1≤k≤M)的GD算法求解等式Gmfs＝Hx。因此，归一化MF预编码可以被基于GD的预编码方案涵盖。
作为另一个例子，归一化的ZF预编码可以通过将预处理矩阵定义为Gzf＝HHH(HHH)- 1Dzf＝Dzf的类似方式由基于GD的预编码来实现，然后由没有正则化的GD算法求解Gzfs＝Hx。
对于RZF预编码，基于GD的实现更加灵活。例如，归一化RZF预编码可以通过两种方式通过基于GD的预编码来实现。一种方式是将预处理矩阵定义为Grzf＝HHH(HHH+λI)-1Drzf，并通过没有正则化的GD算法求解Grzfs＝Hx。另一种方法是将预处理矩阵定义为Drzf，并通过具有正则化(λk＝λ，1≤k≤M)的GD算法求解Drzfs＝Hx。
在下面的部分中，将测试基于SGD的预编码方案、原始迫零方案(由ZF标记)、正则化迫零方案(由RZF标记)的性能。将基于SGD的预编码方案进一步拆分为几个子方法：基于SGD的ZF预编码(由SGD-ZF标记)、基于SGD的RZF预编码(由SGD-RZF标记)、基于SGD的限幅引导的ZF预编码(由SGD-CZF标记)和基于SGD的限幅引导RZF预编码(由SGD-CRZF标记)。
例如，环境参数可以设置为：
调制阶数：16-QAM星座
天线的数目：N＝40
流的数目：M＝10
对于天线上的功率放大器(PA)，考虑通过固态功率放大器(SSPA)的预编码信号，其可以由等式(44)表示：
Figure BDA0003357716420000331
其中x(n)和
Figure BDA0003357716420000332
表示输入和输出信号，amax表示饱和电压，这是在线性区域工作时SSPA允许的最大幅度，并且对于实际SSPA q＝3。
图7显示了根据不同方案的收敛速度。在SNR＝0dB条件下，基于SGD的不同方法对500个样本的总成本被绘制并显示在图7中。如图7所示，基于SGD的预编码具有快速收敛性：SGD-ZF和SGD-RZF都可以在10次迭代内收敛，而SGD-CZF和SGD-CRZF需要大约20次迭代才能收敛。SGD-CZF和SGD-CRZF需要更多迭代才能收敛的原因是限幅操作中断并重定向了梯度下降步骤。然而，它带来的好处是该解决方案以更多迭代为代价而具有低峰值功率。
当SNR为0dB时，用于不同方法的第一天线上的信号被绘制并显示在图8中。线810、820、830、840、850、860是在功率放大器进入非线性区域时的瞬时功率的幅度的限制。很明显，SGD-ZF与ZF具有相同的预编码结果，并且SGD-RZF与RZF具有相同的预编码结果。而对于SGD-CZF和SGD-CRZF方法，信号的瞬时功率得到了很好的控制。对于ZF、RZF、SGD-ZF和SGD-RZF方法，大多数瞬时幅度低于0.4，而对于SGD-CZF和SGD-CRZF方法，大多数瞬时幅度低于0.2。
将预编码信号通过上述SSPA，然后计算在不同SNR条件下的不同方法的SER。当一个符号被解码为星座中的另一个符号时，就说它是错误的。
如图9所示，SGD-ZF和ZF得到相同的SER性能(两条曲线重叠)，因为它们有相同的解。同样，SGD-RZF和RZF获得几乎相同的SER性能。而对于SGD-CZF和SGD-CRZF方法，它们获得的SER比ZF和RZF好得多。如图8所示，SGD-CZF和SGD-CRZF都找到了具有较低峰值的较好的解决方案，从而最小化了由SSPA引起的非线性失真。因此，SER性能变得更好，特别是当SNR高时。
在图9的右侧，绘制了功率增加(PI)。SGD-ZF和ZF具有相同的功耗，而SGD-CZF需要约0.3dB以上的功率。这是为避免SSPA引起的非线性失真而付出的代价。同样，SGD-RZF和RZF几乎具有相同的功耗，而SGD-CRZF多消耗约0.3dB的功率。
在SNR＝10dB条件下，研究了发射天线的数目的影响。由于有10个流进行发射，因此本次测试选择了10-100个发射天线。
如图10的左侧所示，SGD-ZF和ZF总是具有相同的SER性能。同样，SGD-RZF和RZF具有几乎相同的SER性能。SGD-CZF和SGD-CRZF得到最佳SER性能，因为它们避免了由SSPA引起的非线性失真。
如图10的右侧所示，绘制了所有方法的功耗。当发射天线的数目相对较少时，ZF和RZF都比SGD-ZF和SGD-RZF消耗更多的功率。增加发射天线的数目，功耗几乎相同。但是SGD-CZF和SGD-CRZF需要更多的功率才能得到具有较低峰值功率的解决方案。
需要注意的是，随着发射天线的数目的增加，天线上的总功耗降低。因此，信号的峰值功率也降低了，这有助于ZF、RZF、SGD-ZF和SGD-RZF以避免非线性失真。较少的失真肯定会引起更好的SER性能，这就是为什么ZF和RZF随着发射天线的数目的增加而在SER性能上得到更多好处的原因。
由于SGD-CZF和SGD-CRZF解决方案总是具有较低的峰值功率，因此它们更容易在不引入太多非线性失真的情况下增强发射器功率。而对于传统的ZF和RZF方法，由于其高峰值功率，较大的发射器功率通常意味着更多的非线性失真。
此外，以下的性能将被测试以展示基于GD的预编码方案的优势：基于SGD的1比特预编码方案(由SGD标记)、使用无限分辨率DAC的原始迫零(由ZF-inf标记)、迫零后量化(由ZFQ标记)和SQUID 1比特预编码器(由SQUID标记)。
例如，环境参数可以设置为：
调制阶数：QPSK星座
天线的数目：N＝40
流的数目：M＝10
这些方案的未编码SER和BER绘制在图11中。如图11所示，ZFQ作为典型的线性量化预编码，得到了最差的SER和BER性能。虽然ZF-inf得到了最佳性能，但这是因为量化会引入非线性失真，其将降低SER/BER性能。即使是最佳量化预编码也无法得到比利用无限比特DAC的ZF预编码更好的SER/BER性能。量化预编码通过引入一些失真来减轻高硬件成本和功耗。
基于SGD的1比特预编码得到与SQUID预编码相似的SER/BER性能，其具有量化预编码的近乎最佳的SER/BER性能。因此，基于SGD的预编码方案的高度灵活性和可扩展性已在1比特预编码应用中得到证明。由于GD算法具有较低的复杂度，因此它可以比SQUID更有效，并且对实际的大规模MIMO系统更有吸引力。
通过上述性能测试结果，基于GD的预编码方案具有以下几个明显的优点：
大覆盖：传统的预编码方案可以很容易地通过基于GD的预编码方案来实现。
高灵活性：易于控制每个流在用户侧的信号增益。
高扩展性：基于GD的预编码易于扩展以满足实际应用的不同需求。
易于实现：可以通过简单的线性神经网络轻松实现。
A1领域的收益：可以很容易地使用在硬件(DSP、GPU、FPGA、NPU)中实现的ANN，这可以移除CPU的大部分计算消耗。
在一些示例实施例中，能够执行方法200的装置(例如，如图1所示的发射器)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。
在一些示例实施例中，该装置包括：用于迭代地执行以下的部件：基于第二数目的原始信号确定要由第一数目的天线在第二数目的流中发射的第一数目的信号，确定第一数目的信号的至少一个特征是否要被调节，以及响应于确定第一数目的信号的至少一个特征要被调剂，调整第一数目的信号中的至少一个信号以调节第一数目的信号的至少一个特征；以及用于由第一数目的天线在第二数目的流中发射第一数目的信号的部件。
在一些示例实施例中，其中用于确定第一数目的信号的部件包括：用于确定第二数目的原始信号与对应于第一数目的信号的第二数目的接收信号之间的差异的部件；用于基于所确定的差异确定所确定的差异的下降速率高于阈值速率的方向的部件；以及用于更新第一数目的信号以使所确定的差异能够在所确定的方向上下降的部件。
在一些示例实施例中，用于更新第一数目的信号的部件包括：用于基于信道状态信息和与第二数目的流相关联的信噪比确定更新步长的部件；以及用于更新第一数目的信号以使所确定的差异能够基于更新步长在所确定的方向上下降的部件。
在一些示例实施例中，该装置还包括：用于基于第二数目的原始信号的相应原始信号迭代地调整第一数目的信号的部件，其中迭代地调整第一数目的信号包括：用于确定第二数目的接收信号中的第k个接收信号与第二数目的原始信号中的第k个原始信号之间的差异的部件，其中k大于0并且第二数目的接收信号中的第k个接收信号将在第二数目的流的第k个流中被接收；以及用于基于所确定的差异更新第一数目的信号的部件。
在一些示例实施例中，其中第一数目的信号的至少一个特征包括以下至少一项：第一数目信号的功率和第一数目的信号的峰均功率比，并且用于调整第一数目的信号中的至少一个信号的部件包括：用于确定第一数目的信号中的每个信号的功率是否在功率范围之外的部件；以及响应于确定第一数目的信号中的信号的功率在功率范围之外，用于将第一数目的信号中的信号的功率调整为在所述功率范围内的部件。
在一些示例实施例中，其中功率范围包括基于第一数目的信号的平均功率确定的功率上限，并且用于调整第一数目的信号中的信号的功率的部件包括：响应于第一数目的信号中的信号的功率大于功率上限，用于基于降低因子将第一数目的信号中的信号的功率降低到小于功率上限的部件。
在一些示例实施例中，用于确定第一数目的信号的部件包括：用于基于第二数目的原始信号迭代地调整第一数目的信号以降低第一数目的信号的功率的部件。
在一些示例实施例中，其中第一数目的信号是正交频分复用信号，第一数目的信号的至少一个特征包括第一数目的信号的峰均功率比，以及用于调整第一数目的信号中的至少一个信号的部件包括：用于确定第一数目的信号的平均功率的部件；以及用于基于平均功率确定功率上限的部件；用于确定第一数目的信号中的每个信号的功率是否大于功率上限的部件；并且响应于第一数目的信号中的信号的功率大于功率上限，用于将第一数目的信号中的信号的功率降低到等于或小于功率上限的部件。
在一些示例实施例中，其中第一数目的信号的至少一个特征包括第一数目的信号的幅度，并且用于调整第一数目的信号中的至少一个信号的部件包括：用于基于量化水平调整第一数目的信号中的至少一个信号的幅度的部件。
图12是适合于实现本公开的实施例的设备1200的简化框图。如图1所示，设备1200可以在发射器110处实现。
如图所示，设备1200包括处理器1210、耦合到处理器1210的存储器1220、耦合到处理器1210的通信模块1230和耦合到通信模块1230的通信接口(未示出)。存储器1220至少存储程序1240。通信模块1230用于双向通信，例如，经由多个天线。通信接口可以代表通信所需的任何接口。
假定程序1240包括程序指令，该程序指令在由相相关联的处理器1210执行时使设备1200能够根据本公开的实施例进行操作，如本文中参考图1至图5所讨论的。本文中的实施例可以由设备1200的处理器1210可执行的计算机软件、或由硬件、或由软件和硬件的组合来实现。处理器1210可以被配置为实现本公开的各种实施例。
存储器1220可以是适用于本地技术网络的任何类型，并且作为非限制性示例，可以使用任何合适的数据存储技术来实现，例如非瞬态计算机可读存储介质、基于半导体的存储设备、磁存储器设备和系统、光存储器设备和系统、固定存储器和可移动存储器。虽然在设备1200中仅示出了一个存储器1220，但是在设备1200中可以有多个物理上不同的存储器模块。处理器1210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)和基于多核处理器架构的处理器。设备1200可以具有多个处理器，诸如在时间上从属于同步主处理器的时钟的专用集成电路芯片。
以上参照图1至图2描述的所有操作和特征同样适用于设备1200并具有相似的效果。为简化起见，将省略细节。
通常，本公开的各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。一些方面可以在硬件中实现，而其他方面可以在可由控制器、微处理器或其他计算设备执行的固件或软件中实现。虽然本公开的实施例的各个方面被示出和描述为框图、流程图或使用一些其他图示，但是应当理解，非限制性示例，本文描述的框图、装置、系统、技术或方法可以在以下实现：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。
本公开还提供有形地存储在非顺时性计算机可读存储介质上的至少一种计算机程序产品。计算机程序产品包括计算机可执行指令，诸如包括在程序模块中的那些，在目标真实或虚拟处理器上的设备中执行，以执行如上文参考图1至图5所述的方法200。程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、库、对象、类、组件、数据结构等。在各种实施例中，程序模块的功能可以根据需要在程序模块之间组合或拆分。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两者中。
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意组合来编写。这些程序代码可以提供给通用计算机、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，使得这些程序代码在由处理器或控制器执行时使流程图和/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、部分在机器上、作为独立软件包、部分在机器上并且部分在远程机器上或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携带以使得设备、装置或处理器能够执行如上所述的各种过程和操作。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。计算机可读介质可包括但不限于电子、磁、光、电磁、红外或半导体系统、装置或设备，或前述的任何合适组合。计算机可读存储介质的更具体示例将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)、数字多功能光盘(DVD)、光存储设备、磁存储设备或前述的任何合适的组合。
此外，虽然以特定顺序描述了操作，但这不应被理解为要求以所示出的特定顺序或按顺序执行这些操作，或者执行所有所示出的操作，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，虽然上述讨论中包含若干具体实现细节，但这些不应被解释为对本公开范围的限制，而应被解释为可能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开地或以任何合适的子组合在多个实施例中实现。
尽管本公开已经以特定于结构特征和/或方法动作的语言进行了描述，但是应当理解，在所附权利要求中定义的本公开不一定限于上述特定特征或动作。相反，上述特定特征和动作被公开为实现权利要求的示例形式。

Claims (18)

1.一种在发射器处的信号预编码的方法，所述发射器包括第一数目的发射天线，所述方法包括：
迭代地执行：
基于第二数目的原始信号，确定要由所述第一数目的天线在第二数目的流中发射的第一数目的信号，
确定所述第一数目的信号的至少一个特征是否要被调节，以及
响应于确定所述第一数目的信号的所述至少一个特征要被调节，调整所述第一数目的信号中的至少一个信号以便调节所述第一数目的信号的所述至少一个特征；以及
由所述第一数目的天线在所述第二数目的流中发射所述第一数目的信号。
2.根据权利要求1所述的方法，其中确定所述第一数目的信号包括：
确定所述第二数目的原始信号与对应于所述第一数目的信号的所述第二数目的接收信号之间的差异；
基于所确定的所述差异，确定所确定的所述差异的下降速率高于阈值速率的方向；以及
更新所述第一数目的信号以使所确定的所述差异能够在所确定的所述方向上下降。
3.根据权利要求2所述的方法，其中更新所述第一数目的信号包括：
基于信道状态信息和与所述第二数目的流相关联的信噪比，确定更新步长；以及
更新所述第一数目的信号以使所确定的所述差异能够基于所述更新步长在所确定的所述方向上下降。
4.根据权利要求2所述的方法，还包括：
基于所述第二数目的原始信号中的相应原始信号迭代地调整所述第一数目的信号，其中迭代地调整所述第一数目的信号包括：
确定所述第二数目的接收信号中的第k个接收信号与所述第二数目的原始信号中的第k个原始信号之间的差异，其中k大于0并且所述第二数目的接收信号中的所述第k个接收信号要在所述第二数目的流的第k个流中被接收；以及
基于所确定的所述差异更新所述第一数目的信号。
5.根据权利要求1所述的方法，其中所述第一数目的信号的所述至少一个特征包括以下至少一项：所述第一数目的信号的功率和所述第一数目的信号的峰均功率比，并且调整所述第一数目的信号中的所述至少一个信号包括：
确定所述第一数目的信号中的每个信号的功率是否在功率范围之外；以及
响应于确定所述第一数目的信号中的信号的功率在所述功率范围之外，将所述第一数目的信号中的所述信号的所述功率调整为在所述功率范围内。
6.权利要求5所述的方法，其中所述功率范围包括功率上限，并且调整所述第一数目的信号中的所述信号的所述功率包括：
确定所述第一数目的信号的平均功率；
基于所述平均功率确定所述功率上限；
确定所述第一数目的信号中的每个信号的功率是否大于所述功率上限；以及
响应于所述第一数目的信号中的所述信号的所述功率大于所述功率上限，基于降低因子将所述第一数目的信号中的所述信号的所述功率降低至等于或小于所述功率上限。
7.根据权利要求6所述的方法，其中所述第一数目的信号的所述至少一个特征包括所述第一数目的信号的所述功率，并且确定所述第一数目的信号包括：
基于所述第二数目的原始信号迭代地调整所述第一数目的信号以降低所述第一数目的信号的所述功率。
8.根据权利要求1所述的方法，其中所述第一数目的信号的所述至少一个特征包括所述第一数目的信号的幅度，并且调整所述第一数目的信号中的所述至少一个信号包括：
基于量化水平来调整所述第一数目的信号中的所述至少一个信号的幅度。
9.一种用于信号预编码的发射器，包括：
第一数目的天线；
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发射器：
迭代地执行：
基于第二数目的原始信号，确定要由所述第一数目的天线在第二数目的流中发射的第一数目的信号，
确定所述第一数目的信号的至少一个特征是否要被调节，以及
响应于确定所述第一数目的信号的所述至少一个特征要被调节，调整所述第一数目的信号中的至少一个信号以便调节所述第一数目的信号的所述至少一个特征；以及
由所述第一数目的天线在所述第二数目的流中发射所述第一数目的信号。
10.根据权利要求9所述的发射器，其中使所述发射器通过以下来确定所述第一数目的信号：
确定所述第二数目的原始信号与对应于所述第一数目的信号的所述第二数目的接收信号之间的差异；
基于所确定的所述差异，确定所确定的所述差异的下降速率高于阈值速率的方向；以及
更新所述第一数目的信号以使所确定的所述差异能够在所确定的所述方向上下降。
11.根据权利要求10所述的发射器，其中使所述发射器通过以下来更新所述第一数目的信号：
基于信道状态信息和与所述第二数目的流相关联的信噪比，确定更新步长；以及
更新所述第一数目的信号以使所确定的所述差异能够基于所述更新步长在所确定的所述方向上下降。
12.根据权利要求10所述的发射器，其中还使所述发射器：
基于所述第二数目的原始信号的相应原始信号迭代地调整所述第一数目的信号，其中迭代地调整所述第一数目的信号包括：
确定所述第二数目的接收信号中的第k个接收信号与所述第二数目的原始信号中的第k个原始信号之间的差异，其中k大于0并且所述第二数目的接收信号中的所述第k个接收信号要在所述第二数目的流的第k个流中被接收；以及
基于所确定的所述差异更新所述第一数目的信号。
13.根据权利要求9所述的发射器，其中所述第一数目的信号的所述至少一个特征包括以下至少一项：所述第一数目的信号的功率和所述第一数目的信号的峰均功率比，并且使所述发射器通过以下来调整所述第一数目的信号中的所述至少一个信号：
确定所述第一数目的信号中的每个信号的功率是否在功率范围之外；以及
响应于确定所述第一数目的信号中的信号的功率在所述功率范围之外，将所述第一数目的信号中的所述信号的所述功率调整为在所述功率范围内。
14.根据权利要求13所述的发射器，其中所述功率范围包括功率上限，并且使所述发射器通过以下来调整所述第一数目的信号中的所述信号的所述功率：
确定所述第一数目的信号的平均功率；
基于所述平均功率确定所述功率上限；
确定所述第一数目的信号中的每个信号的功率是否大于所述功率上限；以及
响应于所述第一数目的信号中的所述信号的所述功率大于所述功率上限，基于降低因子将所述第一数目的信号中的所述信号的所述功率降低至等于或小于所述功率上限。
15.根据权利要求14所述的发射器，其中所述第一数目的信号的所述至少一个特征包括所述第一数目的信号的所述功率，并且使所述发射器通过以下来确定所述第一数目的信号：
基于所述第二数目的原始信号迭代地调整所述第一数目的信号以降低所述第一数目的信号的所述功率。
16.根据权利要求9所述的发射器，其中所述第一数目的信号的所述至少一个特征包括所述第一数目的信号的幅度，并且使所述发射器通过以下来调整所述第一数目的信号中的所述至少一个信号：
基于量化水平来调整所述第一数目的信号中的所述至少一个信号的幅度。
17.一种用于信号预编码的装置，包括：
用于迭代地执行以下项的部件：
基于第二数目的原始信号，确定要由发射器的第一数目的天线在第二数目的流中发射的第一数目的信号，
确定所述第一数目的信号的至少一个特征是否要被调节，以及
响应于确定所述第一数目的信号的所述至少一个特征要被调节，调整所述第一数目的信号中的至少一个信号以便调节所述第一数目的信号的所述至少一个特征；以及
用于由所述第一数目的天线在所述第二数目的流中发射所述第一数目的信号的部件。
18.一种计算机可读存储介质，包括存储在其上的程序指令，所述指令在由发射器的处理器执行时使所述发射器执行根据权利要求1至8中任一项所述的方法。
CN201980096469.0A 2019-03-25 2019-03-25 大规模mimo的预编码 Pending CN113841340A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/079572 WO2020191591A1 (en) 2019-03-25 2019-03-25 Precoding of massive mimo

Publications (1)

Publication Number Publication Date
CN113841340A true CN113841340A (zh) 2021-12-24

Family

ID=72610750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980096469.0A Pending CN113841340A (zh) 2019-03-25 2019-03-25 大规模mimo的预编码

Country Status (4)

Country Link
US (1) US11817923B2 (zh)
EP (1) EP3949137A4 (zh)
CN (1) CN113841340A (zh)
WO (1) WO2020191591A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022216187A1 (en) * 2021-04-07 2022-10-13 Telefonaktiebolaget Lm Ericsson (Publ) Reducing peak-to-average power ratio in mimo communication system
US11765011B2 (en) * 2021-07-06 2023-09-19 Huawei Technologies Co., Ltd. Method and apparatus for transmitting and receiving data

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101697509A (zh) * 2002-10-16 2010-04-21 高通股份有限公司 用于mimo系统的速率自适应传输方案
US20150358055A1 (en) * 2014-06-06 2015-12-10 Andreas F. Molisch Transceivers and methods for use in transmitting information in a massive mimo system
US20170041869A1 (en) * 2015-08-06 2017-02-09 Qualcomm Incorporated Software access point standby power optimization across an arbitrary number of associated clients
CN108462517A (zh) * 2018-03-06 2018-08-28 东南大学 一种基于机器学习的mimo链路自适应传输方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8204149B2 (en) * 2003-12-17 2012-06-19 Qualcomm Incorporated Spatial spreading in a multi-antenna communication system
US10547426B2 (en) 2016-03-14 2020-01-28 Samsung Electronics Co., Ltd. Transmission of sounding reference signals in communication systems with carrier aggregation
US10541839B2 (en) * 2017-10-30 2020-01-21 Mitsubishi Electric Research Laboratories, Inc. System and method for angular-domain channel estimation of massive MIMO system with low-resolution ADC with time-varying thresholds

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101697509A (zh) * 2002-10-16 2010-04-21 高通股份有限公司 用于mimo系统的速率自适应传输方案
US20150358055A1 (en) * 2014-06-06 2015-12-10 Andreas F. Molisch Transceivers and methods for use in transmitting information in a massive mimo system
US20170041869A1 (en) * 2015-08-06 2017-02-09 Qualcomm Incorporated Software access point standby power optimization across an arbitrary number of associated clients
CN108462517A (zh) * 2018-03-06 2018-08-28 东南大学 一种基于机器学习的mimo链路自适应传输方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RAFIK ZAYANI等: "PAPR-Aware Massive MIMO-OFDM Downlink", 《IEEE ACCESS》, vol. 7, pages 25474, XP011713281, DOI: 10.1109/ACCESS.2019.2900128 *

Also Published As

Publication number Publication date
EP3949137A1 (en) 2022-02-09
US20220190887A1 (en) 2022-06-16
US11817923B2 (en) 2023-11-14
EP3949137A4 (en) 2022-10-26
WO2020191591A1 (en) 2020-10-01

Similar Documents

Publication Publication Date Title
Jacobsson et al. Nonlinear 1-bit precoding for massive MU-MIMO with higher-order modulation
Sung et al. Generalized channel inversion methods for multiuser MIMO systems
US8451944B2 (en) Tomlinson harashima precoding with additional receiver processing in a multi-user multiple-input multiple-output wireless transmission system
US11128507B2 (en) Method and arrangement for signal distortion mitigation
Stankovic et al. Multi-user MIMO downlink precoding for users with multiple antennas
CN111133726B (zh) Mimo系统的帧结构感知压缩
US20100246715A1 (en) Wireless communication method and apparatus
Desset et al. Validation of low-accuracy quantization in massive MIMO and constellation EVM analysis
KR20210101582A (ko) 무선 통신 시스템에서 머신 러닝 기반 제한된 피드백 방법 및 장치
US20150215009A1 (en) System and Method for Early Termination in Iterative Null-Space Directed Singular Value Decomposition for MIMO
Schwarz et al. Predictive quantization on the Stiefel manifold
CN113841340A (zh) 大规模mimo的预编码
CN112997459B (zh) Mimo-ofdm的papr降低
Jedda et al. Precoding under instantaneous per-antenna peak power constraint
CN107659348A (zh) 一种基于信漏噪比slnr和预编码thp混合自适应预编码设计方法
Li et al. Block-Level Interference Exploitation Precoding without Symbol-by-Symbol Optimization
Schwarz et al. Antenna combiners for block-diagonalization based multi-user MIMO with limited feedback
US11855719B2 (en) Quantized precoding in massive MIMO system
EP3662586B1 (en) Improved block-diagnolization based beamforming
Wakeel et al. Least-squares iterative PAR reduction for point-to-point large-scale MIMO-OFDM systems
Kenney et al. Frequency domain multi-user detection for single carrier modulation with cyclic prefix
CN111555783B (zh) Mu-mimo系统中联合抑制干扰和功率损失的thp优化方法
Amor et al. 16 QAM communication with 1-bit transmitters
Ryan Space-time vector perturbation precoding
Singh et al. Large-Scale MU-MIMO for Future Generation Wireless Communication Systems: Benefits and Research Issues

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