CN114710185A - 一种去蜂窝大规模mimo系统的ap选择方法 - Google Patents

Abstract

本发明公开了一种去蜂窝大规模MIMO系统的AP选择方法，包括如下步骤：1.建立去蜂窝大规模MIMO的系统模型，推导下行能量效率闭式表达式；2.使用K均值聚类算法将用户划分为多个聚类，每个聚类包括的用户数量不超过正交的导频数量；3.分配导频，使同一个聚类内的用户的导频相互正交；4.根据推导的基于大尺度衰落因子的公式为每个聚类分配AP；5.利用基于SCA策略的功率控制算法计算得出能最大化下行能量效率的用户最佳发送功率控制系数。本发明能有效减少导频污染、提高下行系统总能量效率。

Description

一种去蜂窝大规模MIMO系统的AP选择方法

技术领域

本发明属于移动通信领域，尤其涉及一种去蜂窝大规模MIMO系统的AP选择方法。

背景技术

去蜂窝大规模多输入多输出(multiple-input multiple-output，MIMO)是对现有蜂窝网 络架构进行彻底变革的一种可行网络架构，它结合了分布式MIMO和大规模MIMO的概 念，并有望继承这两个系统的所有优点。在传统去蜂窝大规模MIMO系统中，所有的接 入点(access point，AP)同时服务所有的用户，然而这需要消耗大量的前传链路资源，限 制了去蜂窝大规模MIMO系统性能进一步提升。以用户为中心的去蜂窝大规模假设每个 AP只服务用户的子集，可以以损失一部分性能为代价大幅降低对前传链路容量的要求。 然而现有技术中，以用户为中心的去蜂窝大规模MIMO系统，用户划分子集以及分配AP 的方式都比较简易，这会导致一些用户的服务质量明显下降。

发明内容

发明目的：针对以上问题，本发明提出一种去蜂窝大规模MIMO系统的AP选择方法，有效提高系统下行的总能量效率。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种去蜂窝大规模MIMO系统的AP选择方法，包括：

S1、建立去蜂窝大规模MIMO的系统模型，将该系统中AP和用户之间的下行总能量效率最大化作为模型的目标函数；

S2、使用K均值聚类算法将用户划分为若干个聚类，每个聚类包括的用户数量不超过导频长度，分配导频使同一个聚类内的用户的导频相互正交；

S3、为每个聚类分配一个AP集合，使得该聚类与集合中AP的大尺度衰弱因子之和大于该聚类与系统中所有AP的大尺度衰弱因子之和的一定比例，且集合中AP的基数最 小；根据分配后的AP集合更新目标函数；

S4、利用基于SCA策略的功率控制算法计算更新过的目标函数，得出能最大化下行能量效率的用户最佳发送功率控制系数。

进一步的，步骤S1中建立系统模型具体包括：

设系统拥有M个配有N根天线的AP和K个单天线用户，M>>K，令m∈{1,2,…,M}表 示AP的编号，k∈{1,2,…,K}表示用户的编号，AP m和用户k之间的信道向量为：

其中，β_mk表示AP m和用户k之间的大尺度衰落，h_mk代表小尺度衰落向量，其元素独立同分布于均值为0、方差为1的复高斯分布

用户k分得的导频序列为

其中τ_p为导频长度且导频序列满足

C^M×N代表M×N维的复空间；

基于最小均方误差准则，AP m和用户k之间的信道估计

的统计特性满足于分布为 CN(0,γ_mkI_N)，其中，I_N代表一个N×N的单位矩阵,

式中,ρ_p为每个导频的最大归一化信噪比。

进一步的，在去蜂窝大规模MIMO系统的下行链路传输过程中，下行总能量效率计算方法如下：

第m个AP发送给所有用户的信号表示为：

其中，q_k为第k个用户需要的信号，ρ_d为每个AP的最大归一化信噪比，η_mk为功率 控制因子；

第k个用户接收到的信号为：

其中w_k为用户k处的高斯白噪声，且服从CN(0，1)分布；

第k个用户的频谱效率为：

其中τ_p为导频长度，τ_c为相干间隔长度；

系统下行总频谱效率为：

系统总能量损耗为：

其中，α_m为功率放大器效率，N₀为噪音功率，P_tc,m为内部电路的能量损耗，P_0,m为 电路的固定能量损耗，B为系统带宽，P_bt,m为与流量相关的功率；

下行总能量效率为：

其中E_e({η_mk})为下行总能量效率。

进一步的，通过功率控制因子η_mk获取系统总能量效率的最优解，目标函数如下：

其中S_ok是第k个用户需要的最小频谱效率。

进一步的，步骤S2中使用K均值聚类算法将用户划分为多个聚类：

S2.1：选取所有用户中的Z个用户作为初始的聚类中心，每个用户代表一个聚类中心，Z取值为K/τ_p向上取整，K为用户数量，τ_p为导频长度；

S2.2：当一个聚类中的用户数量小于导频长度时，该聚类为可分配的聚类；遍历所有用户，将每个用户分配到在可分配的聚类中该用户与聚类中心的欧式距离最小的一个聚类中，同时更新这个聚类中的用户数量；

S2.3：更新聚类中心：将每个聚类中所有用户所对应位置的均值作为该类别的聚类 中心，目标函数为所有用户和对应聚类中心距离的平方和，计算目标函数的值；

S2.4：判断聚类中心和目标函数的值与上一次迭代相比是否都未发生改变，若未改 变，则输出结果，若改变，则返回S2.2。

进一步的，步骤S3为每个聚类分配AP包括：

S3.1：计算聚类U_n中的所有用户到每个AP的大尺度衰落因子的和：

S3.2：选出满足式(13)且基数最小的AP集合；被选出的AP序号的集合记为M_n； 如果不满足式(13)则挑出第i个AP加入M_n，i满足

否则，选 择结束，进入S3.3；

其中δ为选取的阈值；

S3.3：使未选出的AP与U_n中的所有用户的均方值为0，即γ_ij＝0,

j∈U_n。

有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：

本发明通过K均值聚类算法将用户分组，为每个聚类筛选AP来提高能量效率，AP不再服务所有用户。通过提高AP选择的复杂度，有效提高了能量效率，对以后的用户分 组和AP选择方式的研究有一定的参考意义。

附图说明

图1为去蜂窝大规模MIMO系统的AP选择方法流程图；

图2为去蜂窝大规模MIMO系统的系统模型示例图；

图3为本发明实施例的系统总能量效率的仿真图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

本发明提出了一种基于K均值聚类算法的去蜂窝大规模MIMO系统的AP选择方法，流程如图1所示，包括以下步骤：

S1、建立去蜂窝大规模MIM系统模型，模型如图2所示，推导下行能量效率公式。

设系统拥有M个配有N根天线的AP和K个单天线用户，M>>K，令m∈{1,2,…,M}表 示AP的编号，k∈{1,2,…,K}表示用户的编号，AP m和用户k之间的信道建模为：

其中，β_mk表示AP m和用户k之间的大尺度衰落，h_mk代表小尺度衰落向量，其元素独立同分布于均值为0、方差为1的复高斯分布

用户k分得的导频序列为

其中τ_p为导频长度且导频序列满足

C^M×N代表M×N维的复空间；

基于最小均方误差准则，AP m和用户k之间的信道估计

的统计特性满足于分布为 CN(0,γ_mkI_N)，其中，I_N代表一个N×N的单位矩阵,

式中,ρ_p为每个导频的最大归一化信噪比。

在去蜂窝大规模MIMO系统的下行链路传输过程中，第m个AP发送给所有用户的信号可表示为：

其中，q_k为第k个用户需要的信号，ρ_d为每个AP的最大归一化信噪比，η_mk为功率 控制因子；

第k个用户接收到的信号为：

其中w_k为用户k处的高斯白噪声，且服从CN(0，1)分布；

第k个用户的频谱效率为：

其中τ_p为导频长度，τ_c为相干间隔长度；

系统下行总频谱效率为：

系统总能量损耗为：

其中，α_m为功率放大器效率，N₀为噪音功率，P_tc,m为内部电路的能量损耗，P_0,m为 电路的固定能量损耗，B为系统带宽，P_bt,m为与流量相关的功率；

下行总能量效率为：

其中E_e({η_mk})为下行总能量效率。

通过分配功率因子η_mk获取系统总能量效率的最优化问题可以等价为：

其中S_ok是第k个用户需要的最小频谱效率。

S2、使用K均值聚类算法将用户划分为若干个聚类，每个聚类包括的用户数量不超过导频长度，目的是使同一个聚类内的用户的导频相互正交；

S2中使用K均值聚类算法将用户划分为多个聚类：

S2.1：选取数据空间(所有用户)中的Z个用户作为初始的聚类中心，每个用户代表一个聚类中心，Z取值为K/τ_p向上取整，K为用户数量，τ_p为导频长度；

S2.2：根据用户与这些聚类中心的欧氏距离，将用户分到在用户数量未达到导频数 量的聚类中距离用户最近的聚类中心所对应的类；即：

当一个聚类中的用户数量小于导频长度时，该聚类为可分配的聚类；遍历所有用户， 将每个用户分配到在可分配的聚类中该用户与聚类中心的欧式距离最小的一个聚类中， 同时更新这个聚类中的用户数量；

S2.3：更新聚类中心：将每个聚类中所有用户所对应位置的均值作为该类别的聚类 中心，目标函数为所有用户和对应聚类中心距离的平方和，计算目标函数的值；

S2.4：判断聚类中心和目标函数的值与上一次迭代相比是否发生改变，若不变，则输出结果，若改变，则返回S2.2。

S3、为每个聚类分配一个AP集合，使得该聚类与集合中AP的大尺度衰弱因子之和大于该聚类与系统中所有AP的大尺度衰弱因子之和的一定比例，且集合中AP的基数最 小；根据分配后的AP集合更新目标函数；

S3.1：计算聚类U_n中的所有用户到每个AP的大尺度衰落因子的和：

S3.2：选出满足式(13)且基数最小的AP集合；被选出的AP序号的集合记为M_n； 如果不满足式(13)则挑出第i个AP加入M_n，i满足

否则，选 择结束，进入S3.3；

其中δ为选取的阈值。

S3.3：使未选出的AP与U_n中的所有用户的均方值为0，即：

S4：基于SCA策略的功率控制算法，得到最终的功率控制系数，获取目标函数即式(8)的最优值。式(8)中用到的M×K个均方值有一些在步骤S3.3中被修改为了0。

通过Matlab平台的仿真验证本发明所提出的去蜂窝大规模MIMO系统的AP选择方法的有效性。图3是本发明实施例的系统总能量效率的仿真图，K＝20，τ_p＝5，δ＝90。 如图3所示，引入了本方法后能量效率有所提升。

最后，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应 当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术 人员可以理解的其他实施方式。

Claims (6)

1.一种去蜂窝大规模MIMO系统的AP选择方法，其特征在于：该方法步骤如下：

S1、建立去蜂窝大规模MIMO的系统模型，将该系统中AP和用户之间的下行总能量效率最大化作为模型的目标函数；

S2、使用K均值聚类算法将用户划分为若干个聚类，每个聚类包括的用户数量不超过导频长度，分配导频使同一个聚类内的用户的导频相互正交；

S3、为每个聚类分配一个AP集合，使得该聚类与集合中AP的大尺度衰弱因子之和大于该聚类与系统中所有AP的大尺度衰弱因子之和的一定比例，且集合中AP的基数最小；根据分配后的AP集合更新目标函数；

S4、利用基于SCA策略的功率控制算法计算更新过的目标函数，得出能最大化下行能量效率的用户最佳发送功率控制系数。

2.根据权利要求1所述的去蜂窝大规模MIMO系统的AP选择方法，其特征在于：步骤S1中建立系统模型具体包括：

设系统拥有M个配有N根天线的AP和K个单天线用户，M>>K，令m∈{1,2,…,M}表示AP的编号，k∈{1,2,…,K}表示用户的编号，APm和用户k之间的信道向量为：

其中，β_mk表示APm和用户k之间的大尺度衰落，h_mk代表小尺度衰落向量，其元素独立同分布于均值为0、方差为1的复高斯分布

用户k分得的导频序列为

其中τ_p为导频长度且导频序列满足

C^M×N代表M×N维的复空间；

基于最小均方误差准则，APm和用户k之间的信道估计

的统计特性满足于分布为CN(0,γ_mkI_N)，其中，I_N代表一个N×N的单位矩阵,

式中,ρ_p为每个导频的最大归一化信噪比。

3.根据权利要求2所述的去蜂窝大规模MIMO系统的AP选择方法，其特征在于：在去蜂窝大规模MIMO系统的下行链路传输过程中，下行总能量效率计算方法如下：

第m个AP发送给所有用户的信号表示为：

其中，q_k为第k个用户需要的信号，ρ_d为每个AP的最大归一化信噪比，η_mk为功率控制因子；

第k个用户接收到的信号为：

其中w_k为用户k处的高斯白噪声，且服从CN(0，1)分布；

第k个用户的频谱效率为：

其中τ_p为导频长度，τ_c为相干间隔长度；

系统下行总频谱效率为：

系统总能量损耗为：

其中，α_m为功率放大器效率，N₀为噪音功率，P_tc,m为内部电路的能量损耗，P_0,m为电路的固定能量损耗，B为系统带宽，P_bt,m为与流量相关的功率；

下行总能量效率为：

其中E_e({η_mk})为下行总能量效率。

4.根据权利要求3所述的去蜂窝大规模MIMO系统的AP选择方法，其特征在于：通过功率控制因子η_mk获取系统总能量效率的最优解，目标函数如下：

其中S_ok是第k个用户需要的最小频谱效率。

5.根据权利要求1-4任一所述的去蜂窝大规模MIMO系统的AP选择方法，其特征在于：步骤S2中使用K均值聚类算法将用户划分为多个聚类：

S2.1：选取所有用户中的Z个用户作为初始的聚类中心，每个用户代表一个聚类中心，Z取值为K/τ_p向上取整，K为用户数量，τ_p为导频长度；

S2.2：当一个聚类中的用户数量小于导频长度时，该聚类为可分配的聚类；遍历所有用户，将每个用户分配到在可分配的聚类中该用户与聚类中心的欧式距离最小的一个聚类中，同时更新这个聚类中的用户数量；

S2.3：更新聚类中心：将每个聚类中所有用户所对应位置的均值作为该类别的聚类中心，目标函数为所有用户和对应聚类中心距离的平方和，计算目标函数的值；

S2.4：判断聚类中心和目标函数的值与上一次迭代相比是否都未发生改变，若未改变，则输出结果，若改变，则返回S2.2。

6.根据权利要求2-4任一所述的去蜂窝大规模MIMO系统的AP选择方法，其特征在于：步骤S3为每个聚类分配AP包括：

S3.1：计算聚类U_n中的所有用户到每个AP的大尺度衰落因子的和：

S3.2：选出满足式(13)且基数最小的AP集合；被选出的AP序号的集合记为M_n；如果不满足式(13)则挑出第i个AP加入M_n，i满足

否则，选择结束，进入S3.3；

其中δ为选取的阈值；

S3.3：使未选出的AP与U_n中的所有用户的均方值为0，即

Images