CN114070365A - 一种智能反射表面辅助的低射频复杂度多用户mimo上行频谱效率优化方法 - Google Patents

一种智能反射表面辅助的低射频复杂度多用户mimo上行频谱效率优化方法 Download PDF

Info

Publication number
CN114070365A
CN114070365A CN202111371913.0A CN202111371913A CN114070365A CN 114070365 A CN114070365 A CN 114070365A CN 202111371913 A CN202111371913 A CN 202111371913A CN 114070365 A CN114070365 A CN 114070365A
Authority
CN
China
Prior art keywords
matrix
optimization
user
antenna selection
convex
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
Application number
CN202111371913.0A
Other languages
English (en)
Other versions
CN114070365B (zh
Inventor
徐昊
欧阳崇峻
杨鸿文
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202111371913.0A priority Critical patent/CN114070365B/zh
Publication of CN114070365A publication Critical patent/CN114070365A/zh
Application granted granted Critical
Publication of CN114070365B publication Critical patent/CN114070365B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04B7/0452—Multi-user MIMO systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • 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
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • 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
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods

Abstract

本发明提出一种智能反射表面辅助的低射频复杂度多用户MIMO上行频谱效率优化方案。本发明针对上行多用户MIMO通信的特点，同时加入了智能反射面和接收端天线选择技术，考虑了实际系统中的变量约束，通过联合优化用户侧的预编码矩阵，智能反射面的相位矩阵以及基站侧的天线选择矩阵以改善系统上行频谱效率。本发明特征在于采用智能反射表面辅助具有接收天线选择的多用户上行MIMO通信，在不引入额外射频单元的前提下，极大改善系统的上行频谱效率，在设计具体传输方案时，采用分式规划、块坐标下降等优化方法，利用闭合表达式更新各优化变量，在有效改进系统上行频谱效率的同时能够显著降低优化问题求解和物理层实现的复杂度。

Description

一种智能反射表面辅助的低射频复杂度多用户MIMO上行频谱 效率优化方法
1.应用领域
本发明涉及无线通信物理层中的频谱效率优化问题，特别涉及一种智能反射表面辅助的低射频复杂度多用户MIMO上行频谱效率优化方法。
2.背景技术
智能反射表面(Intelligent Reflecting Surfaces，IRS)是一种由大量低成本的被动无源反射元件组成的平面。由于每个元件能都能够独立地对入射信号进行相位(或/和)幅度的改变，因此可以利用IRS，智能地重新配置无线传播环境，从而显著提高无线通信网络的性能。
对于极易受室内阻塞影响的毫米波(millimeter-wave，mmWave)通信而言，IRS可以通过智能信号反射绕过障碍物，从而在收发端之间创建虚拟视线(line-of-sight，LoS)链接。同样在改进物理层安全方面，通过设计IRS的部署，可以用IRS反射得到的信号抵消窃听器期望窃听的信号，从而有效的减少信息泄露。对于同时遭受来自其服务基站(BaseStation，BS)的高信号衰减和来自相邻BS的严重同信道干扰的小区边缘用户，可以在小区边缘部署IRS，通过适当地设计其反射波束成形，不仅有助于提高期望的信号功率，而且有助于抑制干扰，从而在其附近形成“信号热点”和“无干扰区”。同样，对于大规模设备到设备(Device to Device，D2D)通信的使用，IRS可以充当信号反射集线器，以支持通过干扰抑制的同时低功率传输。在物联网(Internet of Things，IoT)网络中，IRS的大孔径被用来补偿通过无源波束形成到附近物联网设备的远距离显著功率损失，以提高向其无线功率传输的效率。
综上所述，在多用户MIMO通信中，IRS是一种很有前途的解决方案，而如何在降低信号衰落的同时保证信号的传输速率，需要对IRS进行相应的设计。
天线选择技术(Antenna Selection，AS)是指在所有的发射天线或者接收天线中选出一部分天线进行信号的发送或者接收。天线选择技术的提出源于过高的硬件成本。多天线技术以及大规模天线技术都要求在接收机或者发射机配置多条天线，天线本身成本不高，但是每条天线进行信号的发射与接收需要配置射频链(RF Chain)。所配置的射频链的数目与天线总数相同，但是，射频链的成本相比天线而言要高得多，因此为每条天线配置射频链在大规模天线系统中是不现实的。在这种情况下，天线选择技术应运而生。通过天线选择，可以使系统在达到预先定下的传输速率标准的情况下，大大降低系统成本。
在IRS辅助的多用户MIMO上行天线选择系统中，为了在降低硬件成本，抵抗衰落的情况下更好地提高系统频谱效率，需要联合设计用户侧的预编码矩阵，智能反射表面的系数矩阵以及基站侧的天线选择矩阵。
3.发明内容及特征
本发明提出一种智能反射表面辅助的低射频复杂度多用户MIMO上行频谱效率优化方法，采用智能反射表面辅助具有接收天线选择的多用户MIMO上行通信，能够在不引入额外射频单元的前提下，极大改善系统的上行频谱效率，在设计具体传输方案时，可以采用一种基于分式规划和块坐标下降的迭代算法对用户侧的预编码矩阵，智能反射表面的系数矩阵以及基站侧的天线选择矩阵进行联合优化，在有效提高系统上行频谱效率的同时能够显著降低优化问题求解和物理层实现的复杂度。
为实现上述发明目的，本发明所述的智能反射表面辅助的低射频复杂度多用户MIMO上行频谱效率优化方法，包括以下步骤：
在智能反射表面辅助的多用户MIMO天线选择系统上行传输中，每个用户独立进行预编码、调制，调制后的信号经过IRS进行无损反射，最终到达基站侧；基站侧进行天线选择，用有限数量的射频链路连接部分天线进行信号接收，接收机利用空间均衡器分离接收信号，然后解调、解码，将几个数据流合并，恢复出原始信号；基站利用每个用户与IRS以及IRS与基站之间的瞬时信道信息，以系统频谱效率最大化为准则联合优化用户侧的预编码矩阵，智能反射表面的系数矩阵以及基站侧的天线选择矩阵。所述联合优化问题的目标为在满足天线选择矩阵的约束、每个用户各子载波总传输功率约束以及智能反射表面系数恒模约束的条件下最大化系统频谱效率。当信道状态信息变化时，中央控制器动态实施用户侧预编码优化，天线选择和IRS反射系数调整。
其中，用户侧的预编码矩阵，智能反射表面的系数矩阵以及基站侧的天线选择矩阵的联合优化可以采用基于分式规划和块坐标下降的迭代算法：通过拉格朗日偶变换和二次变换对原问题进行等价转换，引入两个辅助变量，将非凸的分式规划问题转换为凸优化问题；对转化后的凸问题用基于连续凸近似和贪心搜索的交替优化算法，利用一阶最优条件得到两个辅助变量的最优解，通过拉格朗日乘子法更新用户侧预编码矩阵，利用连续凸近似迭代算法更新反射面系数，利用贪心搜索算法更新天线选择矩阵，迭代、交替实施上述各变量的优化过程，直至前后两次系统频谱效率之差小于某个给定阈值时终止；利用优化后的结果确定用户侧预编码，智能反射表面反射系数，以及天线选择方案。
作为优选，所述IRS辅助的多用户MIMO天线选择系统上行频谱效率可以表示为：
Figure BDA0003362591660000021
其中，上行用户共有K个，每个用户配有Nt条天线，反射面有M个神经元，基站一共有Nr条天线，L个射频链路，log(·)表示对数运算，
Figure BDA0003362591660000022
表示第k个用户的预编码矩阵，
Figure BDA0003362591660000023
表示用户到反射面的瞬时信道矩阵，
Figure BDA0003362591660000024
表示反射面到基站的瞬时信道矩阵，
Figure BDA0003362591660000025
表示接收端天线选择矩阵，IL表示L×L的单位矩阵，(·)H表示矩阵的共轭转置运算，
Figure BDA0003362591660000026
表示复数域，σ2表示接收端硬件噪声的功率，
Figure BDA0003362591660000027
为对角矩阵吗，对角线元素为φ1,...,φM，其中第(m,m)个元素φm表示第m个反射元的参数，
Figure BDA0003362591660000028
j是虚数符号，θm表示第m个反射元对信号反射的相位。天线选择矩阵S的元素由0与1构成，第(i,j)个元素[S]i，j为0或者1表示基站第i条射频链路与第j个天线不相连或相连。实际系统中，每根天线一般设置为最多与一条射频链路相连，因此矩阵S中的元素满足[S]i,j∈{0,1}，
Figure BDA0003362591660000029
以及
Figure BDA00033625916600000210
此外，在实际系统中，反射面的相位通常只能取离散值，
Figure BDA0003362591660000031
其中Q表示量化阶数。
作为优选，所述频谱效率优化问题可以表示为：
Figure BDA0003362591660000032
Figure BDA0003362591660000033
|φm|＝1
Figure BDA0003362591660000034
其中，Pmax表示系统中每个用户的平均功率约束，|·|表示取模。
作为优选，所述通过引入辅助变量将非凸的分式规划问题转换为凸优化问题，可以表示为：
Figure BDA0003362591660000035
Figure BDA0003362591660000036
φm|＝1
Figure BDA0003362591660000037
其中y为二次变换引入的辅助变量，γ为拉格朗日偶变换引入的辅助变量，
Figure BDA0003362591660000038
Figure BDA0003362591660000039
作为优选，所述利用基于分式规划和交替优化的迭代算法求解转化后的最大化系统上行频谱效率问题，包括以下步骤：
(1)对原优化问题的频谱效率表达式作拉格朗日偶变换和二次变换，引入两个辅助变量，将非凸的分式规划问题
Figure BDA00033625916600000310
转化为凸优化问题
Figure BDA00033625916600000311
(2)采用交替优化的办法更新五个变量{P,Φ,S,y,γ}，求解凸优化问题
Figure BDA00033625916600000312
(3)利用优化后的结果确定用户侧预编码，智能反射表面反射系数，以及天线选择方案。
作为优选，所述基于连续凸近似和贪心搜索的交替优化算法，具体包括以下步骤：
(1)将凸优化问题
Figure BDA00033625916600000313
的优化变量{P,Φ,S,y,γ}划分为五个块：{P}，{Φ}，{S}，{y}，{γ}；
(2)固定{P,Φ,S,y}，结合一阶最优条件更新辅助变量{γ}；
(3)固定{P,Φ,S,γ}，结合一阶最优条件更新辅助变量{y}；
(4)固定{Φ,S,y,γ}，结合KKT条件利用闭式解更新每个用户的预编码向量Pk，从而更新用户侧数字预编码矩阵{P}；
(5)固定{P,S,y,γ}，利用连续凸近似(Successive Convex Approximation，SCA)的方法更新智能反射表面矩阵{Φ}；
(6)固定{P,Φ,y,γ}，利用贪心搜索(Greedy Search，GS)算法更新天线选择矩阵{S}；
(7)迭代上述过程，直至前后两次目标函数之差小于某个给定阈值时终止，此时得到联合变量优化频谱效率问题的一个驻点次优解。
作为优选，所述利用连续凸近似法求最优的智能反射表面系数矩阵Φ的优化问题可以表示为：
Figure BDA0003362591660000041
s.t.|φm|＝1
Figure BDA0003362591660000042
作为优选，所述连续凸近似迭代算法，具体包括以下步骤：
(1)利用矩阵乘法理论将反射面矩阵Φ转换成向量
Figure BDA0003362591660000043
初始化
Figure BDA0003362591660000044
j＝0，将问题
Figure BDA0003362591660000045
转化为求解关于
Figure BDA0003362591660000046
的函数最小值问题；
(2)利用初始化的反射面向量
Figure BDA0003362591660000047
找到一个关于
Figure BDA0003362591660000048
的函数
Figure BDA0003362591660000049
满足
Figure BDA00033625916600000410
(3)求
Figure BDA00033625916600000411
更新
Figure BDA00033625916600000412
(4)迭代步骤2、3，直至前后两次目标函数之差小于某个给定阈值时终止，此时得到智能反射表面系数向量的一个驻点次优解。
作为优选，所述贪心搜索算法，具体实现包括以下步骤：
(1)初始化天线选择矩阵S；
(2)固定S的第{2,3,...,L}行不变，优化S的第一行，即固定其余射频链路连接的天线保持不变的情况下，优化第一根射频链连接的天线。
(3)同理优化S的第二行，第三行直至L行全部优化完成。
(4)迭代步骤2、3，直至前后两次目标函数之差小于给定阈值时终止，此时得到天线选择方案的一个次优解。
本发明与目前常用的智能反射表面辅助的多用户MIMO天线选择系统上行频谱效率优化方案相比，有如下优点：
1.本发明具有极低的物理层复杂度，在计算反射面系数和天线选择设计上复杂度大大降低。
2.利用分式规划，块坐标下降，连续凸近似，贪心搜索等方法联合设计用户侧的预编码方案，智能反射表面的系数以及基站侧的天线选择网络，最大化系统的上行频谱效率，获得原问题的驻点次优解。本发明提出的方法能够显著降低优化问题求解和物理层实现的复杂度。
4.附图说明
(1)图1为智能反射表面辅助的多用户MIMO天线选择系统上行传输场景示意图。
(2)图2为基于分式规划和块坐标下降的迭代算法流程图。
(3)图3为基于连续凸近似和贪心搜索的交替优化算法流程图。
(4)图4为连续凸近似法的迭代流程图。
(5)图5为贪心搜索算法的迭代流程图。
5.具体实施方法举例
为了进一步说明本发明的实施方法，下面给出一个实施范例。此示例仅表示对本发明的原理性说明，不代表本发明的任何限制。
(1)智能反射表面辅助的多用户MIMO天线选择系统上行传输场景
在多用户MIMO上行传输中，各用户发送信号到达IRS，IRS的每个反射单元能够独立地改变入射信号的相位，经IRS反射后的信号到达基站，基站选择部分天线与射频链相连进行信号接收；假设瞬时信道状态信息已知，以最大化频谱效率为准则联合设计各用户的预编码矩阵，IRS的反射系数及天线选择方案，随着通信过程中各用户和IRS之间以及IRS和基站之间的瞬时信道状态信息发生变化，动态谱效优化的多用户MIMO上行用户预编码矩阵，IRS的反射系数及天线选择方案调整。基站侧一共有Nr条天线，配有L个射频链路。上行用户共有K个，每个用户配有Nt条天线，智能反射表面共有M个反射元，每个反射元能够独立改变信号的相位，反射面与基站侧相连，由基站实施动态调整。图1给出了系统传输框图，所述系统的上行频谱效率可以表示为：
Figure BDA0003362591660000051
log(·)表示对数运算，
Figure BDA0003362591660000052
表示第k个用户的预编码矩阵，
Figure BDA0003362591660000053
表示用户到反射面的瞬时信道矩阵，
Figure BDA0003362591660000054
表示反射面到基站的瞬时信道矩阵，
Figure BDA0003362591660000055
表示接收端天线选择矩阵，IL表示L×L的单位矩阵，(·)H表示矩阵的共轭转置运算，
Figure BDA0003362591660000056
表示复数域，σ2表示接收端硬件噪声的功率，
Figure BDA0003362591660000057
为对角矩阵，对角线元素为φ1,...,φM，其中第(m,m)个元素φm表示第m个反射元的参数，
Figure BDA0003362591660000061
j是虚数符号，θm表示第m个反射元对信号反射的相位。天线选择矩阵S的元素由0与1构成，第(i,j)个元素[S]i，j为或者1表示基站第i条射频链路与第j个天线不相连或相连。实际系统中，每根天线一般设置为最多与一条射频链路相连，因此矩阵S中的元素满足[S]i,j∈{0,1}，
Figure BDA0003362591660000062
以及
Figure BDA0003362591660000063
此外，在实际系统中，反射面的相位通常只能取离散值，
Figure BDA0003362591660000064
其中Q表示量化阶数。
对应的上行频谱效率优化问题可以表示为：
Figure BDA0003362591660000065
Figure BDA0003362591660000066
|φm|＝1
Figure BDA0003362591660000067
其中Pmax表示系统中每个用户的平均功率约束。
此问题含有一个非凸的目标函数以及两个离散的约束变量，很难得到全局最优解，且求解复杂度往往较高。为此，本发明提出一种复杂度较低的上行系统频谱效率优化方法，该方法基于交替优化的思想，包括了拉格朗日乘子法，连续凸近似，贪心搜索等方法，可以求得原问题的一个驻点次优解或局部最优解。
(2)算法一：基于分式规划和块坐标下降的迭代算法
图2给出了基于分式规划和交替优化的迭代算法流程图，详细优化步骤列举如下。
步骤1：通过拉格朗日偶变换，引入辅助变量γ，将问题
Figure BDA0003362591660000068
转化为具有相同最优解的问题
Figure BDA0003362591660000069
将优化变量移到log(·)外面。
Figure BDA00033625916600000610
Figure BDA00033625916600000611
|φm|＝1
Figure BDA00033625916600000612
其中γ为拉格朗日偶变换引入的辅助变量，
Figure BDA00033625916600000613
可以证明问题
Figure BDA00033625916600000614
和
Figure BDA00033625916600000615
具有相同的最优解。
通过二次变换，引入辅助变量y，将问题
Figure BDA0003362591660000071
转化为具有相同最优解的问题
Figure BDA0003362591660000072
将关于P的非凸优化问题变成凸优化问题。
Figure BDA0003362591660000073
Figure BDA0003362591660000074
|φm|＝1
Figure BDA0003362591660000075
其中y为二次变换引入的辅助变量，
Figure BDA0003362591660000076
可以证明问题
Figure BDA0003362591660000077
和
Figure BDA0003362591660000078
具有相同的最优解。
步骤2：使用基于连续凸近似和贪心搜索的交替优化算法求解问题
Figure BDA0003362591660000079
的驻点次优解；
步骤3：利用优化后的{P,Φ,S}确定用户侧预编码，智能反射表面反射系数，以及天线选择方案
(3)算法二：基于连续凸近似和贪心搜索的交替优化算法
在上行系统频谱效率优化的步骤2，需要求解联合变量优化问题
Figure BDA00033625916600000710
Figure BDA00033625916600000711
Figure BDA00033625916600000712
|φm|＝1
Figure BDA00033625916600000713
利用基于连续凸近似和贪心搜索的交替优化算法来求解问题
Figure BDA00033625916600000714
对变量{P,Φ,S,y,γ}进行优化。问题
Figure BDA00033625916600000715
包含多个变量，对于各个变量有多个等式和不等式约束条件，可以利用一阶最优条件，KKT条件，连续凸近似法，贪心搜索算法分别求得各个变量的最优解，交替优化这些变量从而求得问题
Figure BDA00033625916600000716
的一个驻点次优解。基于连续凸近似和贪心搜索的交替优化算法包括多次迭代，图3给出了基于连续凸近似和贪心搜索的交替优化算法的流程图，详细优化步骤列举如下。
步骤1：初始化问题
Figure BDA00033625916600000717
的各优化变量{P,Φ,S,y,γ}为{P(0),Φ(0),S(0),γ(0)，y(0)}，设置迭代次数指示值为j＝0，阈值为ε；
步骤2：固定P＝P(j)，Φ＝Φ(j)，S＝S(j)，优化γ＝{γk}。优化γk的子问题为
Figure BDA0003362591660000081
由于fγ(γ)是关于γk的凸函数，因此γk的最优解可由一阶最优条件获得，为
Figure BDA0003362591660000082
根据上式更新
Figure BDA0003362591660000083
步骤3：固定P＝P(j)，Φ＝Φ(j)，S＝S(j)，γ＝γ(j+1)，优化y＝{yk}。优化yk的子问题为
Figure BDA0003362591660000084
由于fy(yk)是关于yk的凸函数，因此yk的最优解可由一阶最优条件获得，为
Figure BDA0003362591660000085
根据上式更新
Figure BDA0003362591660000086
步骤4：固定y＝y(j+1)，Φ＝Φ(j)，S＝S(j)，γ＝γ(j+1)，优化P＝{Pk}。由于各个用户预编码方案互相独立，因此可以用拉格朗日乘子法并行优化Pk的子问题为
Figure BDA0003362591660000087
Figure BDA0003362591660000088
λ≥0
Figure BDA0003362591660000089
其中，
Figure BDA00033625916600000810
表示拉格朗日乘子，利用KKT条件，可以得到Pk的最优解为
Figure BDA0003362591660000091
根据上式更新
Figure BDA0003362591660000092
步骤5：固定y＝y(j+1)，P＝P(j+1)，S＝S(j)，γ＝γ(j+1)，优化Φ。优化Φ的子问题为
Figure BDA0003362591660000093
s.t.|φm|＝1
Figure BDA0003362591660000094
由于反射面系数矩阵Φ需要满足恒模约束条件，因而fΦ(Φ)不是关于Φ的凸函数，用连续凸近似法求解得到Φ的一个驻点次优解。
步骤6：固定y＝y(j+1)，Φ＝Φ(j+1)，P＝P(j+1)，γ＝γ(j+1)，优化S＝{Sl}。优化S的子问题为
Figure BDA0003362591660000095
Figure BDA0003362591660000096
由于天线选择矩阵S需要满足等式约束和不等式约束条件，因而fS(S)不是关于S的凸函数，用贪心搜索算法来求解得到S的一个次优解。
步骤7：根据{P(j+1),Φ(j+1),γ(j+1)，y(j+1),S(j+1)}计算新的目标函数值f(P(j+1),Φ(j+1),γ(j+1)，y(j+1),S(j+1))，将第j+1次迭代得到的结果与第j次迭代得到的结果f(P(j),Φ(j),γ(j)，y(j),S(j))进行比较，如果两次的差err＝f(j+1)-f(j)小于阈值ε，则终止迭代；否则，将迭代次数加1，即j＝j+1，回到步骤2，重复上述步骤。
(4)算法三：连续凸近似法
在交替优化算法的步骤5，需要求解优化反射面矩阵的非凸问题，如下
Figure BDA0003362591660000101
s.t.|φm|＝1
Figure BDA0003362591660000102
由于恒模约束条件的存在，函数fΦ(Φ)不是关于Φ的凸函数，因此用连续凸近似的办法求解，图4给出了连续凸近似法的迭代流程图，详细步骤如下：
步骤1：对原问题用矩阵乘法运算律做转换，得到
Figure BDA0003362591660000103
Figure BDA0003362591660000104
Figure BDA0003362591660000105
其中
Figure BDA0003362591660000106
为Φ的第(m,m)个元素。
Figure BDA0003362591660000107
为对角阵，第(m,m)个元素为列向量GiPi的第m个元素，C表示常数项。初始化
Figure BDA0003362591660000108
设置迭代次数指示值为j＝0，阈值为ε。
步骤2：找凸近似函数
Figure BDA0003362591660000109
令
Figure BDA00033625916600001010
则
Figure BDA00033625916600001011
对A做奇异值分解，由于A是厄米特矩阵，可以分解为
Figure BDA00033625916600001012
其中
Figure BDA00033625916600001013
为对角阵，对角线上的元素为A的奇异值，取最大的奇异值为λmax，令Q＝λmaxIM，其中
Figure BDA00033625916600001014
为单位阵。构造
Figure BDA00033625916600001015
Figure BDA00033625916600001016
满足
Figure BDA00033625916600001017
步骤3：求
Figure BDA00033625916600001018
更新
Figure BDA00033625916600001019
对
Figure BDA00033625916600001020
做进一步化简，得
Figure BDA00033625916600001021
令
Figure BDA00033625916600001022
则
Figure BDA0003362591660000111
观察
Figure BDA0003362591660000112
的形式可以发现，
Figure BDA0003362591660000113
时，
Figure BDA0003362591660000114
能使得
Figure BDA0003362591660000115
达到最小值，其中Bm为B的第m个元素，
Figure BDA0003362591660000116
为
Figure BDA0003362591660000117
的第m个元素。
步骤4：根据
Figure BDA0003362591660000118
计算新的目标函数值
Figure BDA0003362591660000119
将第j+1次迭代得到的结果与第j次迭代得到的结果
Figure BDA00033625916600001110
进行比较，如果两次的差
Figure BDA00033625916600001111
小于阈值ε，则终止迭代；否则，将迭代次数加1，重复进行步骤2、3。最优解{φm}为集合
Figure BDA00033625916600001112
中与问题
Figure BDA00033625916600001113
的最优解最近的点。
(5)算法四：贪心搜索算法
在交替优化算法的步骤6，需要对天线选择方案进行优化，问题如下
Figure BDA00033625916600001114
Figure BDA00033625916600001115
由于存在等式约束条件和不等式约束条件，函数fS(S)不是关于S的凸函数，因此用贪心搜索算法优化天线选择矩阵S，图5给出了贪心搜索算法的迭代流程图，详细步骤如下：
步骤1：初始化
Figure BDA00033625916600001116
其中
Figure BDA00033625916600001117
表示矩阵S(0)的第l行。设置迭代次数指示值为j＝0，阈值为ε。
步骤2：固定
Figure BDA00033625916600001118
更新
Figure BDA00033625916600001119
由于约束条件
Figure BDA00033625916600001120
即天线选择矩阵S每一列求和小于1，每一行求和为1，且[S]i,j∈{0,1}。因此
Figure BDA00033625916600001121
有Nr-L+1种选择。遍历Nr-L+1根天线，计算目标函数fS(S)，选择使得fS(S)最大的天线为局部最优解，更新
Figure BDA00033625916600001122
步骤3：固定
Figure BDA00033625916600001123
更新
Figure BDA00033625916600001124
更新方法与步骤2相同，同样遍历第二根射频链能连接的Nr-L+1根天线，计算目标函数fS(S)，选择使得fS(S)最大的天线，得到局部最优解
Figure BDA00033625916600001125
如此更新天线选择矩阵S的3,...,L行，直至L行全部更新过一次，此时
Figure BDA00033625916600001126
步骤4：根据
Figure BDA00033625916600001127
计算新的目标函数值fS(S(j+1))，将第j+1次迭代得到的结果与第j次迭代得到的结果fS(S(j))进行比较，如果两次的差err＝f(S(j+1))-f(S(j))小于阈值ε，则终止迭代；否则，将迭代次数加1，重复进行步骤2、3。

Claims (8)

1.一种智能反射表面辅助的低射频复杂度多用户MIMO上行频谱效率优化方法，其特征在于，采用智能反射表面辅助具有接收天线选择的多用户MIMO上行通信，在不引入额外射频单元的前提下，极大改善系统的上行频谱效率，在设计具体传输方案时，可以采用一种基于分式规划和块坐标下降的迭代算法对用户侧的预编码矩阵，智能反射表面的系数矩阵以及基站侧的天线选择矩阵进行联合优化，在有效提高系统上行频谱效率的同时能够显著降低优化问题求解和物理层实现的复杂度。
所述基于分式规划和块坐标下降的迭代算法，详细步骤为：通过拉格朗日偶变换和二次变换对原问题进行等价转换，引入两个辅助变量，将非凸的分式规划问题转换为凸优化问题；对转化后的凸问题用基于连续凸近似和贪心搜索的交替优化算法，利用一阶最优条件得到两个辅助变量的最优解，通过拉格朗日乘子法更新用户侧预编码矩阵，利用连续凸近似迭代算法更新反射面系数，利用贪心搜索算法更新天线选择矩阵，迭代、交替实施上述各变量的优化过程，直至前后两次系统频谱效率之差小于某个给定阈值时终止；利用优化后的结果确定用户侧预编码，智能反射表面反射系数，以及天线选择方案。
2.根据权力要求1所述的智能反射表面辅助的低射频复杂度多用户MIMO上行频谱效率优化方法，其特征在于，所述智能反射表面辅助的多用户MIMO天线选择系统上行频谱效率可以表示为
Figure FDA0003362591650000011
其中，上行用户共有K个，每个用户配有Nt条天线，反射面有M个神经元，基站一共有Nr条天线，L个射频链路，log(·)表示对数运算，
Figure FDA0003362591650000012
表示第k个用户的预编码矩阵，
Figure FDA0003362591650000013
表示用户到反射面的瞬时信道矩阵，
Figure FDA0003362591650000014
表示反射面到基站的瞬时信道矩阵，
Figure FDA0003362591650000015
表示接收端天线选择矩阵，IL表示L×L的单位矩阵，
Figure FDA0003362591650000016
表示矩阵的共轭转置运算，
Figure FDA0003362591650000017
表示复数域，σ2表示接收端硬件噪声的功率，
Figure FDA0003362591650000018
为对角矩阵吗，对角线元素为φ1,...,φM，其中第(m,m)个元素φm表示第m个反射元的参数，
Figure FDA0003362591650000019
j是虚数符号，θm表示第m个反射元对信号反射的相位。天线选择矩阵S的元素由0与1构成，第(i,j)个元素[S]i，j为0或者1表示基站第i条射频链路与第j个天线不相连或相连。实际系统中，每根天线一般设置为最多与一条射频链路相连，因此矩阵S中的元素满足[S]i,j∈{0,1}，
Figure FDA00033625916500000110
以及
Figure FDA00033625916500000111
此外，在实际系统中，反射面的相位通常只能取离散值，
Figure FDA00033625916500000112
其中Q表示量化阶数。
3.根据权力要求1所述的智能反射表面辅助的低射频复杂度多用户MIMO上行频谱效率优化方法，其特征在于，所述频谱效率优化问题可以表示为：
Figure FDA0003362591650000021
Figure FDA0003362591650000022
|φm|＝1
Figure FDA0003362591650000023
其中，Pmax表示系统中每个用户的平均功率约束，|·|表示取模。
4.根据权力要求1所述的智能反射表面辅助的低射频复杂度多用户MIMO上行频谱效率优化方法，其特征在于，所述通过拉格朗日偶变换和二次变换对原问题进行等价转换，引入两个辅助变量，将非凸的分式规划问题转换为凸优化问题可以表示为：
Figure FDA0003362591650000024
Figure FDA0003362591650000025
|φm|＝1
Figure FDA0003362591650000026
其中y为二次变换引入的辅助变量，γ为拉格朗日偶变换引入的辅助变量，
Figure FDA0003362591650000027
5.根据权力要求1所述的智能反射表面辅助的低射频复杂度多用户MIMO上行频谱效率优化方法，其特征在于，所述基于基于分式规划和块坐标下降的迭代算法求解频谱效率最大化问题，包括以下步骤：
(1)对原优化问题的频谱效率表达式作拉格朗日偶变换和二次变换，引入两个辅助变量，将非凸的分式规划问题
Figure FDA0003362591650000028
转化为凸优化问题
Figure FDA0003362591650000029
(2)采用基于连续凸近似和贪心搜索的交替优化算法更新五个变量{P,Φ,S,y,γ}，求解凸优化问题
Figure FDA00033625916500000210
(3)利用优化后的结果确定用户侧预编码，智能反射表面反射系数，以及天线选择方案。
6.根据权力要求1所述的智能反射表面辅助的低射频复杂度多用户MIMO上行频谱效率优化方法，其特征在于，所述基于连续凸近似和贪心搜索的交替优化算法，包括以下步骤：
(1)将凸优化问题
Figure FDA00033625916500000211
的优化变量{P,Φ,S,y,γ}划分为五个块：{P}，{Φ}，{S}，{y}，{γ}；
(2)固定{P,Φ,S,y}，结合一阶最优条件更新辅助变量{γ}；
(3)固定{P,Φ,S,γ}，结合一阶最优条件更新辅助变量{y}；
(4)固定{Φ,S,y,γ}，结合KKT条件利用闭式解分别更新每个用户的预编码向量Pk，从而更新用户侧数字预编码矩阵{P}；
(5)固定{P,S,y,γ}，利用连续凸近似(Successive Convex Approximation，SCA)的方法更新智能反射表面矩阵{Φ}；
(6)固定{P,Φ,y,γ}，利用贪心搜索(Greedy Search，GS)算法更新天线选择矩阵{S}；
(7)迭代上述过程，直至前后两次目标函数之差小于某个给定阈值时终止，此时得到联合变量优化频谱效率问题的一个驻点次优解。
7.根据权力要求6所述的基于连续凸近似和贪心搜索的交替优化算法，其特征在于，所述连续凸近似算法，包括以下步骤：
(1)利用矩阵乘法理论将反射面矩阵Φ转换成向量
Figure FDA0003362591650000031
初始化
Figure FDA0003362591650000032
将问题
Figure FDA0003362591650000033
转化为求解关于
Figure FDA0003362591650000034
的函数最小值问题；
(2)利用初始化的反射面向量
Figure FDA0003362591650000035
找到一个关于
Figure FDA0003362591650000036
的函数
Figure FDA0003362591650000037
满足
Figure FDA0003362591650000038
Figure FDA0003362591650000039
(3)求
Figure FDA00033625916500000310
更新
Figure FDA00033625916500000311
(4)迭代步骤2、3，直至前后两次目标函数之差小于某个给定阈值时终止，此时得到智能反射表面系数向量的一个驻点次优解。
8.根据权力要求6所述的基于连续凸近似和贪心搜索的交替优化算法，其特征在于，所述贪心搜索算法，包括以下步骤：
(1)初始化天线选择矩阵S；
(2)固定S的第{2,3,...,L}行不变，优化S的第一行，即固定其余射频链路连接的天线保持不变的情况下，优化第一根射频链连接的天线。
(3)同理优化S的第二行，第三行直至L行全部优化完成。
(4)迭代步骤2、3，直至前后两次目标函数之差小于给定阈值时终止，此时得到天线选择方案的一个次优解。
CN202111371913.0A 2021-11-18 2021-11-18 一种智能反射表面辅助的低射频复杂度多用户mimo上行频谱效率优化方法 Active CN114070365B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111371913.0A CN114070365B (zh) 2021-11-18 2021-11-18 一种智能反射表面辅助的低射频复杂度多用户mimo上行频谱效率优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111371913.0A CN114070365B (zh) 2021-11-18 2021-11-18 一种智能反射表面辅助的低射频复杂度多用户mimo上行频谱效率优化方法

Publications (2)

Publication Number Publication Date
CN114070365A true CN114070365A (zh) 2022-02-18
CN114070365B CN114070365B (zh) 2022-07-22

Family

ID=80278268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111371913.0A Active CN114070365B (zh) 2021-11-18 2021-11-18 一种智能反射表面辅助的低射频复杂度多用户mimo上行频谱效率优化方法

Country Status (1)

Country Link
CN (1) CN114070365B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114785387A (zh) * 2022-04-21 2022-07-22 北京邮电大学 智能全向面辅助的多用户大规模miso下行加权和速率优化方法
CN114785388A (zh) * 2022-04-21 2022-07-22 北京邮电大学 智能全向面辅助的多用户大规模simo上行m阶调制加权和速率优化方法
CN115765900A (zh) * 2022-10-27 2023-03-07 大连海事大学 一种叠加导频模式下智能反射面辅助的大规模mimo系统上行传输方法
WO2023221094A1 (en) * 2022-05-20 2023-11-23 Lenovo (Beijing) Limited Methods and apparatuses for uplink signal enhancement

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111010219A (zh) * 2019-11-28 2020-04-14 东南大学 可重构智能表面辅助的多用户mimo上行链路传输方法
CN111787558A (zh) * 2020-07-29 2020-10-16 重庆大学 一种mimome系统及其安全速率优化方法
CN111953391A (zh) * 2020-07-09 2020-11-17 东南大学 智能反射面辅助的多用户mimo上行能效谱效联合优化方法
CN113193894A (zh) * 2021-04-27 2021-07-30 东南大学 可重构智能表面辅助的多用户miso下行无线通信谱效能效联合优化方法
CN113411115A (zh) * 2021-06-15 2021-09-17 河南科技大学 智能反射表面辅助的毫米波物理层安全通信联合优化方法
WO2021221603A1 (en) * 2020-04-27 2021-11-04 Nokia Technologies Oy Ue positioning aided by reconfigurable reflecting surfaces such as intelligent reflecting surfaces (irs)

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111010219A (zh) * 2019-11-28 2020-04-14 东南大学 可重构智能表面辅助的多用户mimo上行链路传输方法
WO2021221603A1 (en) * 2020-04-27 2021-11-04 Nokia Technologies Oy Ue positioning aided by reconfigurable reflecting surfaces such as intelligent reflecting surfaces (irs)
CN111953391A (zh) * 2020-07-09 2020-11-17 东南大学 智能反射面辅助的多用户mimo上行能效谱效联合优化方法
CN111787558A (zh) * 2020-07-29 2020-10-16 重庆大学 一种mimome系统及其安全速率优化方法
CN113193894A (zh) * 2021-04-27 2021-07-30 东南大学 可重构智能表面辅助的多用户miso下行无线通信谱效能效联合优化方法
CN113411115A (zh) * 2021-06-15 2021-09-17 河南科技大学 智能反射表面辅助的毫米波物理层安全通信联合优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LI Y.;JIAYUAN X.;DERRICK WING KWAN NG;CHAU YUEN;WENJIN W.;XIQI G: "Energy Efficiency and Spectral Efficiency Tradeoff in RIS-Aided Multiuser MIMO Uplink Transmission", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING ( VOLUME: 69)》 *
李苗钰，杜忠昊，刘雨彤，牛思莹: "一种面向物联网的智能反射面通信系统优化方法", 《西北工业大学学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114785387A (zh) * 2022-04-21 2022-07-22 北京邮电大学 智能全向面辅助的多用户大规模miso下行加权和速率优化方法
CN114785388A (zh) * 2022-04-21 2022-07-22 北京邮电大学 智能全向面辅助的多用户大规模simo上行m阶调制加权和速率优化方法
CN114785387B (zh) * 2022-04-21 2023-08-18 北京邮电大学 智能全向面辅助的多用户miso下行加权和速率优化方法
CN114785388B (zh) * 2022-04-21 2023-08-18 北京邮电大学 智能全向面辅助的多用户simo上行加权和速率优化方法
WO2023221094A1 (en) * 2022-05-20 2023-11-23 Lenovo (Beijing) Limited Methods and apparatuses for uplink signal enhancement
CN115765900A (zh) * 2022-10-27 2023-03-07 大连海事大学 一种叠加导频模式下智能反射面辅助的大规模mimo系统上行传输方法
CN115765900B (zh) * 2022-10-27 2024-02-27 大连海事大学 一种叠加导频模式下智能反射面辅助的大规模mimo系统上行传输方法

Also Published As

Publication number Publication date
CN114070365B (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN113225108B (zh) 一种智能反射面辅助多小区协同多点传输的鲁棒波束赋形方法
CN114070365B (zh) 一种智能反射表面辅助的低射频复杂度多用户mimo上行频谱效率优化方法
CN110266352B (zh) 一种大规模mimo系统中智能反射面相移矩阵自适应设计方法
CN111953391B (zh) 智能反射面辅助的多用户mimo上行能效谱效联合优化方法
CN112383332B (zh) 一种基于智能反射表面的蜂窝基站通信系统
CN112290995B (zh) 星地集成网络中基于安全能效的波束设计方法
CN111835406B (zh) 适用于多波束卫星通信的能效谱效权衡的鲁棒预编码方法
US7983710B2 (en) Method of coordinated wireless downlink transmission
CN113824478B (zh) 离散透镜天线阵列辅助的宽带毫米波多用户大规模mimo上行频谱效率优化方法
CN114286312A (zh) 一种基于可重构智能表面增强无人机通信的方法
CN113938183A (zh) 多波束卫星系统下基于非正交多址的通信资源分配方法
CN114828253A (zh) 一种ris辅助多无人机通信系统的资源分配方法
Jiang et al. Reconfigurable intelligent surface assisted mmwave UAV wireless cellular networks
Zhu et al. Optimization of multi-UAV-BS aided millimeter-wave massive MIMO networks
CN113852402B (zh) 一种irs辅助的noma-mimo大容量接入方法
CN114900398A (zh) 非理想csi的irs辅助云接入网下行的波束成形方法
CN111740766A (zh) 一种基于码本的波束设计方法与装置
CN111726153A (zh) 用于航空通信公共信道的自适应预编码方法
CN113824477B (zh) 离散透镜天线阵列辅助的多用户大规模mimo优化方法
KR102512464B1 (ko) 다중 사용자 miso 통신 시스템 및 그에 적용되는 지능형 반사 표면의 위상 변환 행렬 설계 방법
CN113922849B (zh) 一种毫米波mimo-noma系统下的用户分组和功率分配方法
CN107104715B (zh) 一种基于天线选择的干扰对齐方法
CN115865160A (zh) 低轨卫星通信场景下大规模mimo-noma系统的波束成形方法及系统
CN115276878A (zh) 基于逆迭代和流形优化的智能反射面安全速率确定方法及装置
Kavianinia et al. Resource allocation of STAR-RIS assisted Full-Duplex systems

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