CN114785387A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114785387A
CN114785387A CN202210425553.6A CN202210425553A CN114785387A CN 114785387 A CN114785387 A CN 114785387A CN 202210425553 A CN202210425553 A CN 202210425553A CN 114785387 A CN114785387 A CN 114785387A
Authority
CN
China
Prior art keywords
user
scale
transmission
base station
reflection
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
CN202210425553.6A
Other languages
English (en)
Other versions
CN114785387B (zh
Inventor
孙宇楠
欧阳崇峻
杨鸿文
刘奕彤
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 CN202210425553.6A priority Critical patent/CN114785387B/zh
Publication of CN114785387A publication Critical patent/CN114785387A/zh
Application granted granted Critical
Publication of CN114785387B publication Critical patent/CN114785387B/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
    • 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
    • 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)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提出一种智能全向面辅助的多用户大规模MISO下行加权和速率优化算法。本发明针对直射径被遮挡场景下的多用户大规模MISO通信的特点，同时考虑了基站侧的发射功率限制以及智能全向面器件单元所需满足的约束条件，通过联合优化基站侧的功率分配、智能超表面的反射系数与透射系数以改善系统下行加权和速率。本发明提出一种基于分式规划以及极大化极小方法的算法对基站侧的功率分配、智能超表面的反射系数与透射系数矩阵进行联合优化，能够有效地提升在直射径被遮挡场景下的多用户大规模MISO下行加权和速率，同时降低优化问题求解与物理层实现的复杂度。

Description

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
1.应用领域
本发明涉及无线通信物理层中的和速率优化问题，特别涉及一种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。
2.背景技术
可重构智能超表面(Reconfigurable Intelligent Surface，RIS)是一种由大量无源可重构元器件组成的相位控制智能表面。在直射径被遮挡的场景下，RIS的辅助能够为无线通信系统的和速率带来可观的增益。但是，传统的RIS对入射信号仅能进行反射，位于基站关于RIS对侧的用户则无法接收到无线信号。
智能全向面(Simultaneous Transmitting And Reflecting ReconfigurableIntelligent Surface，STAR-RIS)。STAR-RIS的每一个器件单元都具有可变的器件结构，通过控制器件单元的工作状态，从而控制其对无线信号的响应特性。无线信号从STAR-RIS的一侧入射，一部分被反射至于入射信号相同的一侧，称为反射信号；其余部分被透射至另一侧，称为透射信号。反射与透射信号可以通过STAR-RIS器件单元的两个参数来分配，这两个参数可称为反射系数与透射系数。
在有STAR-RIS辅助的多用户大规模MISO通信中，为了在减少功率损耗的前提下尽可能最大化下行和速率，需要联合设计发射侧的功率分配方式与STAR-RIS的反射系数和透射系数。目前存在的RIS辅助多用户大规模MISO通信系统设计中大部分仅采用普通的可重构智能超表面，对入射信号仅能够进行反射，无法为位于基站对侧的用户提供辅助。因此，本发明提出一种基于分式规划(Fractional Programming，FP)方法的STAR-RIS辅助下多用户大规模MISO下行加权和速率优化方法。本发明通过考虑发射侧的功率限制以及STAR-RIS反射系数与透射系数所满足的限制条件，提出了一种有效的对发射侧的功率分配与STAR-RIS的反射与透射系数进行联合优化以取得上、下行最大和速率的算法。
3.发明内容及特征
本发明提出一种STAR-RIS辅助的多用户大规模MISO下行加权和速率优化算法，能够有效地提升在直射径被遮挡场景下的多用户大规模MISO下行加权和速率，并降低优化问题求解与物理层实现的复杂度。
为实现上述发明目的，本发明所述的STAR-RIS辅助的多用户大规模MISO下行加权和速率优化算法，包括以下步骤：
在STAR-RIS辅助的直射径被遮挡场景下多用户大规模MISO下行传输中，信号由基站天线入射到STAR-RIS表面，被分为反射信号与透射信号两部分，且由于STAR-RIS的相位控制作用而受到相位调整。反射信号与透射信号分别服务位于处在基站关于STAR-RIS的同侧的用户与对侧的用户，分别称作反射用户与透射用户。以下行和速率最大化为准则联合优化发射功率分配方式以及STAR-RIS的反射与透射系数。所述联合优化问题的目标为在满足发射端功率限制条件约束以及STAR-RIS反射与透射系数服从的能量守恒约束下最大化反射用户与透射用户的下行加权和速率。
其中，基站侧的发射功率分配与STAR-RIS反射与透射系数的联合优化可以采用基于分式规划方法、拉格朗日乘数法以及极小化极大方法的迭代算法：首先通过引入辅助变量的形式，将原问题转化为一个最大化分式的问题；而后利用分式规划方法，再一次引入辅助变量，将最大化分式的问题转化为一个关于基站侧发射功率分配的凸问题；针对转化得到的凸问题，利用拉格朗日乘数法求解，进行功率分配的优化；再一次引入辅助变量后，将问题转化为关于反射与透射系数目标函数为凸问题但约束条件并非凸集的形式；对于转化后的问题，采用极小化极大方法，通过连续使反射与透射系数取得接近收敛值的点，从而得到本次迭代反射与透射系数的最优取值；迭代、交替实施上述各变量的优化流程，直至相邻两次目标函数值的差小于某个给定的阈值。
作为优选，所述STAR-RIS辅助的多用户大规模MISO下行加权和速率可以表示为：
Figure BDA0003608360300000021
其中，下行用户共有K个，可以被分为R个反射用户与T个折射用户，每个用户配备单天线，基站侧配备M条发射天线，STAR-RIS共有N个反射透射单元，log(·)表示对数运算，(·)H表示矩阵的共轭转置运算，||·||表示L2范数运算。ω(k)代表第k个用户的权重，
Figure BDA0003608360300000022
代表从STAR-RIS到第k个用户的信道，
Figure BDA0003608360300000023
代表第k个用户所对应STAR-RIS的反射或透射特性，当此用户为反射用户，即k≤R时，Θk代表ΘR＝diag(θr，1，θr，2，...，θr，N)，即STAR-RIS的反射特性矩阵，ΘR第(n,n)个元素
Figure BDA0003608360300000024
代表第n个单元的反射系数，
Figure BDA00036083603000000215
是虚数符号，
Figure BDA0003608360300000025
代表第n个单元反射系数的幅度，φr，n代表第n个单元反射系数的相位；当此用户为透射用户，即k>R时，Θk代表ΘT＝diag(θt，1，θt，2，...，θt，N)，即STAR-RIS的透射特性矩阵，ΘT第(n,n)个元素
Figure BDA0003608360300000026
代表第n个单元的透射系数，
Figure BDA0003608360300000027
代表第n个单元透射系数的幅度，φt，n代表第n个单元透射系数的相位。
Figure BDA0003608360300000028
代表STAR-RIS与基站天线之间的信道，
Figure BDA0003608360300000029
代表根据基站分配给第k个用户的发射功率所进行的波束赋形，
Figure BDA00036083603000000210
表示加性高斯白噪声功率。
通常情况下，基站的发射功率是有限的，因此对所有用户分配的功率之和应当不超过给定的最大限制。另外，STAR-RIS的反射系数与透射系数之间还应当满足能量守恒定律，即：
Figure BDA00036083603000000211
作为优选，所述下行加权和速率优化问题可以表示为：
Figure BDA00036083603000000212
Figure BDA00036083603000000213
Figure BDA00036083603000000214
其中，IN表示N×N的单位矩阵，Pmax表示基站侧的发射总功率约束。
作为优选，通过引入辅助变量的方式等价简化后的原问题可以被表示为：
Figure BDA0003608360300000031
Figure BDA0003608360300000032
Figure BDA0003608360300000033
其中α＝[α1，α2...αK]，为引入的辅助变量，求导计算可以更新最优的α。通过引入这一辅助变量，原问题被转化为一个最大化分式的问题，因此可以引入分式规划方法进行求解。
作为优选，所述通过使用分式规划方法，引入辅助变量等价转化的下行加权和速率最优化问题可以表示为：
Figure BDA0003608360300000034
Figure BDA0003608360300000035
Figure BDA0003608360300000036
其中β＝[β1，β2...βK]，为引入的辅助变量，求导计算可以更新最优的β。通过引入这一辅助变量，原问题被转化为了一个关于分配功率Pk的凸问题，因此可以考虑其所满足的约束条件形式，采用拉格朗日乘数法，利用KKT条件对P进行求解。
作为优选，再一次利用分式规划方法，通过引入辅助变量对已完成一次分配功率更新后的问题进行转化得到的问题可以表示为：
Figure BDA0003608360300000037
Figure BDA0003608360300000038
其中，ε＝[ε1，ε2...εK]，为引入的辅助变量，
Figure BDA0003608360300000039
Hk＝diag(hk)，求导计算可以更新最优的ε。此时转化得到的目标函数具有凸函数的形式，但由于STAR-RIS的反射系数与透射系数所满足的约束条件不为凸集，因而无法直接求解。故选用极小化极大方法，利用函数的凸性逼近最优的反射系数与透射系数取值。
作为优选，所述利用极小化极大方法，利用函数的凸性逼近最优的反射系数与透射系数取值，包括以下步骤：
(1)固定求解得到的当前情况下最优的ε，将原问题转化为如下形式：
Figure BDA00036083603000000310
Figure BDA00036083603000000311
其中
Figure BDA00036083603000000312
Figure BDA00036083603000000313
Figure BDA0003608360300000041
(2)令l＝0，把当前的
Figure BDA0003608360300000042
与
Figure BDA0003608360300000043
作为
Figure BDA0003608360300000044
与
Figure BDA0003608360300000045
有：
Figure BDA0003608360300000046
其中，
Figure BDA0003608360300000047
(3)根据转化后的问题形式，容易根据STAR-RIS的工作模式所对应的约束条件计算出使
Figure BDA0003608360300000048
最优的
Figure BDA0003608360300000049
与
Figure BDA00036083603000000410
将其作为
Figure BDA00036083603000000411
与
Figure BDA00036083603000000412
迭代上述过程，直至收敛。
本发明与目前常用的可重构智能反射面辅助的多用户大规模MISO下行传输优化方案相比，有如下优点：
1.本发明引入了STAR-RIS辅助进行通信，并为之设计了符合其工作模式的优化算法，较之传统的RIS辅助的无线通信系统，将原本的半空间内智能无线电环境拓展到全空间，能够为更多用户进行服务，显著地提高了智能反射面部署的灵活性。
2.利用分式规划方法、拉格朗日乘数法以及极小化极大等方法联合设计基站侧的发射功率分配以及STAR-RIS的反射系数矩阵和透射系数矩阵，最大化系统的下行加权和速率，迭代获得原问题的驻点次优解，有效改善系统的下行加权和速率。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STAR-RIS辅助的多用户MISO下行传输场景示意图。
(2)图2为STAR-RIS辅助的多用户MISO下行加权和速率优化算法流程图。
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)STAR-RIS辅助的多用户大规模MISO下行传输场景
考虑STAR-RIS辅助的多用户大规模MISO下行传输场景，基站侧配有M条发射天线，STAR-RIS配备有N个反射透射单元。下行用户共有K个，其中反射用户有R个，透射用户有T个。图1给出了系统传输示意图。所述系统的下行加权和速率可以表示为：
Figure BDA00036083603000000413
其中，每个用户配备单天线，基站侧配备M条发射天线，STAR-RIS共有N个反射透射单元，ω(k)代表第k个用户的权重，
Figure BDA00036083603000000414
代表从STAR-RIS到第k个用户的信道，
Figure BDA00036083603000000415
代表第k个用户所对应STAR-RIS的反射或透射特性，当此用户为反射用户，即k≤R时，Θk代表ΘR＝diag(θr，1，θr，2，...，θr，N)，即STAR-RIS的反射特性矩阵，ΘR第(n,n)个元素
Figure BDA0003608360300000051
代表第n个单元的反射系数，
Figure BDA00036083603000000516
是虚数符号，
Figure BDA0003608360300000052
代表第n个单元反射系数的幅度，φr，n代表第n个单元反射系数的相位；当此用户为透射用户，即k>R时，Θk代表ΘT＝diag(θt，1，θt，2，...，θt，N)，即STAR-RIS的透射特性矩阵，ΘT第(n,n)个元素
Figure BDA0003608360300000053
代表第n个单元的透射系数，
Figure BDA0003608360300000054
代表第n个单元透射系数的幅度，φt，n代表第n个单元透射系数的相位。
Figure BDA0003608360300000055
代表STAR-RIS与基站天线之间的信道，
Figure BDA0003608360300000056
代表根据基站分配给第k个用户的发射功率所进行的波束赋形，
Figure BDA0003608360300000057
表示加性高斯白噪声功率。
通常情况下，基站的发射功率有限，因此对所有用户分配的功率之和应当不超过给定的最大限制。另外，STAR-RIS的反射系数与透射系数之间还应当满足能量守恒定律，即：
Figure BDA0003608360300000058
所述下行加权和速率优化问题可以表示为：
Figure BDA0003608360300000059
Figure BDA00036083603000000510
Figure BDA00036083603000000511
其中，Pmax表示基站侧的发射总功率约束。
此问题含有一个非凸的目标函数以及两个约束条件并非空集的待优化变量，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下行加权和速率优化方法，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：STAR-RIS辅助的多用户大规模MISO下行加权和速率优化算法
图2给出了下行加权和速率优化算法流程图，详细优化步骤列举如下。
步骤1：根据信道条件以及功率分配和所选取的STAR-RIS工作模式所满足的约束条件，设定P、ΘR与ΘT的初始值。
步骤2：通过引入辅助变量的方式，将原问题转化为一个最大化分式求解的问题，并更新使得转化后的问题最大的α。等价简化后的原问题可以被表示为：
Figure BDA00036083603000000512
Figure BDA00036083603000000513
Figure BDA00036083603000000514
其中α＝[α1，α2...αK]，为引入的辅助变量，求导计算可以更新最优的α。通过引入这一辅助变量，原问题被转化为一个最大化分式的问题，因此可以引入分式规划方法进行求解。
最优的α可以通过下式计算，
Figure BDA00036083603000000515
步骤3：通过使用分式规划方法，引入辅助变量等价转化原下行加权和速率最优化问题，可以表示为：
Figure BDA0003608360300000061
Figure BDA0003608360300000062
Figure BDA0003608360300000063
其中β＝[β1，β2...βK]，为引入的辅助变量，求导计算可以更新最优的β。通过引入这一辅助变量，原问题被转化为了一个关于分配功率Pk的凸问题，因此可以考虑其所满足的约束条件形式，采用拉格朗日乘数法，利用KKT条件对P进行求解。
使得被转化后问题取得最优的β可以通过下式计算，
Figure BDA0003608360300000064
在更新最优的β后，可以通过下式计算最优的功率分配P，
Figure BDA0003608360300000065
其中λ0为拉格朗日乘子，根据KKT条件，其满足：
Figure BDA0003608360300000066
因此可以通过二分法计算λ0的值，从而得到最优的P。
步骤4：再一次利用分式规划方法，通过引入辅助变量对更新后的问题进行转化，得到的问题可以表示为：
Figure BDA0003608360300000067
Figure BDA0003608360300000068
其中，ε＝[ε1，ε2...εK]为引入的辅助变量，
Figure BDA0003608360300000069
Hk＝diag(hk)，求导计算可以更新最优的ε。此时转化得到的目标函数具有凸函数的形式，但由于STAR-RIS的反射系数与透射系数所满足的约束条件不为凸集，因而无法直接求解。故选用极小化极大方法，利用函数的凸性逼近最优的反射系数与透射系数取值。
最优的ε可以通过下式求得：
Figure BDA00036083603000000610
步骤5：利用极小化极大方法，利用函数的凸性逼近最优的反射系数与透射系数取值。首先，固定求解得到的当前情况下最优的ε，将原问题转化为如下形式：
Figure BDA00036083603000000611
Figure BDA00036083603000000612
其中
Figure BDA00036083603000000613
Figure BDA0003608360300000071
Figure BDA0003608360300000072
步骤6：令l＝0，把当前的
Figure BDA0003608360300000073
与
Figure BDA0003608360300000074
作为
Figure BDA0003608360300000075
与
Figure BDA0003608360300000076
有：
Figure BDA0003608360300000077
其中，
Figure BDA0003608360300000078
步骤7：根据转化后的问题形式，容易根据STAR-RIS的工作模式所对应的约束条件计算出使
Figure BDA0003608360300000079
最优的
Figure BDA00036083603000000710
与
Figure BDA00036083603000000711
将其作为
Figure BDA00036083603000000712
与
Figure BDA00036083603000000713
而后回到步骤6，迭代上述过程，直至收敛。
对于能量分割工作模式下的STAR-RIS，
Figure BDA00036083603000000714
与
Figure BDA00036083603000000715
可以通过下式得到：
Figure BDA00036083603000000716
Figure BDA00036083603000000717
其中，
Figure BDA00036083603000000718
Figure BDA00036083603000000719
其中Amp(·)表示取幅值运算。
对于模式切换工作模式下的STAR-RIS，
Figure BDA00036083603000000720
与
Figure BDA00036083603000000721
可以通过下式得到：
Figure BDA00036083603000000722
Figure BDA00036083603000000723
其中，
Figure BDA00036083603000000724
Figure BDA00036083603000000725
Figure BDA00036083603000000726
是长度为N的向量，其第i个元素为：
1；if
Figure BDA00036083603000000727
0；else
同样地，
Figure BDA00036083603000000728
是长度为N的向量，其第i个元素为：
1；if
Figure BDA00036083603000000729
0；else
对于时间切换工作模式下的STAR-RIS，
Figure BDA0003608360300000081
与
Figure BDA0003608360300000082
可以通过下式得到：
Figure BDA0003608360300000083
Figure BDA0003608360300000084
步骤8：计算新的目标函数的值，若与上一次迭代目标函数值的差小于所设定的阈值，则终止迭代；否则，将迭代次数加1，回到步骤2。

Claims (7)

1.一种智能全向面辅助的多用户大规模MISO下行加权和速率优化算法。其特征在于，针对直射径被遮挡场景下的多用户大规模MISO通信的特点，同时考虑了基站侧的发射功率限制以及智能全向面器件单元所需满足的约束条件，通过联合优化基站侧的功率分配、智能超表面的反射系数与透射系数以改善系统下行加权和速率，采用基于分式规划以及极大化极小方法的算法对基站侧的功率分配、智能超表面的反射系数与透射系数矩阵进行联合优化，能够有效地提升在直射径被遮挡场景下的多用户大规模MISO下行加权和速率，同时降低优化问题求解与物理层实现的复杂度。
其中，基站侧的发射功率分配与智能全向面反射与透射系数的联合优化可以采用基于分式规划方法、拉格朗日乘数法以及极小化极大方法的迭代算法：首先通过引入辅助变量的形式，将原问题转化为一个最大化分式的问题；而后利用分式规划方法，再一次引入辅助变量，将最大化分式的问题转化为一个关于基站侧发射功率分配的凸问题；针对转化得到的凸问题，利用拉格朗日乘数法求解，进行功率分配的优化；再一次引入辅助变量后，将问题转化为关于反射与透射系数目标函数为凸问题但约束条件并非凸集的形式；对于转化后的问题，采用极小化极大方法，通过连续使反射与透射系数取得接近收敛值的点，从而得到本次迭代反射与透射系数的最优取值；迭代、交替实施上述各变量的优化流程，直至相邻两次目标函数值的差小于某个给定的阈值。
2.根据权利要求1所述的智能全向面辅助的多用户大规模MISO下行加权和速率优化算法，其特征在于，所述智能全向面辅助的多用户大规模MISO下行加权和速率可以表示为：
Figure FDA0003608360290000011
其中，下行用户共有K个，可以被分为R个反射用户与T个折射用户，每个用户配备单天线，基站侧配备M条发射天线，STAR-RIS共有N个反射透射单元，log(·)表示对数运算，(·)H表示矩阵的共轭转置运算，||·||表示L2范数运算。ω(k)代表第k个用户的权重，
Figure FDA0003608360290000012
代表从STAR-RIS到第k个用户的信道，
Figure FDA0003608360290000013
代表第k个用户所对应STAR-RIS的反射或透射特性，当此用户为反射用户，即k≤R时，Θk代表ΘR＝diag(θr，1，θr，2，…，θr，N)，即STAR-RIS的反射特性矩阵，ΘR第(n,n)个元素
Figure FDA0003608360290000014
代表第n个单元的反射系数，j是虚数符号，
Figure FDA0003608360290000015
代表第n个单元反射系数的幅度，φr，n代表第n个单元反射系数的相位；当此用户为透射用户，即k>R时，Θk代表ΘT＝diag(θt，1，θt，2，…，θt，N)，即STAR-RIS的透射特性矩阵，ΘT第(n,n)个元素
Figure FDA0003608360290000016
代表第n个单元的透射系数，
Figure FDA0003608360290000017
代表第n个单元透射系数的幅度，φt，n代表第n个单元透射系数的相位。
Figure FDA0003608360290000018
代表STAR-RIS与基站天线之间的信道，
Figure FDA0003608360290000019
代表根据基站分配给第k个用户的发射功率所进行的波束赋形，
Figure FDA00036083602900000110
表示加性高斯白噪声功率。
通常情况下，基站的发射功率是有限的，因此对所有用户分配的功率之和应当不超过给定的最大限制。另外，STAR-RIS的反射系数与透射系数之间还应当满足能量守恒定律，即：
Ar，n+At，n＝1，
Figure FDA00036083602900000111
3.根据权利要求1所述的智能全向面辅助的多用户大规模MISO下行加权和速率优化算法，其特征在于，所述下行加权和速率优化问题可以表示为：
Figure FDA0003608360290000021
Figure FDA0003608360290000022
Figure FDA0003608360290000023
其中，IN表示N×N的单位矩阵，Pmax表示基站侧的发射总功率约束。
4.根据权利要求1所述的智能全向面辅助的多用户大规模MISO下行加权和速率优化算法，其特征在于，所述通过引入辅助变量的形式，将原问题转化为得到的最大化分式的问题可以表示为：
Figure FDA0003608360290000024
Figure FDA0003608360290000025
Figure FDA0003608360290000026
5.根据权利要求1所述的智能全向面辅助的多用户大规模MISO下行加权和速率优化算法，其特征在于，所述通过使用分式规划方法，引入辅助变量等价转化的下行加权和速率最优化问题可以表示为：
Figure FDA0003608360290000027
Figure FDA0003608360290000028
Figure FDA0003608360290000029
其中β＝[β1，β2...βK]，为引入的辅助变量。
6.根据权利要求1所述的智能全向面辅助的多用户大规模MISO下行加权和速率优化算法，其特征在于，所述再一次利用分式规划方法，通过引入辅助变量对已完成一次分配功率更新后的问题进行转化得到的问题可以表示为：
Figure FDA00036083602900000210
Figure FDA00036083602900000211
其中，ε＝[ε1，ε2...εK]，为引入的辅助变量，
Figure FDA00036083602900000212
Hk＝diag(hk)
7.根据权利要求1所述的智能全向面辅助的多用户大规模MISO下行加权和速率优化算法，其特征在于，所述利用极小化极大方法，利用函数的凸性逼近最优的反射系数与透射系数取值，包括以下步骤：
(1)固定求解得到的当前情况下最优的ε，将原问题转化为如下形式：
Figure FDA00036083602900000213
Figure FDA00036083602900000214
其中
Figure FDA0003608360290000031
Figure FDA0003608360290000032
Figure FDA0003608360290000033
(2)令l＝0，把当前的
Figure FDA0003608360290000034
与
Figure FDA0003608360290000035
作为
Figure FDA0003608360290000036
与
Figure FDA0003608360290000037
有：
Figure FDA0003608360290000038
其中，
Figure FDA0003608360290000039
(3)根据转化后的问题形式，根据STAR-RIS的工作模式所对应的约束条件计算出使
Figure FDA00036083602900000310
最优的
Figure FDA00036083602900000311
与
Figure FDA00036083602900000312
将其作为
Figure FDA00036083602900000313
与
Figure FDA00036083602900000314
迭代上述过程，直至收敛。
CN202210425553.6A 2022-04-21 2022-04-21 智能全向面辅助的多用户miso下行加权和速率优化方法 Active CN114785387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210425553.6A CN114785387B (zh) 2022-04-21 2022-04-21 智能全向面辅助的多用户miso下行加权和速率优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210425553.6A CN114785387B (zh) 2022-04-21 2022-04-21 智能全向面辅助的多用户miso下行加权和速率优化方法

Publications (2)

Publication Number Publication Date
CN114785387A true CN114785387A (zh) 2022-07-22
CN114785387B CN114785387B (zh) 2023-08-18

Family

ID=82431491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210425553.6A Active CN114785387B (zh) 2022-04-21 2022-04-21 智能全向面辅助的多用户miso下行加权和速率优化方法

Country Status (1)

Country Link
CN (1) CN114785387B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117042162A (zh) * 2023-10-09 2023-11-10 中国移动紫金(江苏)创新研究院有限公司 通信方法、装置、反射平面、计算系统、增强器及中继器

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014043834A1 (zh) * 2012-09-24 2014-03-27 上海交通大学 最大化多小区下行加权和速率的单调优化方法
CN111294096A (zh) * 2020-02-17 2020-06-16 南京信息工程大学 一种智能反射面miso无线通信系统的信道容量优化方法
CN111901802A (zh) * 2020-07-31 2020-11-06 东南大学 一种借助智能反射表面的miso系统下行保密率优化方法
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
CN112073107A (zh) * 2020-09-17 2020-12-11 南通大学 基于智能反射面的多组、多播联合波束赋形算法设计
CN113068262A (zh) * 2021-03-25 2021-07-02 电子科技大学 基于智能反射面辅助上行系统的动态资源分配方法
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
US20210384958A1 (en) * 2020-06-05 2021-12-09 Commissariat à l'énergie atomique et aux énergies alternatives Method for optimizing user equipment wireless localization using reconfigurable intelligent surfaces, related device and computer program
CN113783812A (zh) * 2021-07-20 2021-12-10 北京交通大学 基于同步透射反射智能表面同步信号增强及干扰抑制方法
CN114070365A (zh) * 2021-11-18 2022-02-18 北京邮电大学 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
CN114285445A (zh) * 2021-12-31 2022-04-05 东南大学 电磁辐射约束的ris-dma辅助多用户mimo上行谱效优化方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014043834A1 (zh) * 2012-09-24 2014-03-27 上海交通大学 最大化多小区下行加权和速率的单调优化方法
CN111294096A (zh) * 2020-02-17 2020-06-16 南京信息工程大学 一种智能反射面miso无线通信系统的信道容量优化方法
US20210384958A1 (en) * 2020-06-05 2021-12-09 Commissariat à l'énergie atomique et aux énergies alternatives Method for optimizing user equipment wireless localization using reconfigurable intelligent surfaces, related device and computer program
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
CN111901802A (zh) * 2020-07-31 2020-11-06 东南大学 一种借助智能反射表面的miso系统下行保密率优化方法
CN112073107A (zh) * 2020-09-17 2020-12-11 南通大学 基于智能反射面的多组、多播联合波束赋形算法设计
CN113068262A (zh) * 2021-03-25 2021-07-02 电子科技大学 基于智能反射面辅助上行系统的动态资源分配方法
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
CN113783812A (zh) * 2021-07-20 2021-12-10 北京交通大学 基于同步透射反射智能表面同步信号增强及干扰抑制方法
CN114070365A (zh) * 2021-11-18 2022-02-18 北京邮电大学 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
CN114285445A (zh) * 2021-12-31 2022-04-05 东南大学 电磁辐射约束的ris-dma辅助多用户mimo上行谱效优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHENYU WU: "Channel Estimation for STAR-RIS-Aided Wireless Communication", 《 IEEE COMMUNICATIONS LETTERS》 *
CHENYU WU: "Coverage Characterization of STAR-RIS Networks: NOMA and OMA", 《 IEEE COMMUNICATIONS LETTERS》 *
王兆瑞;刘亮;李航;崔曙光;: "面向6G物联网的智能反射表面设计", 物联网学报, no. 02 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117042162A (zh) * 2023-10-09 2023-11-10 中国移动紫金(江苏)创新研究院有限公司 通信方法、装置、反射平面、计算系统、增强器及中继器
CN117042162B (zh) * 2023-10-09 2023-12-26 中国移动紫金(江苏)创新研究院有限公司 通信方法、装置、反射平面、计算系统、增强器及中继器

Also Published As

Publication number Publication date
CN114785387B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN111865387A (zh) 智能反射面辅助无线通信系统的波束成形设计方法
CN111953391A (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
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
CN113114343A (zh) 一种多波束卫星的高能效智能动态波束成形方法
CN114785388B (zh) 智能全向面辅助的多用户simo上行加权和速率优化方法
CN113949607A (zh) 一种智能反射面无小区系统的鲁棒性波束设计方法
CN114978387B (zh) 基于低轨卫星网络的无线空中计算方法
CN114785387A (zh) 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
CN114640379A (zh) 一种基于智能反射面阵元分组的波束优化方法及系统
Li et al. Joint beamforming and power allocation for intelligent reflecting surface-aided millimeter wave MIMO systems
CN116033461B (zh) 一种基于star-ris辅助的共生无线电传输方法
Salem et al. A proposed efficient hybrid precoding algorithm for millimeter wave massive MIMO 5G networks
CN116567839A (zh) 去蜂窝大规模mimo网络下共生无线电系统的资源分配方法
CN116865795A (zh) 透射式ris辅助mimo多波束对准系统及方法
CN114844538B (zh) 一种基于宽学习的毫米波mimo用户增量协作波束选择方法
CN114845363B (zh) 一种反射面辅助的低功耗数据卸载方法及系统
CN116056118A (zh) 基于主被动混合智能超表面的无线通信传输方法及系统
CN115734238A (zh) 智能反射面辅助的通信网络覆盖优化方法
CN115021779A (zh) Ris辅助的mimo系统的离散相移设计方法和装置
CN115426020B (zh) 一种低复杂度的通感一体化发射预编码优化方法
CN115941010B (zh) 基于分支界定的irs辅助去蜂窝大规模mimo系统波束赋形方法
Feng et al. Deterministic Beamforming for Unmanned Aerial Vehicle Array
Alluhaibi et al. Energy-efficient hybrid DA precoders design for mm-Wave systems
CN115173914B (zh) 一种多智能反射面辅助通信主被动波束赋形迭代优化方法
CN117527012A (zh) 一种leo卫星通信系统下的高能效资源分配方法

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