CN115967419A - 基于遗传算法的去蜂窝大规模mimo系统上行叠加导频传输方法 - Google Patents
基于遗传算法的去蜂窝大规模mimo系统上行叠加导频传输方法 Download PDFInfo
- Publication number
- CN115967419A CN115967419A CN202211554699.7A CN202211554699A CN115967419A CN 115967419 A CN115967419 A CN 115967419A CN 202211554699 A CN202211554699 A CN 202211554699A CN 115967419 A CN115967419 A CN 115967419A
- Authority
- CN
- China
- Prior art keywords
- pilot
- total
- uplink
- rate
- pilot frequency
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于遗传算法的去蜂窝大规模MIMO系统上行叠加导频传输方法,包括:在去蜂窝大规模MIMO系统中,建立上行链路叠加导频传输模型,得到基于LMMSE准则的信道估计并建立性能解析分析方法,推导出系统上行链路总速率闭式表达式;以每个UE的导频‑信息功率均衡因子为待优化变量,建立以总速率最优化为目标函数的优化问题;设计相应的遗传算法,求解该非凸问题;UE根据求得的功率均衡因子在后续若干个连续传输块内调整其分配给导频和数据信号的发射功率,实现优化目标。本发明考虑了UE功率均衡因子优化机制对系统总速率的影响,同采用等功率均衡因子的传输方案相比,本发明设计的传输方法可以大幅提升系统总速率,具有广泛的使用价值及应用前景。
Description
技术领域
本发明涉及上行链路频谱效率优化方法,具体涉及一种基于遗传算法的去蜂窝大规模MIMO系统上行叠加导频传输方法。
背景技术
同基于蜂窝架构的5G大规模MIMO(Multiple-Input Multiple-Output)技术相比,去蜂窝大规模MIMO技术更强调以用户(User Equipment,UE)为中心。当某一UE请求服务时,该区域内的所有接入点(Access Point,AP)都能为其提供服务,这消除了区间干扰并解决了小区边缘UE性能较差的问题。鉴于其具有高频谱效率且低成本、易部署等优势,去蜂窝大规模MIMO被视为未来6G通信系统中一项有前景的关键技术。
在目前有关去蜂窝大规模MIMO系统的研究中,大多数文献都假设导频和上行载荷数据是在不同的时隙内进行传输的,即常规导频传输方案。通常在一个传输块内,导频传输所占用的时隙数要远远小于有效信息传输所占用的时隙数。在这种情况下,可用的导频数目往往小于UE数目,从而引起较严重的导频污染。针对该问题,一个有效的解决方案是UE同时传输导频和信息数据,即采用叠加导频传输方案。虽然已有文献针对该方案下的系统性能进行了分析和验证,但这些文献都假设所有UE的导频-信息功率均衡因子均相同,即所有UE分配给导频和信息的功率都相同。考虑到不同UE的信道传播质量不同,显然这种等功率均衡因子方案无法获得最优的系统总速率。由于以该因子作为自变量建立的总速率最优化问题是非凸的,其最优解很难在多项式时间内求得,因此,亟需设计一种高效的导频-信息功率均衡因子优化方法,并基于得出的功率均衡因子进行叠加导频传输,以期提高系统性能。
发明内容
发明目的:为了克服现有技术的不足,本发明提供一种基于遗传算法的去蜂窝大规模MIMO系统上行叠加导频传输方法,该方法较好地解决了系统总速率不佳的技术问题。
技术方案:本发明所述的一种基于遗传算法的去蜂窝大规模MIMO系统上行叠加导频传输方法,包括以下步骤:
(1)在去蜂窝大规模MIMO系统下,建立上行链路叠加导频传输模型,利用线性最小均方误差(Linear Minimum Mean Square Error,LMMSE)准则得出信道估计;
(2)基于LMMSE信道估计设计解码器,建立性能解析分析方法并推导出系统上行链路总速率闭式表达式;并将每个UE的导频-信息功率均衡因子看作待优化变量,以系统总速率最优化为目标函数建立优化问题,该问题是一个非凸问题;
(3)利用遗传算法设计所述非凸问题的求解方法,从而达到系统总速率最优化;
(4)在后续若干个连续传输块内,UE根据步骤(3)得到的导频-信息功率均衡因子调整其分配给导频和数据信号的发射功率。
进一步地,步骤(1)包括:
假设所有UE同时向AP发射导频和数据信号,APm收到的叠加信号可建模为:
其中,m=1,2,…,M,k=1,2,…,K,gmk为APm和第k个UE即UEk之间的信道矢量,Pu为每个UE的总发射功率,κk、和sk分别为UEk的导频-信息功率均衡因子、导频信号和数据信号,上标H表示共轭转置运算符,此外,为高斯白噪声矩阵,其中,表示复数域,N为AP的天线数,τ为导频/单个传输块长度,K为UE的总数,M为AP的总数。
进一步地,所述步骤(1)还包括:
基于Ym并利用LMMSE准则,信道gmk的LMMSE估计为:
其中,βmk表示APm和UEk之间的大尺度衰落系数,表示与UEk使用相同导频的所有UE的下标集合,σ2则表示高斯白噪声功率,βmk'表示APm和UEk’之间的大尺度衰落系数,k'为不同于k的其他UE,κk'为UEk’的导频-信息功率均衡因子。
进一步地,所述步骤(2)包括:
进一步地,所述步骤(2)还包括:
以总速率最优化为目标,且以UE的导频-信息功率均衡因子为自变量的优化问题可建模为:
其中,约束C1要求UEk的最低数据发射功率大于0且最高数据发射功率小于Pu。
进一步地,所述步骤(3)包括以下步骤:
S2计算系统总速率:将不同的κ代入所述步骤(2)中的目标函数中,分别计算出对应于不同κ的系统总速率;
S3选择:依照“轮盘赌法”原则进行个体选则,即总速率越高的个体越容易被选择。选择后的种群大小与原始种群大小相同;
S4交叉:相邻两个体之间进行交叉运算。进行交叉时,首先生成一个随机数并判断该随机数是否小于设定的交叉概率。若成立,依据该随机数产生分割点,相邻两个体在分割点前后互换二进制片段,产生两个新个体;
S5变异:针对单个体,生成一个随机数并判断该随机数是否小于设定的变异概率。若成立,依据该随机数产生变异点,对该个体的二进制片段进行取反操作,生成新个体;
S6淘汰:设定淘汰速率门限值,即如果某个体对应的总速率低于该门限值,则用对应总速率最好的个体替换该个体;
S8若不成立,令i=i+1,重复步骤S2-S8;
S9若成立,令κopt=κ(i);
S10输出最佳的个体κopt,该矢量即为基于遗传算法的最优UE导频-信息功率均衡因子组合。
进一步地,所述步骤(4)包括:
中央处理器(Central Processing Unit,CPU)将计算好的κopt经前传网络反馈给UE,UE依据κopt在后续若干个传输块内调整分配给导频和数据的发射功率,实现优化目标。
有益效果:
本发明与现有技术相比,其显著优点是:本发明首先在叠加导频传输模型和不同的UE采用不同的导频-信息功率均衡因子的前提下推导出基于MRC接收机的上行总速率闭式表达式;接着,考虑UE的导频-信息功率均衡因子约束,提出以总速率最优化为目标的优化问题,该问题是一个非凸问题;针对该问题,采用遗传算法求解出原始优化问题的最优解。本发明设计的传输方法考虑了导频-信息功率均衡因子优化机制对总速率的影响,同采用等功率均衡因子的传输方案相比,本发明设计的传输方法可使系统总速率大幅提升,具有广泛的使用价值及应用前景。
附图说明
图1为本发明实施例所述的传输方法流程图;
图2为本发明实施例所述的系统总速率和功率均衡因子之间的关系图;
图3为本发明实施例所述的系统总速率和AP数目之间的关系图;
图4为本发明实施例所述的系统总速率和UE数目之间的关系图。
具体实施方式
下面对本发明技术方法进行详细说明。
本发明主要技术问题是提出了一种基于遗传算法的去蜂窝大规模MIMO系统上行叠加导频传输方法,所设计的传输方法可以动态地调整每个UE分配给其导频和信息数据的功率,从而达到优化系统总速率的目的。以下结合说明书附图对本发明创造作进一步的详细说明。
如图1所示,步骤(1):建立上行链路叠加导频传输模型并推导出LMMSE信道估计。
本发明研究去蜂窝规模MIMO系统上行链路,所考虑的去蜂窝规模MIMO系统具有M个AP,K个UE和1个CPU,每个AP配备N根天线,而每个UE配备单根天线。
假设整个系统工作在时分双工模式下,并假设所有UE同时向AP发射导频和数据信号,APm收到的叠加信号可建模为:
其中,m=1,2,…,M,k=1,2,…,K,gmk为APm和UEk之间服从瑞利分布的信道矢量,Pu为每个UE的总发射功率,κk、和sk分别为UEk的导频-信息功率均衡因子、导频信号和数据信号,上标H表示共轭转置运算符,此外,为高斯白噪声矩阵,其中表示复数域,N为AP的天线数,τ为导频/单个传输块长度。
基于Ym并利用LMMSE准则估计信道,得出信道gmk的LMMSE估计表达式为:
在有关去蜂窝大规模MIMO系统速率闭式表达式的推导过程中,通常采用UatF技术推导出系统下行速率的闭式表达式。基于步骤(1)中给出的叠加导频数据传输模型,可推导出系统总速率表达式为:
以总速率最优化为目标,且以UE的导频-信息功率均衡因子为自变量的优化问题可建模为:
其中,约束C1要求UEk的最低数据发射功率大于0且最高数据发射功率应小于Pu。显然该问题是一个非凸问题,难以在多项式时间内求得其最优解。虽然可采用穷举法求解出优化问题的最优解,但是这种方法带来的时间复杂度极高,不适合在去蜂窝大规模MIMO系统中采用。考虑到遗传算法具有适应性强、效率高的优点,本发明将借助该算法思路来设计叠加导频传输方法。
遗传算法的核心是如何设计适应度以及选择、交叉、编译和淘汰机制,通过迭代进行这些步骤,可以求得原始问题的一个最优解。
具体地,步骤(3)中设计的遗传算法详细步骤为:
Step 1:初始化种群。初始化迭代次数i=0,以约束C1为限定条件,随机选定若干初始解κ(0);采用二进制编码原则对每一个UE的功率均衡因子进行编码,编码后的κ(0)称为一个个体,设定最大迭代次数为
Step 2:计算系统总速率。将不同的κ代入所述步骤(2)中的目标函数中,分别计算出对应于不同κ的系统总速率;
Step 3:选择。依照“轮盘赌法”原则进行个体选则,即总速率越高的个体越容易被选择。选择后的种群大小与原始种群大小相同;
Step4:交叉。相邻两个体之间进行交叉运算。进行交叉时,首先生成一个随机数并判断该随机数是否小于设定的交叉概率。若成立,依据该随机数产生分割点,相邻两个体在分割点前后互换二进制片段,产生两个新个体;
Step5:变异。针对单个体,生成一个随机数并判断该随机数是否小于设定的变异概率。若成立,依据该随机数产生变异点,对该个体的二进制片段进行取反操作,生成新个体;
Step6:淘汰。设定淘汰速率门限值,即如果某个体对应的总速率低于该门限值,则用对应总速率最好的个体替换该个体;
Step8:若不成立,令i=i+1,重复步骤(Step2)-(Step8);
Step9:若成立,令κopt=κ(i);
Step10:输出最佳的个体κopt,该矢量即为基于遗传算法的最优UE导频-信息功率均衡因子组合。
步骤(4):利用求得的κopt设计叠加导频传输方案。
在后续若干个连续传输块内,CPU将计算好的κopt经前传网络反馈给UE,UE依据κopt调整其分配给导频和数据信号的发射功率,实现优化目标。
以下结合仿真实验对本发明的技术方案性能进行进一步说明。
图2给出了系统总速率在等功率均衡因子方案下与功率均衡因子的关系图,其中横坐标为UE导频-信息功率均衡因子,纵坐标为系统总速率。本发明所设计算法下的系统总速率也在图2中给出。仿真参数设置为M=60,N=4,τ=20,B=20MHz,σ2=-126dBw,Pu=1W,,交叉概率为60%,变异概率为2%,种群内的个体数量为30,二进制编码长度为10。如图2所示,对于K=20和K=30的去蜂窝大规模MIMO系统来说,等功率均衡因子方案下的系统总速率随着功率均衡因子的增大呈现出先增大后减小的趋势,且最优值均出现在κ较小的情况下。然而这些最优值都显著低于本发明所设计算法下的系统总速率。
图3给出了系统总速率在不同的功率均衡因子方案下与AP数目的关系图。值得注意的是,图3中等功率均衡因子方案下的系统总速率对应于其可实现的最优值。如图3所示,与等功率均衡因子方案相比,本发明提出的传输方法可以显著提升系统总速率。具体来说,当M=50和N=4时,本发明提出的传输方法使得等功率均衡因子方案下的总速率改善了约8.5%。此外,还可发现随着AP天线数目的增多,等功率均衡因子方案和本发明设计的传输方法下的系统总速率都得到了提升。
图4给出了系统总速率在不同的功率均衡因子方案下与UE数目的关系图。图4中仿真参数的取值同图3中的仿真参数的取值相同。可以发现,对于具有不同UE数目的去蜂窝大规模MIMO系统,同等功率均衡因子方案相比,本发明提出的传输方法均可大幅提升系统总速率。结合图2和图3中得到的结论,可以发现本发明设计的传输方法具有较高的实用性。
虽然本发明仅考虑了去蜂窝大规模MIMO系统上行叠加导频传输方法下的UE功率均衡因子的优化问题,但本发明也为同领域内其他优化问题提供了参考。可以以此为依据进行拓展延伸,运用于同领域内其他算法的技术方案中,具有十分广阔的应用前景。
Claims (5)
1.一种基于遗传算法的去蜂窝大规模MIMO系统上行叠加导频传输方法,其特征在于,该方法包括以下步骤:
(1)在去蜂窝大规模MIMO系统下,建立上行链路叠加导频传输模型,利用LMMSE准则得出信道估计;
(2)基于LMMSE信道估计设计解码器,建立性能解析分析方法并推导出系统上行链路总速率闭式表达式,并将每个UE的导频-信息功率均衡因子看作待优化变量,以系统总速率最优化为目标函数建立优化问题,该优化问题是一个非凸问题;
(3)利用遗传算法设计所述非凸问题的求解方法,从而达到系统总速率最优化,进而得到最优的导频-信息功率均衡因子;
(4)UE根据所述最优的导频-信息功率均衡因子在后续若干个连续传输块内调整分配给导频和数据信号的发射功率。
2.根据权利要求1所述的基于遗传算法的去蜂窝大规模MIMO系统上行叠加导频传输方法,其特征在于,步骤(1)包括:
假设所有UE同时向AP发射导频和数据信号,第m个AP即APm收到的叠加信号建模为:
其中,m=1,2,…,M,k=1,2,…,K,gmk为APm和第k个UE即UEk之间的信道矢量,Pu为每个UE的总发射功率,κk、和sk分别为UEk的导频-信息功率均衡因子、导频信号和数据信号,上标H表示共轭转置运算符,此外,为高斯白噪声矩阵,表示复数域,N为AP的天线数,τ为导频/单个传输块长度,K为UE的总数,M为AP的总数;
基于Ym并利用LMMSE准则,信道gmk的LMMSE估计为:
3.根据权利要求2所述的基于遗传算法的去蜂窝大规模MIMO系统上行叠加导频传输方法,其特征在于,步骤(2)包括:
接下来,以系统总速率最优化为目标,且以UE的导频-信息功率均衡因子为自变量的优化问题建模为:
其中,约束C1要求UEk的最低数据发射功率大于0且最高数据发射功率小于Pu。
4.根据权利要求3 所述的基于遗传算法的去蜂窝大规模MIMO系统上行叠加导频传输方法,其特征在于,所述步骤(3)包括以下步骤:
S2计算系统总速率:将不同的κ代入步骤(2)中的目标函数中,分别计算出对应于不同κ的系统总速率;
S3选择:依照“轮盘赌法”原则进行个体选则,即总速率越高的个体越容易被选择,选择后的种群大小与原始种群大小相同;
S4交叉:相邻两个体之间进行交叉运算;进行交叉时,首先生成一个随机数并判断该随机数是否小于设定的交叉概率;若成立,依据该随机数产生分割点,相邻两个体在分割点前后互换二进制片段,产生两个新个体;
S5变异:针对单个体,生成一个随机数并判断该随机数是否小于设定的变异概率;若成立,依据该随机数产生变异点,对该个体的二进制片段进行取反操作,生成新个体;
S6淘汰:设定淘汰速率门限值,即如果某个体对应的总速率低于该门限值,则用对应总速率最好的个体替换该个体;
S8若不成立,令i=i+1,重复步骤S2-S8;
S9若成立,令κopt=κ(i);
S10输出最佳的个体κopt,该矢量即为基于遗传算法的最优UE导频-信息功率均衡因子组合。
5.根据权利要求4所述的基于遗传算法的去蜂窝大规模MIMO系统上行叠加导频传输方法,其特征在于,步骤(4)包括:
CPU将计算好的κopt经前传网络反馈给UE,UE依据κopt在后续若干个连续传输块内调整其分配给导频和数据的发射功率,实现优化目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211554699.7A CN115967419A (zh) | 2022-12-06 | 2022-12-06 | 基于遗传算法的去蜂窝大规模mimo系统上行叠加导频传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211554699.7A CN115967419A (zh) | 2022-12-06 | 2022-12-06 | 基于遗传算法的去蜂窝大规模mimo系统上行叠加导频传输方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115967419A true CN115967419A (zh) | 2023-04-14 |
Family
ID=87351912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211554699.7A Pending CN115967419A (zh) | 2022-12-06 | 2022-12-06 | 基于遗传算法的去蜂窝大规模mimo系统上行叠加导频传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115967419A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117856835A (zh) * | 2024-03-06 | 2024-04-09 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于低分辨率adc的去蜂窝大规模mimo系统资源分配方法 |
-
2022
- 2022-12-06 CN CN202211554699.7A patent/CN115967419A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117856835A (zh) * | 2024-03-06 | 2024-04-09 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于低分辨率adc的去蜂窝大规模mimo系统资源分配方法 |
CN117856835B (zh) * | 2024-03-06 | 2024-07-02 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于低分辨率adc的去蜂窝大规模mimo系统资源分配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2775633B1 (en) | Distributed computation of precoding weights for coordinated multipoint transmission on the downlink | |
US6987819B2 (en) | Method and device for multiple input/multiple output transmit and receive weights for equal-rate data streams | |
CN107453795B (zh) | 多用户毫米波通信系统的波束分配方法及其装置和系统 | |
CN104702390A (zh) | 分布式压缩感知信道估计中的导频分配方法 | |
US20100246715A1 (en) | Wireless communication method and apparatus | |
Nandan et al. | Beamforming and power optimization for physical layer security of MIMO-NOMA based CRN over imperfect CSI | |
CN115021846B (zh) | 去蜂窝大规模mimo下行链路频谱效率和能量效率均衡优化方法 | |
US6999538B2 (en) | Dynamic diversity combiner with associative memory model for recovering signals in communication systems | |
Wen et al. | Message passing algorithm for distributed downlink regularized zero-forcing beamforming with cooperative base stations | |
CN113613268A (zh) | 下行时间反转非正交多址接入系统的设计与优化方法 | |
CN115967419A (zh) | 基于遗传算法的去蜂窝大规模mimo系统上行叠加导频传输方法 | |
Demir et al. | Cell-free massive MIMO with large-scale fading decoding and dynamic cooperation clustering | |
Li et al. | On the optimal energy efficiency and spectral efficiency trade-off of CF massive MIMO SWIPT system | |
Jolly et al. | An analysis on rate-splitting multiple access for IRS aided 6G communication | |
WO2011143000A1 (en) | Multiple antenna method for reducing inter-cell interference in multi-user wireless systems | |
Garg et al. | Partially loaded superimposed training scheme for large MIMO uplink systems | |
Albataineh | Blind decoding of massive MIMO uplink systems based on the higher order cumulants | |
Pascual-Iserte et al. | An approach to optimum joint beamforming design in a MIMO-OFDM multiuser system | |
CN101621357B (zh) | Mimo通信系统及其方法 | |
Jung et al. | Access point selection schemes for cell-free massive MIMO UDN systems | |
US11540308B2 (en) | Apparatus and method for scheduling in wireless communication system using sliding window superposition coding scheme | |
Köse et al. | Contemporary Approaches to Mitigate Pilot Contamination in Massive Mimo Systems | |
Kiani et al. | Power-optimal distributed beamforming for multi-carrier asynchronous bidirectional relay networks | |
Akhlaghpasand et al. | Adaptive pilot decontamination in multi-cell massive MIMO networks | |
Nguyen et al. | Uplink Training with Pilot Optimization for Multicell Massive MIMO 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 |