CN115001547B - 多小区协作大规模mimo鲁棒预编码设计方法 - Google Patents
多小区协作大规模mimo鲁棒预编码设计方法 Download PDFInfo
- Publication number
- CN115001547B CN115001547B CN202210608181.0A CN202210608181A CN115001547B CN 115001547 B CN115001547 B CN 115001547B CN 202210608181 A CN202210608181 A CN 202210608181A CN 115001547 B CN115001547 B CN 115001547B
- Authority
- CN
- China
- Prior art keywords
- base station
- rate
- precoding
- manifold
- traversal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013461 design Methods 0.000 title claims abstract description 34
- 238000006467 substitution reaction Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 61
- 239000013598 vector Substances 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000011480 coordinate descent method Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 7
- 230000032683 aging Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- 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)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种多小区协作大规模MIMO鲁棒预编码设计方法,包括建立基于精细化波束的后验信道模型,并据此建立逐基站功率约束的多小区协作大规模MIMO加权遍历和速率最大化问题;将该问题依次转化为逐基站功率约束的虚拟MIMO加权遍历和速率最大化问题,满足逐基站功率约束的黎曼子流形上的加权遍历和速率最大化问题,迭代求解满足逐基站功率约束的黎曼子流形上的加权遍历和速率的替代函数的最大化问题;最后,在不同基站间交替求解加权遍历和速率的替代函数的最大化问题,得到多小区协作大规模MIMO鲁棒预编码迭代设计。本发明可以抵御信道估计误差、信道老化、以及信道相关性对多小区协作大规模MIMO系统和速率性能带来的影响。
Description
技术领域
本发明涉及一种多小区协作预编码设计方法,尤其涉及一种多小区协作大规模MIMO鲁棒预编码设计方法。
背景技术
大规模多输入多输出(MIMO,multiple-input multiple-output)技术在基站布置大量天线,能够在相同的时频资源上同时服务大量用户。频谱效率和功率效率上的极大提升,使得大规模MIMO成为5G无线通信的关键技术。与此同时,不同用户共享相同的时频资源带来的干扰可能使得大规模MIMO的性能增益大打折扣。
在大规模MIMO系统中,干扰抑制主要由下行预编码来实现。线性预编码以较低的复杂度逼近了最优性能,在实际中得到广泛使用。在有关大规模MIMO线性预编码的研究中,绝大多数都以精确信道信息为基础,而在实际中无法获得精确的信道信息。为了保证大规模MIMO实际系统的性能,在非完美信道状态信息条件下的线性预编码设计至关重要。
另一方面,通过基站间的合作,多小区技术可以进一步提升大规模MIMO系统的性能。在多小区协同技术中,每个用户只由单个基站服务。每个基站通过规避其他小区的干扰进行协同预编码,可以有效缓解小区间干扰,提升系统和速率性能。在多小区协作技术中,如图1所示,基站间通过交互信道信息以及用户数据信息,使得同一个用户可以被多个基站同时服务。相比于多小区协同技术,多小区协作技术使得系统的和速率性能获得进一步提升。一些关于多小区协作大规模MIMO系统的早期工作假设所有基站都已知网络范围内的信道状态信息,并将其传输到所有用户终端。这两个理论上的假设是不切实际的,可能分别导致信道状态信息和数据共享的巨大前端传输信令,以及巨大的计算复杂性。最近,以用户为中心的多小区协作大规模MIMO系统吸引了更多的兴趣,其中每个用户终端由提供最佳信道条件的基站子集服务。通过控制向相应的用户终端提供服务的每个基站子集的规模,减少了信道状态信息和数据共享的信令开销,并降低了计算复杂度。对于多小区协作大规模MIMO系统的传输,称所有基站都具有网络范围的信道状态信息并传输到所有用户终端的传输为全服务策略。作为对比,称以用户为中心的多小区协作大规模MIMO系统的传输为部分服务策略。
为了有效抵抗信道老化、信道估计误差、以及信道相关性带来的影响,相关文献已经研究了在单小区大规模MIMO系统以及多小区协同大规模MIMO系统中,如何利用后验信道模型进行鲁棒预编码。到目前为止,尚无基于精细化波束的后验信道模型的多小区协作鲁棒预编码的研究。
发明内容
本发明提出一种多小区协作大规模MIMO鲁棒预编码设计方法。
为了实现上述目的,本发明的技术方案如下:
多小区协作大规模MIMO鲁棒预编码设计方法包括以下步骤:
(1)建立各用户的基于精细化波束的后验信道模型,并据此建立逐基站功率约束的多小区协作大规模MIMO加权遍历和速率最大化问题;
(2)将逐基站功率约束的多小区协作大规模MIMO加权遍历和速率最大化问题转化为等价的逐基站功率约束的虚拟MIMO加权遍历和速率最大化问题;
(3)将逐基站功率约束的虚拟MIMO加权遍历和速率最大化问题转化为满足逐基站功率约束的黎曼子流形上的加权遍历和速率最大化问题;
(4)在MM算法框架内,将求解满足逐基站功率约束的黎曼子流形上的加权遍历和速率最大化问题转化为迭代求解满足逐基站功率约束的黎曼子流形上的加权遍历和速率的替代函数的最大化问题;
(5)在黎曼块坐标下降法框架内,在不同基站间交替求解满足逐基站功率约束的黎曼子流形上的加权遍历和速率的替代函数的最大化问题,得到多小区协作大规模MIMO鲁棒预编码迭代设计。
进一步地,基于精细化波束的后验信道模型等于信道估计与基于精细化波束的统计信道信息的加权和。
进一步地,基于精细化波束的统计信道信息等于用户侧包含接收舵矢量的矩阵乘以精细化波束域信道矩阵乘以基站侧包含发射舵矢量的矩阵。
进一步地,精细化波束域信道矩阵等于精细化波束域信道幅度矩阵乘以独立同分布复高斯随机变量组成的随机矩阵,且该随机矩阵的元素为零均值单位方差。
进一步地,对于一个用户,将每个基站看作一个输入点,进一步考虑所有用户,多小区系统可转化为虚拟MIMO系统。
进一步地,在矩阵流形优化框架内,将满足逐基站功率约束的各用户的预编码矩阵集合视为欧式空间的黎曼子流形,则建立在欧式空间中的逐基站功率约束的虚拟MIMO加权遍历和速率最大化问题可转化为满足逐基站功率约束的黎曼子流形上的加权遍历和速率最大化问题。
进一步地,加权遍历和速率的替代函数在满足逐基站功率约束的黎曼子流形上的每一点都最小化加权遍历和速率。
进一步地,在黎曼块坐标下降法框架内不同基站间交替求解满足逐基站功率约束的黎曼子流形上的加权遍历和速率的替代函数的最大化问题包括以下步骤:
A、对于每一用户,将其预编码矩阵分解为各基站对该用户的预编码矩阵,相应地,将加权遍历和速率的替代函数重构为以各基站对每一用户的预编码矩阵为变量的形式。
B、在矩阵流形优化框架内,对于每个基站,将满足该基站功率约束的各用户预编码矩阵集合视为一个因子流形,计算重构后加权遍历和速率的替代函数在每个因子流形上的黎曼梯度,选出具有最大梯度范数的因子流形。
C、固定除具有最大梯度范数的因子流形以外的其他因子流形上的预编码矩阵,求解重构后加权遍历和速率的替代函数的最大化问题,也即在该因子流形上求解加权遍历和速率的替代函数的最大化问题。
重复步骤A-C直至加权遍历和速率收敛或达到指定迭代次数。
进一步地,多小区协作大规模MIMO鲁棒预编码迭代设计包括两层迭代:在外迭代中,根据各用户的预编码矩阵更新加权遍历和速率的替代函数;在内迭代中,根据加权遍历和速率的替代函数,交替更新各基站的预编码。
进一步地,所述预编码设计为全服务策略或部分服务策略。部分服务策略的预编码设计方法通过扩展全服务策略获得。具体地,在任一属于某一基站服务组的任一用户的全服务策略预编码迭代式中,将不属于该用户服务集群的基站的预编码置零即可得到部分服务策略的预编码迭代表达式。
与现有技术相比,本发明具有如下优点和有益效果:本发明提出的多小区协作大规模MIMO鲁棒预编码设计,能够解决多小区协作大规模MIMO对各种典型移动场景的普适性问题,相较于单小区大规模MIMO鲁棒预编码和多小区协同大规模MIMO鲁棒预编码,取得高频谱效率(可见图3)。
本发明多小区协作大规模MIMO鲁棒预编码设计通过建立基于精细化波束的后验信道模型,可以抵御信道估计误差、信道老化、以及信道相关性对预编码带来的影响。通过将逐基站功率约束的多小区协作大规模MIMO加权遍历和速率最大化问题转化为逐基站功率约束的虚拟MIMO加权遍历和速率最大化问题,可以简化设计过程。在矩阵流形优化框架内,针对每个基站的预编码,可以在不同基站间交替求解多小区协作大规模MIMO鲁棒预编码迭代式。
附图说明
图1是多小区协作大规模MIMO系统示意图;
图2是多小区协作大规模MIMO鲁棒预编码设计方法流程图;
图3是多小区协作大规模MIMO鲁棒预编码与单小区鲁棒预编码及多小区协同鲁棒预编码和速率性能对比图。
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。
如图2所示,其示出了本发明所述的多小区协作大规模MIMO鲁棒预编码设计的流程图,包括:
(1)建立各用户的基于精细化波束的后验信道模型,并据此建立逐基站功率约束的多小区协作大规模MIMO加权遍历和速率最大化问题;
(2)将逐基站功率约束的多小区协作大规模MIMO加权遍历和速率最大化问题转化为等价的逐基站功率约束的虚拟MIMO加权遍历和速率最大化问题;
(3)将逐基站功率约束的虚拟MIMO加权遍历和速率最大化问题转化为满足逐基站功率约束的黎曼子流形上的加权遍历和速率最大化问题;
(4)在MM算法框架内,将求解满足逐基站功率约束的黎曼子流形上的加权遍历和速率最大化问题转化为迭代求解满足逐基站功率约束的黎曼子流形上的加权遍历和速率的替代函数的最大化问题;
(5)在黎曼块坐标下降法框架内,在不同基站间交替求解满足逐基站功率约束的黎曼子流形上的加权遍历和速率的替代函数的最大化问题,得到多小区协作大规模MIMO鲁棒预编码迭代设计。
本发明方法主要适用于基站侧配备大规模天线阵列以同时服务多个用户的多小区大规模MIMO系统。下面结合具体的通信系统实例对本发明方法的具体实现过程作详细说明,需要说明的是本发明方法不仅适用于下面示例所举的具体系统模型,也同样适用于其它配置的系统模型。
一、系统配置
考虑一个包含B个基站,服务U个用户的多小区大规模MIMO系统,工作在时分双工(TDD,Time Division Duplexing)模式下。基站通过高速回传网络同步和共享数据流。对于每一个用户,服务其的基站集合为B个基站集合的一个子集。具体来讲,假设用户集合为基站集合为/>对于用户/>服务于其的基站集合可以表示为/>集合/>的势为Bi。称/>为用户i的服务集群。进一步,/>中不服务用户i的基站集合可以表示为/>对于基站/>其服务的用户集合可以表示为/>集合/>的势为Uj。称/>为基站j的服务组。进一步,/>中不被基站j服务的用户集合可以表示为/>
假设每个基站配备相同的均匀面阵。该均匀面阵在竖直方向上有Mv列,水平方向上有Mh行,每个面阵的总天线数为Mt=MvMh。则整个多小区系统的基站天线总数为M=BMt。假设信道为准静态块衰落,则信道在一个时间块内保持不变。特别地,时间资源被划为各个时隙,每个时隙包含若干时间块。每个时隙的第一个时间块被用来做上行训练,获取的信道信息被用于本时隙的其他时间块上的下行传输。
二、全服务策略预编码设计
1、基于精细化波束的后验信道模型
假设Δi表示归一化后的接收天线间距。类似的,Δv和Δh分别表示竖直方向和水平方向上的归一化发射天线间距。ur,uv和vh分别表示接收天线阵列的方向余弦,发射天线阵列竖直方向的方向余弦,发射天线阵列水平方向的方向余弦。用户侧和基站侧的舵矢量可以分别表示为
和其中
定义为基站侧包含发射舵矢量的矩阵,其中
且有Nt=NvNh。uv,p和uh,q是基站侧采样方向余弦(p=1,2,...,Nv,q=1,2,...,Nh)。类似地,定义为用户侧包含接收舵矢量的矩阵:
其中ur,m是用户侧采样方向余弦(m=1,2,...,Nr)。
小区j对用户i在任一时隙的第n个时间块上的基于精细化波束的统计信道可以表示为
Hi,j,n=UGi,j,nVH (7)
其中Gi,j,n=Mi,j⊙Wi,j,n是精细化波束域信道矩阵。其每一行对应用户侧精细化波束域,每一列对应基站侧二维空间精细化波束域,Mi,j为精细化波束域信道幅度矩阵,Wi,j,n为独立同分布复高斯随机变量组成的随机矩阵,其元素为零均值单位方差。当Nr=Mr,U退化为离散傅里叶矩阵。类似地,当Nv=Mv,Nh=Mh,V退化二维DFT矩阵。通过设置Nr>Mr,Nv>Mv,Nh>Mh,U和V通过采样更多的方向余弦包含了更多的舵矢量。基于精细化波束的统计信道模型(7)可以更好的刻画物理无线信道。定义精细化波束域信道能量矩阵为
Ωi,j=Mi,j⊙Mi,j (8)
假设基站j在下行传输时可以预先获知Ωi,j,,给定U和V,在信道估计前,统计信道模型(7)可以被当作是基站j到用户i的一种先验信道模型。
进一步,给定第一个时间块上的信道信息,应用一阶高斯马尔可夫过程,在第n个时间块上的精细化波束域信道可以建模为
其中γi,j,n-1是Gi,j,1和Gi,j,n间与速度有关的相关系数。基于此,后验信道模型可以表示为
其中
后验信道(10)可以刻画多种实际中的移动性场景。具体来讲,当γi,j,n-1趋于1时,它退化为第一个时间块上的信道估计UGi,j,1VH,此时信道可以近似为准静态信道。在高移动性场景下,γi,j,n-1趋近于0,后验信道模型近似为先验信道模型(7)。
2、逐基站功率约束的多小区协作大规模MIMO加权遍历和速率最大化问题
考虑下行单个时间块上的传输,省略时间块角标n。令表示用户i的传输符号,di表示用户i的数据流数。假设用户的数据符号是独立同分布复高斯随机变量组成的随机向量,其元素为零均值单位方差。用户i的接收信号可以表示为
其中为用户i的预编码矩阵,zi为独立同分布高斯噪声,服从分布式(13)等号右边的第二项为用户i的服务集群内干扰,第三项为除去服务集群以外其他基站对用户i的干扰。假设通过预编码域训练,各用户可以获取下行信道信息。将累积干扰加噪声
当作高斯噪声处理。进一步,zk’可以重写为
定义用户i的干扰加噪声协方差为
基于此,定义用户i的接收信号协方差为
假设用户i可以获知Ri,其遍历速率可以写为
在逐基站功率约束下,多小区协作大规模MIMO加权遍历和速率最大化的预编码设计问题可以写为
3、逐基站功率约束的虚拟MIMO加权遍历和速率最大化问题
对于全服务策略,有用户i的接收信号(13)变为
对于用户i,将每个基站看作一个输入点,将不同基站到用户i的信道矩阵以及预编码矩阵分别堆叠为:
Hi=[Hi,1,Hi,2,...,Hi,B] (22)
和
用户i的接收信号(21)可以重写为
类似的,累积干扰加噪声(15)可以重写为
用户i的干扰加噪声协方差(16)可以重写为
用户i的接收信号协方差(17)可以重写为
进一步考虑所有用户,则多小区系统可以转化为虚拟MIMO系统。定义Qj为M×M维的块对角矩阵,每块为Mt×Mt维的矩阵,且只有第j个对角块矩阵为单位阵,其余为零矩阵。逐基站功率约束的多小区协作大规模MIMO加权遍历和速率最大化问题(19)可转化为逐基站功率约束的虚拟MIMO加权遍历和速率最大化问题
4、满足逐基站功率约束的黎曼子流形上的加权遍历和速率最大化问题
在矩阵流形优化框架内,复向量空间可以被认为是一矩阵流形。则在该流形任意一点Pi处的切空间有
对于任意的切向量定义黎曼测度:
则是一个黎曼流形。进一步,定义
则P可以认为是积流形上的一点。积流形在Pi处的切空间可以表示为
定义积流形上的积测度为
对于积流形上P处的切向量
和
积测度可以具体表示为
定义集合
以及上的黎曼测度/>可以证明,/>为一黎曼子流形。令
基于此,逐基站功率约束的虚拟MIMO加权遍历和速率最大化问题(28)可转化为满足逐基站功率约束的黎曼子流形上的加权遍历和速率最大化问题
5、迭代求解满足逐基站功率约束的黎曼子流形上的加权遍历和速率的替代函数的最大化问题
通过矩阵流形上的minorization-maximization(MM)算法可以将所述满足逐基站功率约束的黎曼子流形上的加权遍历和速率最大化问题转化为迭代求解满足逐基站功率约束的黎曼子流形上的加权遍历和速率的替代函数的最大化问题。MM算法的关键是找出在/>上每一点都最小化加权遍历和速率的替代函数。
定义为第d次迭代中Pi的值。进一步,定义
则函数
在P(d)点最小化目标函数f(P),即存在
g(P|P(d))≤f(P),g(P(d)|P(d))=f(P(d))
易知,(48)在上任意的一点P(d)都最小化目标函数f(P)。
在矩阵流形上的MM算法框架下,建立MM子问题:
问题(49)中给出的预编码矩阵序列的极限点是原优化问题(39)的一个局部最大值点。求解满足逐基站功率约束的黎曼子流形上的加权遍历和速率最大化问题(39)转化为迭代求解满足逐基站功率约束的黎曼子流形上的加权遍历和速率的替代函数的最大化问题(49)。
6在不同基站间交替求解满足逐基站功率约束的黎曼子流形上的加权遍历和速率的替代函数的最大化问题
将复空间作为一矩阵流形,则任意点/>处的切空间为
对于任意的切向量定义黎曼测度:
则是一黎曼流形。进一步,定义
则可以认为是积流形/>上的一点。积流形在/>处的切空间可以表示为
定义积流形上的积测度为
对于积流形上/>处的切向量
和
积测度可以具体表示为
则是一黎曼流形。可以证明,满足功率约束的预编码集合
是的一个子流形。进一步,定义
则可以被认为是积流形
上的一点。在上定义积测度:
其中则/>是一黎曼流形。以/>为变量,定义
则显然有对于MtB×MtB维的矩阵/>,我们将其重写为B×B维的分块矩阵:
其中每一块矩阵的维度为Mt×Mt。表示/>在第m块行,第n块列的块矩阵。
类似地,重写矩阵为
表示/>在第m块行,第n块列的块矩阵。定义函数
在黎曼流形上建立问题:
将问题(66)的解表示为
通过矩阵变换,将重新整理成流形/>上的点的形式
其中
则P°是问题(49)的解。
在黎曼块坐标下降法框架内,给定下次迭代的预编码值可以由
来确定,其中
在中,用上角标(k)表示黎曼块坐标下降法过程中的迭代次数序号,以此区别MM过程的迭代序号(d)。式(70)(71)表明在第k次迭代中,只有第k个基站的预编码更新,其他基站预编码保持不变。定义
函数在黎曼流形/>上的黎曼梯度为
其中
在每次黎曼块坐标下降法中,替代函数都在第j个因子流形上被最大化。特别地,黎曼块坐标下降法每次选择具有最大黎曼梯度范数的因子流形
/>
进行优化。式(77)表明不同基站的预编码在随着迭代次序k交替更新。令得到
其中可以由二分法求得。当黎曼块坐标下降法收敛后,式(78)就是问题(66)的解。
综上所述,多小区协作鲁棒预编码,全服务策略预编码设计的步骤如下:
步骤1:设d=0,随机生成预编码矩阵P(d),并将其进行归一化以满足能量约束;
步骤2:根据式(44)计算
步骤3:根据式(40)、(41)、(42)和(43)分别计算以及/>即更新替代函数;
步骤4:设k=0,根据P(d)初始化
步骤5:根据式(77)确定黎曼块坐标下降法中的块标号j;
步骤6:根据式(78)更新式(71)更新/>即更新各基站的预编码,并设k=k+1;
重复步骤5-6直至收敛;
步骤7:根据式(69)使用更新P(d+1),并设d=d+1。
重复步骤2-7直至P(d)收敛。
二、部分服务策略预编码设计
部分服务策略的预编码设计问题可以写为:
可以证明,
是上的一个黎曼子流形。基于此,问题(79)可以转换黎曼子流形/>与/>的交集上的上的无约束问题
可以证明问题(83)的解满足条件/>
从上述最优条件可以看出,部分服务策略预编码最优结构可以由全服务策略预编码的最优结构表示。通过与全服务策略相似的推导过程,可以得到部分服务策略预编码的迭代表达式:
综上,多小区协作鲁棒预编码,部分服务策略预编码设计的步骤如下:
步骤1:设d=0,随机生成预编码矩阵P(d),并将其进行归一化以满足能量约束;
步骤2:根据式(44)计算
步骤3:根据式(40)、(41)、(42)和(43)分别计算以及/>即更新替代函数;
步骤4:设k=0,根据P(d)初始化
步骤5:根据式(77)确定黎曼块坐标下降法中的块标号j;
步骤6:根据式(86)、式(87)更新式(71)更新/>即更新各基站的预编码,并设k=k+1;
重复步骤5-6直至收敛;
步骤7:根据式(69)使用更新P(d+1),并设d=d+1。
重复步骤2-7直至P(d)收敛。
三、实施效果
为了使本技术领域的人员更好地理解本发明方案,下面给出具体系统配置下的本实施例中运用多小区协作大规模MIMO鲁棒预编码传输的遍历和速率性能展示以及不同分布式处理性能展示。仿真环境使用QuaDRiGa生成。系统配置为基站数为K=3,每个基站配备Mt=128跟天线的大规模MIMO系统,其中Mv=8,Mh=16。系统内用户总数U为60,每个用户配备Mr=2的均匀线阵。简便起见,所有用户的移动速度设为相同。为了测试部分服务策略预编码性能,我们按照如下方法生成每个用户i的服务集定义
来量化基站j到用户i的信道的强弱。进一步,定义
φ(i,j),(i,m)=φi,j-φi,m (89)来量化基站j和基站m到用户i的信道的强弱的差值。每个用户i至少被基站
服务。进一步,每个用户的服务集定义为
图3给出了分别为30、60、120公里每小时情况下的采用不同预编码的系统的平均和速率性能对比,包括:非合作鲁棒(non-cooperate robust,NCR)预编码,协同鲁棒(coordinate beamforming robust,CBFR)预编码,协作鲁棒部分服务策略(jointtransmission robust partial service,JTR-PS)预编码,协作鲁棒全服务策略(jointtransmission robust full service,JTR-FS)预编码。图中,纵坐标表示每个基站的平均和速率,横坐标表示基站发射功率;从图中可以看出,在各种用户移动速率情况下,JTR性能都要优于CBFR和NCR。
需要说明的是上述实施例仅仅是本发明的较佳实施例,并没有用来限定本发明的保护范围,在上述技术方案的基础上做出的等同替换或者替代,均属于本发明的保护范围。
Claims (9)
1.多小区协作大规模MIMO鲁棒预编码设计方法,其特征在于,预编码设计方法包括以下步骤:
(1)建立各用户的基于精细化波束的后验信道模型,并据此建立逐基站功率约束的多小区协作大规模MIMO加权遍历和速率最大化问题;
(2)将逐基站功率约束的多小区协作大规模MIMO加权遍历和速率最大化问题转化为逐基站功率约束的虚拟MIMO加权遍历和速率最大化问题;
(3)将逐基站功率约束的虚拟MIMO加权遍历和速率最大化问题转化为满足逐基站功率约束的黎曼子流形上的加权遍历和速率最大化问题;
(4)在MM算法框架内,将求解满足逐基站功率约束的黎曼子流形上的加权遍历和速率最大化问题转化为迭代求解满足逐基站功率约束的黎曼子流形上的加权遍历和速率的替代函数的最大化问题;
(5)在黎曼块坐标下降法框架内,在不同基站间交替求解满足逐基站功率约束的黎曼子流形上的加权遍历和速率的替代函数的最大化问题,得到多小区协作大规模MIMO鲁棒预编码迭代设计;
在黎曼块坐标下降法框架内不同基站间交替求解满足逐基站功率约束的黎曼子流形上的加权遍历和速率的替代函数的最大化问题包括以下步骤:
A、对于每一用户,将其预编码矩阵分解为各基站对该用户的预编码矩阵,相应地,将加权遍历和速率的替代函数重构为以各基站对每一用户的预编码矩阵为变量的形式;
B、在矩阵流形优化框架内,对于每个基站,将满足该基站功率约束的各用户预编码矩阵集合视为一个因子流形,计算重构后加权遍历和速率的替代函数在每个因子流形上的黎曼梯度,选出具有最大梯度范数的因子流形;
C、固定除具有最大梯度范数的因子流形以外的其他因子流形上的预编码矩阵,求解重构后加权遍历和速率的替代函数的最大化问题,也即在该因子流形上求解加权遍历和速率的替代函数的最大化问题;
D、重复步骤A-C直至加权遍历和速率收敛或达到指定迭代次数。
2.根据权利要求1所述的多小区协作大规模MIMO鲁棒预编码设计方法,其特征在于,基于精细化波束的后验信道模型等于信道估计与基于精细化波束的统计信道信息的加权和。
3.根据权利要求2所述的多小区协作大规模MIMO鲁棒预编码设计方法,其特征在于,基于精细化波束的统计信道信息等于用户侧包含接收舵矢量的矩阵乘以精细化波束域信道矩阵乘以基站侧包含发射舵矢量的矩阵。
4.根据权利要求3所述的多小区协作大规模MIMO鲁棒预编码设计方法,其特征在于,精细化波束域信道矩阵等于精细化波束域信道幅度矩阵乘以独立同分布复高斯随机变量组成的随机矩阵,且该随机矩阵的元素为零均值单位方差。
5.根据权利要求1所述的多小区协作大规模MIMO鲁棒预编码设计方法,其特征在于,对于一个用户,将每个基站看作一个输入点,进一步考虑所有用户,多小区系统可转化为虚拟MIMO系统。
6.根据权利要求1所述的多小区协作大规模MIMO鲁棒预编码设计方法,其特征在于,在矩阵流形优化框架内,将满足逐基站功率约束的各用户的预编码矩阵集合视为欧式空间的黎曼子流形,则建立在欧式空间中的逐基站功率约束的虚拟MIMO加权遍历和速率最大化问题可转化为满足逐基站功率约束的黎曼子流形上的加权遍历和速率最大化问题。
7.根据权利要求1所述的多小区协作大规模MIMO鲁棒预编码设计方法,其特征在于,加权遍历和速率的替代函数在满足逐基站功率约束的黎曼子流形上的每一点都最小化加权遍历和速率。
8.根据权利要求1所述的多小区协作大规模MIMO鲁棒预编码设计方法,其特征在于,多小区协作大规模MIMO鲁棒预编码迭代设计包括两层迭代:在外迭代中,根据各用户的预编码矩阵更新加权遍历和速率的替代函数;在内迭代中,根据加权遍历和速率的替代函数,交替更新各基站的预编码。
9.根据权利要求1所述的多小区协作大规模MIMO鲁棒预编码设计方法,其特征在于,所述预编码设计为全服务策略或部分服务策略,部分服务策略的预编码设计方法通过扩展全服务策略获得,具体地,在任一属于某一基站服务组的任一用户的全服务策略预编码迭代式中,将不属于用户服务集群的基站的预编码置零即可得到部分服务策略的预编码迭代表达式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210608181.0A CN115001547B (zh) | 2022-05-31 | 2022-05-31 | 多小区协作大规模mimo鲁棒预编码设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210608181.0A CN115001547B (zh) | 2022-05-31 | 2022-05-31 | 多小区协作大规模mimo鲁棒预编码设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115001547A CN115001547A (zh) | 2022-09-02 |
CN115001547B true CN115001547B (zh) | 2024-02-23 |
Family
ID=83031228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210608181.0A Active CN115001547B (zh) | 2022-05-31 | 2022-05-31 | 多小区协作大规模mimo鲁棒预编码设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115001547B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113452427A (zh) * | 2021-08-30 | 2021-09-28 | 东南大学 | 多小区协同大规模mimo鲁棒预编码设计与分布式处理方法 |
CN113676225A (zh) * | 2020-05-15 | 2021-11-19 | 华为技术有限公司 | 一种大规模mimo预编码传输方法与装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8385454B2 (en) * | 2009-09-09 | 2013-02-26 | Nec Laboratories America, Inc. | Robust linear precoder designs for multi-cell downlink transmission |
-
2022
- 2022-05-31 CN CN202210608181.0A patent/CN115001547B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113676225A (zh) * | 2020-05-15 | 2021-11-19 | 华为技术有限公司 | 一种大规模mimo预编码传输方法与装置 |
CN113452427A (zh) * | 2021-08-30 | 2021-09-28 | 东南大学 | 多小区协同大规模mimo鲁棒预编码设计与分布式处理方法 |
Non-Patent Citations (2)
Title |
---|
Robust Precoding for 3D Massive MIMO with Riemanian Manifold Optimization;Chen Wang et al.;2022 IEEE Wireless Communications and Networking Conference(WCNC);20220413;全文 * |
大规模MIMO下行预编码技术;高西奇等;中兴通讯技术;20160421;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115001547A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109151975B (zh) | 一种时分双工大规模mimo系统的联合动态导频和数据功率分配方法 | |
CN110430150B (zh) | 一种基于神经网络的蜂窝移动通信系统接收机设计方法 | |
CN109714091B (zh) | 一种在毫米波mimo系统中基于分层设计的迭代混合预编码方法 | |
CN110881010B (zh) | 统计csi辅助的多用户noma下行传输方法 | |
Ivanov et al. | Smart sorting in massive MIMO detection | |
CN113452427B (zh) | 多小区协同大规模mimo鲁棒预编码设计与分布式处理方法 | |
Shi et al. | Vertical federated learning over cloud-RAN: Convergence analysis and system optimization | |
CN115001547B (zh) | 多小区协作大规模mimo鲁棒预编码设计方法 | |
CN115865148B (zh) | 一种非理想信道下的去蜂窝mimo鲁棒性波束赋形方法 | |
CN109787672B (zh) | 基于参数学习的大规模mimo格点偏移信道估计方法 | |
CN105429687B (zh) | 一种最小化干扰功率与维度的干扰对齐方法 | |
CN107346985B (zh) | 一种结合发射天线选择技术的干扰对齐方法 | |
Cui et al. | Federated edge learning for the wireless physical layer: Opportunities and challenges | |
CN107733487B (zh) | 一种大规模多输入多输出系统的信号检测方法及装置 | |
Yin et al. | Adaptive channel estimation and tracking for URA-based massive MIMO systems | |
CN113839696B (zh) | 一种在线鲁棒的分布式多小区大规模mimo预编码方法 | |
Zhao et al. | Decentralized linear MMSE equalizer under colored noise for massive MIMO systems | |
Liu et al. | A distributed detection algorithm for uplink massive MIMO systems | |
Chen et al. | DDL-based sparse channel representation and estimation for downlink FDD massive MIMO systems | |
Han et al. | Computational resource constrained multi-cell joint processing in cloud radio access networks | |
Zhao et al. | Learning beamforming for RIS-aided systems with permutation equivariant graph neural networks | |
Mukubwa et al. | Analysis of Channel Estimation Performance in MPC-RAN: Improved MMSE and Compressed Data Techniques | |
CN110392005A (zh) | 基于issor_pcg的低复杂度大规模mimo系统的信道估计方法 | |
Xia et al. | Sparse beamforming for an ultradensely distributed antenna system with interlaced clustering | |
Lu et al. | Joint precoder and decoder design in downlink multi-user MIMO C-RAN with imperfect CSI |
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 |