CN114389656B - 面向超大规模mimo的天线选择与符号级预编码联合设计方法 - Google Patents
面向超大规模mimo的天线选择与符号级预编码联合设计方法 Download PDFInfo
- Publication number
- CN114389656B CN114389656B CN202210108352.3A CN202210108352A CN114389656B CN 114389656 B CN114389656 B CN 114389656B CN 202210108352 A CN202210108352 A CN 202210108352A CN 114389656 B CN114389656 B CN 114389656B
- Authority
- CN
- China
- Prior art keywords
- ultra
- scale mimo
- energy consumption
- norm
- sep
- 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.)
- Active
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3911—Fading models or fading generators
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radio Transmission System (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明所述的面向超大规模MIMO的天线选择与符号级预编码联合设计方法,建立面向超大规模MIMO系统能耗最优化问题所需要的模型,根据模型,在接收端SEP约束下建立超大规模MIMO系统能耗最优化问题,并建立接收端SEP和RF链数量约束下超大规模MIMO系统能耗优化问题来验证前一问题的正确性。本发明在解决超大规模MIMO系统高能耗问题的同时保障了系统的性能,对超大规模MIMO通信系统的设计有着重要的指导意义。
Description
技术领域
本发明属于无线通信技术领域,尤其涉及一种面向超大规模MIMO的天线选择与符号级预编码联合设计方法。
背景技术
尽管5G已经处于逐步商用阶段,但是随着海量智能终端和各种新兴应用的快速发展,无线数据流量急剧增加,5G也无法完全满足未来10年后移动通信快速增长的技术需求。为了应对未来的挑战,第六代移动通信技术(The 6th Generation Mobile CommunicationTechnology,6G)的展望和发展引起了人们的广泛关注。6G移动网络将具有超高传输速率和资源利用率、超大接入容量、超低延迟和超高可靠性等等。为了达到上述技术指标,解决思路主要是多用户共享同一个时频资源,这势必会带来多用户间的干扰。为了解决这个问题需要将多天线和预编码技术结合在一起。超大规模MIMO系统被视作超越第五代通信系统(beyond the fifth generatin,B5G)和第六代通信系统(sixth-the fifth generatin,6G))的重要候选技术,其在基站处部署几百根甚至上千根天线,不仅可以提高系统的容量以及频谱效率,还可以增大小区覆盖面积,提高小区边缘用户的服务质,增大系统的通信容量。
然而超大规模MIMO对收发器的要求也极为苛刻,因为纯数字的架构中一个射频链(Radio Frequency chain,RF chain)与一根天线相连,这会给带来极大的能量消耗和硬件复杂度;此外由于用户的可视区(visibility region,VR)的存在,考虑超大规模MIMO系统下行场景时,天线阵列中一些天线即使激活也对整个系统性能的提升不明显,这会给整个系统带来极大的负担。
天线选择(Antenna Selection,AS)是解决上述问题的有效途径,可以通过开关网络激活天线阵列的子阵列方式以降低系统的能耗减小系统的硬件复杂度。
传统的线性预编码是基于信道状态信息(Channel State Information,CSI)对发射的数据流进行预处理,来消除干扰;而符号级预编码(Symbol Level Precoding,SLP)则是同时利用CSI和符号的星座信息,对干扰加以利用而非消除,从而实现在激活较少数量天线的情况下提高系统的性能。
为了应对超大规模MIMO高硬件开销和接收端多用户间的干扰,因此需要将天线选择与符号级预编码技术结合起来。
现有的超大规模MIMO系统天线选择技术的研究,其下行主要是采用线性预编码的方式。文献[J.C.Marinello,T.A.Amiri,E.de Carvalho and P.Popovski,"AntennaSelection for Improving Energy Efficiency in超大规模MIMO Systems,"in IEEETransactions on Vehicular Technology,vol.69,no.11,pp.13305-13318,Nov.2020,doi:10.1109/TVT.2020.3022708.]便是在超大规模MIMO系统中将天线选择与线性预编码技术相结合,以系统的容量为优化目标进行天线选择,并未考虑到SEP的要求,因此系统的可靠性并未得到保障。文献[S.Domouchtsidis,C.G.Tsinos,S.Chatzinotas andB.Ottersten,"Symbol-Level Precoding for Low Complexity TransmitterArchitectures in Large-Scale Antenna Array Systems,"in IEEE Transactions onWireless Communications,vol.18,no.2,pp.852-863,Feb.2019,doi:10.1109/TWC.2018.2885525.]则是考虑大规模MIMO场景,是以系统性能为优化目标,并未对系统的能耗做出要求。
发明内容
为解决上述技术问题,本发明提供了一种面向超大规模MIMO的天线选择与符号级预编码联合设计方法,通过面向超大规模MIMO无线通信系统天线选择与符号级预编码联合设计的模型,并对其提出优问题求解,在解决超大规模MIMO系统高能耗问题的同时保障了系统的性能。
本发明所述的面向超大规模MIMO的天线选择与符号级预编码联合设计方法,步骤为:
S1、建立面向超大规模MIMO系统中基站端天线与用户的位置关系的信道模型;
S2、基于所述超大规模MIMO的信道模型,建立其下行接收信号模型;
S3、根据所述信道模型及接收信号模型推到发射端预编码和接收端SEP之间的关系模型;
S4、根据S3得到的关系模型,建立超大规模MIMO系统下行链路的能耗模型;
S5、根据S1-S4所得到的模型,在接收端SEP约束下建立超大规模MIMO系统能耗最优化问题;
S6、建立接收端SEP和RF链数量约束下超大规模MIMO系统能耗最优化问题;
S7、对接收端SEP约束下建立超大规模MIMO系统能耗最优化问题求解,得出系统能耗最优值,然后通过对接收端SEP和RF链数量约束下超大规模MIMO系统能耗优化问题求解来验证前述的系统能耗优化是否有效。
进一步的,S1中,建立的信道模型具体为:
其中a(bk,θk)表示用户k较阵列的导向矢量:
其中对角线元素vn,k表示用户k与阵列中第n个元素之间衰落系数表达式为:
这里q是参考距离处的路径损耗,κ损失衰减指数。
进一步的,S2中,基于建立的超大规模MIMO的信道模型,其下行接收信号模型为:
进一步的,S3中,基于所得信道模型和接收信号模型,假设是要发射的符号信息,/> 是QPSK星座图上的点集,/>和/>分别表示复数的实部和虚部定义/>当我们的发送符号/>位于正确的判决区域内则可得到/> 表示所期望接收到的信号;用户接收符号/>的SEP为/>为了使我们的/> 是我们期望的符号错误概率,我们需要保证接收符号/>的实部和虚部的SEP均要小于等于/>即/>其中/> 表示/>的实部或虚部的错误概率;则发射端预编码信号与接收端SEP之间的关系模型为:
其中:
Q()为Q函数,σ是噪声方差的开根号。
进一步的,S4中,超大规模MIMO系统下行链路的能耗模型:
其中P为超大规模MIMO系统下行链路的总能耗,PRF为RF链消耗的能量,PSW为开关网络消耗的能量,φ=Psw+Prf,Psw表示一个开关消耗的能量,Prf表示一条RF链消耗的能量,η是功率放大器的效率,/>为/>的0范数。
进一步的,S5中,提出的在接收端SEP约束建立超大规模MIMO系统能耗最优化的问题进行公式化体现:
进一步的,S6中接收端SEP和RF链数量约束下超大规模MIMO系统能耗最优化的问题进行公式化体现:
其中,m=[m1,m2,…,mK]T,p=[p1,p2,…,pK]T,向量m和p中第k个元素mk和pk为其中第k个元素/>信道矩阵“min”表示最小化运算,“s.t.”表示约束条件,Λ表示激活的RF链数量。
进一步的,在接收端SEP约束建立超大规模MIMO系统能耗最优化的问题(12)中,l0-norm非凸的,采用l1-norm进行近似处理,将非凸问题变为凸问题:
其中,l0-norm和l1-norm分别表示向量的0范数和1范数,通过求解问题(14)得到稀疏信号然而这个稀疏信号是通过l1-norm近似求解得来的并非真正的系统能耗最优时的稀疏信号;利用归一化的方式不断逼近最优解,从而求得归一化后的最优解:
其中表示稀疏信号/>绝对值的最大值,通过不断迭代求解问题(15),直至求解出的稀疏模式与前一次求解结果相同,此时停止归一化的操作,最终求得超大规模MIMO系统中/>的稀疏模式,并根据稀疏模式确定激活了哪些天线从而得到稀疏信道/>及SEP约束下超大规模MIMO系统的最优能耗。
进一步的,接收端SEP和RF链数量约束下超大规模MIMO系统能耗最优化的问题(13)中,非凸的,使用l1-norm去进行近似l0-norm并通过引入惩罚因子β的方式来控制激活的RF链数量,改变/>的非凸束特性,同时根据提出的ADMM算法引入辅助变量/>将非凸问题变为凸问题,得到
其中,l0-norm和l1-norm分别表示向量的0范数和1范数,针对β的搜索提出二分查找算法加快搜索的速度,当激活的RF链的数量大于Λ时增大β,当激活的RF chains的数量小于Λ时减小β,同时在问题(16)求解时不断进行ADMM不断迭代,直到激活得RF chains的数量等于Λ时退出算法流程,最终求得RF链时超大规模MIMO系统中的稀疏模式,并根据稀疏模式确定激活了哪些天线从而得到稀疏信道/>
得到超大规模MIMO系统的在接收端SEP约束和RF链数量约束时的系统总能耗:
上述问题的求解实际上是穷举搜索的方式,通过将阵列中激活天线数递增穷举搜索的方式找到超大规模MIMO系统的最优能耗值,并将此时找到的超大规模MIMO系统的最优能耗值与前一个问题(15)所得最优值进对比,从而验证优化是否有效。
本发明所述的有益效果为:本发明考虑面向超大规模MIMO系统的天线选择和符号级预编码联合设计方法,通过在接收端SEP约束下通过天线选择的方式激活超大规模MIMO系统子阵列的方式,解决了超大规模MIMO系统高能耗和硬件开销过高的问题,同时通过符号级预编码解决了多用户之间干扰的问题;较现有的天线选择和线性预编码技术结合的解决方法,在解决超大规模MIMO系统高能耗问题的同时保障了系统的性能,对超大规模MIMO通信系统的设计有着重要的指导意义。
附图说明
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明。
图1为超大规模MIMO系统中基站天线和用户的分布状况示意图;
图2接收端SEP约束下超大规模MIMO最优能耗问题对应的系统架构图;
图3是在系统接收SEP约束和RF chains数量约束下超大规模MIMO最优能耗问题对应的系统架构图;
图4是用户簇位置距离基站水平距离分别为L/2,L/5,L/10时超大规模MIMO系统经过天线选择(AS)和使用不同的预编码方案(SLP方案和ZF方案)时系统的总能耗和SEP之间的关系;
图5是用户簇位置距离基站水平距离分别为L/2,L/5,L/10时超大规模MIMO系统经过天线选择(AS)和使用不同的预编码方案(SLP方案和ZF方案),实部的SEP和系统SEP需求之间的关系示意图;
图6是用户位置距离基站水平距离L/10时超大规模MIMO系统能耗和激活天线数之间的关系;
图7是用户位置距离基站水平距离L/5时超大规模MIMO系统能耗和激活天线数之间的关系;
图8用户位置距离基站水平距离L/2时超大规模MIMO系统能耗和激活天线数之间的关系示意图。
具体实施方式
参照图1,本实施案例考虑超大规模MIMO通信系统的下行场景,由于超大规模MIMO的空间非平稳性和用户的VR特性,致使天线阵列中某些天线对系统性能提供的增益很小,在下行通信链路中激活这部分天线将会给系统增加额外的负担。因此,本发明所述的面向超大规模MIMO通信系统的架构通过天线选择和符号级预编码联合设计方法,建立面向超大规模MIMO系统中基站端天线与用户的位置关系的信道模型;基于所述超大规模MIMO的信道模型,建立其下行接收信号模型;根据所述信道模型及接收信号模型推到发射端预编码和接收端SEP之间的关系模型;根据得到的关系模型,建立超大规模MIMO系统下行链路的能耗模型;然后根据图2和图3分别提出:①在接收端SEP约束下,超大规模MIMO通信系统下行链路的最优能耗的问题;②在接收端SEP约束和RF chains数量约束下,超大规模MIMO通信系统下行链路的最优能耗问题;通过对接收端SEP约束下建立超大规模MIMO系统能耗最优化问题求解,得出系统能耗最优值,然后通过对接收端SEP和RF链数量约束下超大规模MIMO系统能耗优化问题求解来验证前述的系统能耗优化是否有效。
其中,建立面向超大规模MIMO系统中基站端天线与用户的位置关系的信道模型具体为:
其中a(bk,θk)表示用户k较阵列的导向矢量:
其中对角线元素vn,k表示用户k与阵列中第n个元素之间衰落系数表达式为:
这里q是参考距离处的路径损耗,κ损失衰减指数。
基于建立的超大规模MIMO的信道模型,其下行接收信号模型为:
根据所述信道模型及接收信号模型推导发射端预编码和接收端SEP之间的关系模型;假设是要发射的符号信息,/> 是QPSK星座图上的点集,/>和/>分别表示复数的实部和虚部/>定义/>当我们的发送符号/>位于正确的判决区域内则可得到/> 表示所期望接收到的信号;用户接收符号/>的SEP为为了使我们的/> 是我们期望的符号错误概率,我们需要保证接收符号/>的实部和虚部的SEP均要小于等于/>即/>其中 表示/>的实部或虚部的错误概率;则发射端预编码信号与接收端SEP之间的关系模型为:
其中:
其中Q()为Q函数,σ是噪声方差的开根号。
根据上述得到的关系模型,建立超大规模MIMO系统下行链路的能耗模型:
其中P为超大规模MIMO系统下行链路的总能耗,PRF为RF链消耗的能量,PSW为开关网络消耗的能量,φ=Psw+Prf,Psw表示一个开关消耗的能量,Prf表示一条RF链消耗的能量,η是功率放大器的效率,/>为/>的0范数。
针对所提出的在接收端SEP约束下,超大规模MIMO通信系统下行链路的最优能耗的问题,将其进行公式化体现:
针对所提出的接收端SEP和RF链数量约束下超大规模MIMO系统能耗最优化的问题,将其进行公式化体现:
其中,m=[m1,m2,…,mK]T,p=[p1,p2,…,pK]T,向量m和p中第k个元素mk和pk为其中第k个元素/>信道矩阵“min”表示最小化运算,“s.t.”表示约束条件,Λ表示激活的RF链数量。
对于公式(12)中存在的l0-norm项非凸的情况,采用l1-norm去近似处理,将非凸问题转换为凸问题:
其中,l0-norm和l1-norm分别表示向量的0范数和1范数,通过求解问题(14)得到稀疏信号然而这个稀疏信号是通过l1-norm近似求解得来的并非真正的系统能耗最优时的稀疏信号;利用归一化的方式不断逼近最优解,从而求得归一化后的最优解:
其中表示稀疏信号/>绝对值的最大值,通过不断迭代求解问题(15),直至求解出的稀疏模式与前一次求解结果相同,此时停止归一化的操作,最终求得超大规模MIMO系统中/>的稀疏模式,并根据稀疏模式确定激活了哪些天线从而得到稀疏信道/>及SEP约束下超大规模MIMO系统的最优能耗。
针对在接收端SEP约束下,超大规模MIMO通信系统下行链路的最优能耗问题的具体的算法步骤如下:
接收端SEP和RF链数量约束下超大规模MIMO系统能耗最优化的问题(13)中,非凸的,使用l1-norm去进行近似l0-norm并通过引入惩罚因子β的方式来控制激活的RF链数量,改变/>的非凸束特性,同时根据提出的ADMM算法引入辅助变量/>将非凸问题变为凸问题,得到
其中,l0-norm和l1-norm分别表示向量的0范数和1范数,针对β的搜索提出二分查找算法加快搜索的速度,当激活的RF链的数量大于Λ时增大β,当激活的RF chains的数量小于Λ时减小β,同时在问题(16)求解时不断进行ADMM不断迭代,直到激活得RF chains的数量等于Λ时退出算法流程,最终求得RF链时超大规模MIMO系统中的稀疏模式,并根据稀疏模式确定激活了哪些天线从而得到稀疏信道/>
得到超大规模MIMO系统的在接收端SEP约束和RF链数量约束时的系统总能耗:
上述问题的求解实际上是穷举搜索的方式,通过将阵列中激活天线数递增穷举搜索的方式找到超大规模MIMO系统的最优能耗值,并将此时找到的超大规模MIMO系统的最优能耗值与前一个问题所得最优值进对比,从而验证优化是否有效。
针对所提出的接收端SEP和RF链数量约束下超大规模MIMO系统能耗最优化的问题,具体的算法步骤如下:
针对β的搜索提出二分查找算法加快搜索的速度,当激活的RF链的数量大于Λ时增大β,当激活的RF chains的数量小于Λ时减小β,同时在子问题求解时不断进行ADMM不断迭代,直到激活得RF chains的数量等于Λ时退出算法流程。最终求得RF链时超大规模MIMO系统中的稀疏模式,并根据稀疏模式确定激活了哪些天线从而得到稀疏信道/>此时得到在接收端SEP约束和RF链数量约束下超大规模MIMO系统的最优发射能量:/>由于固定RF链数量因此硬件开销是定值为:Λ*φ,得到在接收端SEP约束和RF链数量约束下超大规模MIMO系统的总能耗为/>
为了验证上述超大规模MIMO系统联合天线选择和符号级预编码的性能,利用MATLAB进行了相应场景的仿真实验,并与迫零预编码(Zero-forcing Precoding,ZF)性能进行对比。
以下方针的参数仅是许多参数中的一种。仿真设计如下:基站天线数Nt=512;用户数K=8;噪声功率-60dB;阵列长度L=30m;路径损耗因子q=10-3.53;在参考距离处的路径损耗κ=3;载波波长λ=115mm;莱斯因子μ=0.8;一个开关的能耗为Psw=5mW;一个RF chain的能量Prf=233mW;功率放大器的效率η=0.39;
图4显示,在采用不同的预编码方案时系统的总能耗和SEP以及用户簇与基站的水平距离之间的关系,图中显示SLP方案要优于ZF方案,同时系统的总能耗随着SEP的增加而降低,且在在接收端用户的SEP相同时,当用户簇距离基站的水平距离越远时系统所要消耗的能量也就越多。
图5显示,在采用不同的预编码方案时用户簇与基站的水平距离不同时系统的实部SEP和系统所需要的SEP之间的关系,图显示了当满足系统所需要的SEP时ZF方案要低于SLP。
图6图7图8显示,分别是超大规模MIMO系统的总能量和选择天线数之间的关系,图中超大规模MIMO系统的能耗随选择的天线数的增大先减小后增大,同时从图中可以看出用l1-norm去近似l0-norm所得结果是不精确的,因为l0-norm到l1-norm是近似处理,因此l1-norm的最优值并非是l0-norm的最优值,因此我们需要去处理最优解不精确的问题,图中的竖线表示我们所采取的归一化结果是逼近l0-norm最优解的,因此我们的归一化处理是有效的。
结合图6图7图8,可知,当用户簇距离基站的水平距离越远的时候,超大规模MIMO系统下行的能耗也就越高。
以上所述仅为本发明的优选方案,并非作为对本发明的进一步限定,凡是利用本发明说明书及附图内容所作的各种等效变化均在本发明的保护范围之内。
Claims (4)
1.面向超大规模MIMO的天线选择与符号级预编码联合设计方法,其特征在于,所述方法的步骤为:
S1、建立面向超大规模MIMO系统中基站端天线与用户的位置关系的信道模型;
S2、基于所述超大规模MIMO的信道模型,建立其下行接收信号模型;
S3、根据所述信道模型及接收信号模型推导发射端预编码和接收端SEP之间的关系模型;
S4、根据S3得到的关系模型,建立超大规模MIMO系统下行链路的能耗模型,具体为:
其中,P为超大规模MIMO系统下行链路的总能耗, PRF为RF链消耗的能量,PSW为开关网络消耗的能量,φ=Psw+Prf,Psw表示一个开关消耗的能量,Prf表示一条RF链消耗的能量,η是功率放大器的效率,/>为/>的0范数;
S5、根据S1-S4所得到的模型,在接收端SEP约束下建立超大规模MIMO系统能耗最优化问题,对其进行公式化体现:
S6、建立接收端SEP和RF链数量约束下超大规模MIMO系统能耗最优化问题;对其进行公式化体现:
其中,Λ表示激活的RF链数量;
S7、对接收端SEP约束下建立超大规模MIMO系统能耗最优化问题求解,得出系统能耗最优值,然后通过对接收端SEP和RF链数量约束下超大规模MIMO系统能耗优化问题求解来验证前述的系统能耗优化是否有效;
在接收端SEP约束建立超大规模MIMO系统能耗最优化的问题(12)中,l0-norm非凸的,采用l1-norm进行近似处理,将非凸问题变为凸问题:
其中,l0-norm和l1-norm分别表示向量的0范数和1范数,通过求解问题(14)得到稀疏信号然而这个稀疏信号是通过l1-norm近似求解得来的并非真正的系统能耗最优时的稀疏信号;利用归一化的方式不断逼近最优解,从而求得归一化后的最优解:
其中表示稀疏信号/>绝对值的最大值,通过不断迭代求解问题(15),直至求解出的稀疏模式与前一次求解结果相同,此时停止归一化的操作,最终求得超大规模MIMO系统中/>的稀疏模式,并根据稀疏模式确定激活了哪些天线从而得到稀疏信道/>及SEP约束下超大规模MIMO系统的最优能耗;
接收端SEP和RF链数量约束下超大规模MIMO系统能耗最优化的问题(13)中,非凸的,使用l1-norm去进行近似l0-norm并通过引入惩罚因子β的方式来控制激活的RF链数量,改变/>的非凸束特性,同时根据提出的ADMM算法引入辅助变量/> 将非凸问题变为凸问题,得到
其中,l0-norm和l1-norm分别表示向量的0范数和1范数,针对β的搜索提出二分查找算法加快搜索的速度,当激活的RF链的数量大于Λ时增大β,当激活的RF chains的数量小于Λ时减小β,同时在问题(16)求解时不断进行ADMM不断迭代,直到激活得RF chains的数量等于Λ时退出算法流程,最终求得RF链时超大规模MIMO系统中的稀疏模式,并根据稀疏模式确定激活了哪些天线从而得到稀疏信道/>
得到超大规模MIMO系统的在接收端SEP约束和RF链数量约束时的系统总能耗:
2.根据权利要求1所述的面向超大规模MIMO的天线选择与符号级预编码联合设计方法,其特征在于,S1中,建立的信道模型具体为:
其中a(bk,θk)表示用户k较阵列的导向矢量:
其中对角线元素νn,k表示用户k与阵列中第n个元素之间衰落系数表达式为:
这里q是参考距离处的路径损耗,κ损失衰减指数。
4.根据权利要求1所述的面向超大规模MIMO的天线选择与符号级预编码联合设计方法,其特征在于,S3中,基于所得信道模型和接收信号模型,假设是要发射的符号信息,/> 是QPSK星座图上的点集,/>和/>分别表示复数的实部和虚部定义/>当我们的发送符号/>位于正确的判决区域内则可得到/> 表示所期望接收到的信号;用户接收符号/>的SEP为/>为了使我们的/> 是我们期望的符号错误概率,我们需要保证接收符号/>的实部和虚部的SEP均要小于等于/>即/>其中/> 表示/>的实部或虚部的错误概率;则发射端预编码信号与接收端SEP之间的关系模型为:
其中:
Q()为Q函数,σ是噪声方差的开根号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210108352.3A CN114389656B (zh) | 2022-01-28 | 2022-01-28 | 面向超大规模mimo的天线选择与符号级预编码联合设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210108352.3A CN114389656B (zh) | 2022-01-28 | 2022-01-28 | 面向超大规模mimo的天线选择与符号级预编码联合设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114389656A CN114389656A (zh) | 2022-04-22 |
CN114389656B true CN114389656B (zh) | 2023-06-23 |
Family
ID=81204395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210108352.3A Active CN114389656B (zh) | 2022-01-28 | 2022-01-28 | 面向超大规模mimo的天线选择与符号级预编码联合设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114389656B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109889240A (zh) * | 2019-03-13 | 2019-06-14 | 西安交通大学 | 一种实现建设性干扰的多小区分布式预编码方法 |
EP3719927A1 (en) * | 2019-04-05 | 2020-10-07 | Nokia Technologies Oy | Transmitting method in multiple input multiple output antenna system |
CN112272051A (zh) * | 2020-09-22 | 2021-01-26 | 南京邮电大学 | 面向大规模mimo的误码率可控的符号级混合预编码方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080232489A1 (en) * | 2007-03-23 | 2008-09-25 | Jiannan Tsai | Spatial interleaver for MIMO wireless communication systems |
WO2018230967A1 (ko) * | 2017-06-15 | 2018-12-20 | 엘지전자 주식회사 | 무선 통신 시스템에서 채널 상태 정보 보고 방법 및 이를 위한 장치 |
-
2022
- 2022-01-28 CN CN202210108352.3A patent/CN114389656B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109889240A (zh) * | 2019-03-13 | 2019-06-14 | 西安交通大学 | 一种实现建设性干扰的多小区分布式预编码方法 |
EP3719927A1 (en) * | 2019-04-05 | 2020-10-07 | Nokia Technologies Oy | Transmitting method in multiple input multiple output antenna system |
CN112272051A (zh) * | 2020-09-22 | 2021-01-26 | 南京邮电大学 | 面向大规模mimo的误码率可控的符号级混合预编码方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114389656A (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112865893B (zh) | 智能反射面辅助的sm-noma系统资源分配方法 | |
CN112290995B (zh) | 星地集成网络中基于安全能效的波束设计方法 | |
CN111405596B (zh) | 莱斯信道下大规模天线无线携能通信系统资源优化方法 | |
CN110289897B (zh) | 一种空间调制系统的下行波束赋形方法 | |
CN107302766B (zh) | 一种分布式天线系统中能量效率和频谱效率权衡优化的方法 | |
CN108390708B (zh) | 宽带毫米波透镜系统基于时延补偿的单载波传输设计方法 | |
CN105933971B (zh) | 一种适用于大规模多输入多输出系统的能效优化方法 | |
CN113114317B (zh) | 一种irs辅助下行多用户通信系统的相移优化方法 | |
CN110299937A (zh) | 一种上行mimo-noma无线通信系统波束成形方法 | |
CN113660051B (zh) | 毫米波通信系统的能效最大化方法和系统 | |
Zhang et al. | Energy efficient user clustering and hybrid precoding for terahertz MIMO-NOMA systems | |
CN110536321B (zh) | 5g iot通信中权衡能量效率和频谱效率的优化方法 | |
CN114389658B (zh) | 一种迫零接收的去蜂窝大规模mimo系统的上行功率优化方法 | |
CN111277308A (zh) | 基于机器学习的波宽控制方法 | |
CN114039706A (zh) | 一种基于新型可重构智能表面的空时编码发送方法 | |
CN110190880B (zh) | 一种广义空间调制递增发射天线组合选择方法 | |
CN114389656B (zh) | 面向超大规模mimo的天线选择与符号级预编码联合设计方法 | |
CN116033461B (zh) | 一种基于star-ris辅助的共生无线电传输方法 | |
CN110149133B (zh) | 一种基于波束空间的大规模上行传输方法 | |
CN112261662A (zh) | 一种提升noma协作通信系统能量效率的传输方法 | |
CN108683441B (zh) | 混合预编码中的多用户波束赋形方法 | |
CN115379478B (zh) | 一种基于ris辅助数能同传网络鲁棒能耗优化方法 | |
CN114745032B (zh) | 一种无蜂窝大规模mimo智能分布式波束选择方法 | |
CN106301495A (zh) | 基于最大化信道容量准则的广义空间调制系统天线选择方法 | |
CN110808767A (zh) | 毫米波多天线中继系统中一种混合波束成型设计方案 |
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 |