CN116707687B - 一种去蜂窝大规模mimo系统的信道预测方法 - Google Patents

Abstract

本发明公开了一种去蜂窝大规模MIMO系统的信道预测方法，所述方法包括：基于莱斯平坦衰落信道下的去蜂窝大规模MIMO系统，建立信道老化下的信道模型；基于所述信道模型给出接入点AP接收到的上行训练数据表达式；基于^p阶有限长脉冲响应维纳滤波器，将上行训练数据表达式接收的上行信道训练数据作为滤波器输入，通过最小化实际信道与预测信道之间的均方误差，求解信道预测因子，输出预测的信道；本发明利用以前的信道状态信息来预测当前信道，不仅没有额外增加用于信道估计的导频开销，将预测的信道用于数据传输阶段，还有效抑制了终端移动引起的信道老化效应，提升了用户的频谱效率，改善了系统性能。

Description

一种去蜂窝大规模MIMO系统的信道预测方法

技术领域

本发明涉及一种去蜂窝大规模MIMO系统的信道预测方法，属于通信技术领域。

背景技术

去蜂窝大规模MIMO系统通过将大量装配一个或多个天线阵列的接入点随机分配在用户周围，较传统蜂窝网络架构相比，极大地缩短了基站与用户之间的通信距离，降低了数据在传播过程中的路径损耗。另外，大量地天线也带来了可观的宏分集增益和空间复用增益，有效抑制了一部分用户间干扰，实现了均匀的服务质量。因此，依赖于这些优点，去蜂窝大规模MIMO系统近几年成为通信领域的热点之一，研究人员对其进行了大量研究。

值得注意的是，现有的大部分关于去蜂窝大规模MIMO系统的研究，都假定了静止状态的用户，从而用户与基站之间的传播信道不会随着时间而发生改变。对于实际移动通信系统，用户往往处于移动状态，而非静止状态，用户与基站之间的相对移动使得它们之间的传播信道不断发生变化，引起信道老化效应。通常来讲，去蜂窝大规模MIMO系统通信过程含有三个阶段：上行信道估计，上行信道数据传输和下行信道数据传输。由于数据传输和处理存在时延，对于非静止用户的系统，信道老化效应不可避免，若将估计的信道用于上行接收和下行预编码，则会因为估计的信道与实际的信道不一致，严重降低系统性能，因此需要在移动场景中采取适当的措施应对信道老化效应。

发明内容

本发明的目的在于提供一种去蜂窝大规模MIMO系统的信道预测方法，以解决终端与基站之间的相对运动引发的信道老化效应。

一种去蜂窝大规模MIMO系统的信道预测方法，所述方法包括：

基于莱斯平坦衰落信道下的去蜂窝大规模MIMO系统，建立信道老化下的信道模型；

基于所述信道模型给出接入点AP接收到的上行训练数据表达式；

基于有限长脉冲响应维纳滤波器，将上行训练数据表达式得到的上行信道训练数据作为滤波器输入，通过最小化实际信道与预测信道之间的均方误差，求解信道预测因子，输出预测的信道。

进一步地，所述信道模型的表达式为：

其中g_mk(n)表示第m个AP与第k个用户在第n个时刻的信道，g_mk(λ)表示第m个AP与第k个用户在第λ个时刻的信道，ξ_mk(n)表示第m个AP与第k个用户在第n个时刻的随机信道，ρ_k(n-λ)表示第k个用户在第n个时刻和第λ个时刻之间的信道相关系数。

进一步地，所述接入点AP获取上行信道训练数据的表达式为：

其中，ρ_p表示归一化导频序列发送功率，τ_p表示正交导频序列长度和正交导频序列个数(τ_p＜K)，g_mk(t)表示第m个AP与第k个用户在第t个时刻的信道，表示第k个用户所分配的导频序列且/>表示在第m个AP处的加性高斯噪声向量，其元素服从循环对称复高斯分布/>y_m(t)为第m个AP在第t时刻接收的上行训练数据。

进一步地，所述求解信道预测因子的计算方法包括：

基于上行信道训练数据表达式给出的过去的训练数据对第k个用户与所有AP之间在第n个时刻的信道序列/>进行了预测，如下式所示：

其中，p表示预测阶数，M表示AP总个数，y₁(t)表示第1个AP在第t个时刻收到的训练数据，y_M(t)表示第M个AP在第t个时刻收到的训练数据，y₁(t-p)表示第1个AP在第(t-p)个时刻收到的训练数据，y_M(t-p)表示第M个AP在第(t-p)个时刻收到的训练数据，表示第k个用户与所有AP在第n个时刻的预测信道序列，/>表示第k个用户的信道预测矩阵因子。

进一步地，所述第k个用户的信道预测矩阵因子的表达式为：

V_k通过最小化得到，因此第k个用户的信道预测矩阵因子具体表达式为：

其中β_k＝diag(β_1k,β_2k,…,β_mk,…,β_Mk)，β_1k表示第1个AP与第k个用户之间的大尺度衰落系数，β_2k表示第2个AP与第k个用户之间的大尺度衰落系数，β_mk表示第m个AP与第k个用户之间的大尺度衰落系数，β_Mk表示第M个AP与第k个用户之间的大尺度衰落系数。(·)^H和diag(·)分别表示克罗内克积、共轭转置和对角化运算，/>表示第k个用户与所有AP之间在第n个时刻的信道序列；

δ(ρ,p)＝[ρ(n-t),ρ(n-t+1),…,ρ(n-t+p)]

其中，k′表示第k′个用户的编号，ρ_k(n-t)表示第k个用户在第n个时刻和第t个时刻之间的信道相关系数，ρ_k(n-t+1)表示第k个用户在第n个时刻和第(t-1)个时刻之间的信道相关系数，ρ_k(n-t+p)表示第k个用户在第n个时刻和第(t-p)个时刻之间的信道相关系数，β_1k′表示第1个AP与第k′个用户之间的大尺度衰落系数，M表示AP总个数，β_Mk′表示第M个AP与第k′个用户之间的大尺度衰落系数，I_M(p+1)表示维度为M×(p+1)的单位矩阵，(·)^-1表示矩阵逆运算。

进一步地，所述方法还包括：

将预测的信道用于下行数据预编码处理，给出下行用户接收的数据表达式；

利用UatF策略对用户接收的数据表达式进行处理，推导系统性能指标下行频谱效率的表达式。

进一步地，下行用户接收的数据表达式为：

其中ρ_d表示归一化下行数据发送功率，ω_k(n)表示第k个用户在第n个时刻收到的高斯噪声，其满足均值为0，方差为1，r_k(n)为第k个用户在第n个时刻接收到的信息，表示第m个AP与第k′个用户之间在第n个时刻的预测信道，k′表示第k′个用户的编号，η_mk′表示第m个AP和第k′个用户之间的功率控制系数，q_k′(n)表示第k′个用户的随机消息变量。

进一步地，所述频谱效率的表达式为：

利用use-and-then-forget策略，推导出第k个用户在第n个时刻的频谱效率为，单位为bit/s/Hz，τ_c和SINR_k分别表示相干时间间隔和信干噪比，

其中，表示第k个用户与所有AP之间的视距传播信道，/>表示第k′个用户与所有AP之间的视距传播信道序列。Λ_k＝diag(η_1k,η_2k,…,η_Mk)和Λ_k′＝diag(η_1k′,η_2k′,…,η_Mk′)分别表示第k个用户和第k′个用户的功率控制系数矩阵。η_1k表示第1个AP和第k个用户之间的功率控制系数，η_2k表示第2个AP和第k个用户之间的功率控制系数，η_Mk表示第M个AP和第k个用户之间的功率控制系数。η_1k′表示第1个AP和第k′个用户之间的功率控制系数，η_2k′表示第2个AP和第k′个用户之间的功率控制系数，η_Mk′表示第M个AP和第k′个用户之间的功率控制系数。/>表示第k个用户的预测信道序列的协方差矩阵，/>表示第k′个用户的预测信道序列的协方差矩阵。

与现有技术相比，本发明所达到的有益效果：

本发明利用以前的信道状态信息来预测当前信道，不仅没有额外增加用于信道估计的导频开销，将预测的信道用于数据传输阶段，还有效抑制了终端移动引起的信道老化效应，提升了用户的频谱效率，改善了系统性能。

附图说明

图1为本发明方法去蜂窝大规模MIMO系统模型示意图；

图2为本发明下行总频谱效率与预测阶数的关系图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

本发明公开了一种去蜂窝大规模MIMO系统的信道预测方法，所述方法包括：

步骤1、基于莱斯平坦衰落信道下的去蜂窝大规模MIMO系统，建立信道老化下的信道模型；

步骤2、基于所述信道模型给出接入点AP接收到的上行训练数据表达式；

步骤3、基于有限长脉冲响应维纳滤波器，将上行训练数据表达式得到的上行信道训练数据作为滤波器输入，通过最小化实际信道与预测信道之间的均方误差，求解信道预测因子，输出预测的信道；

步骤4、将预测的信道用于下行数据预编码处理，给出下行用户接收的数据表达式；

步骤5、利用use-and-then-forget策略对用户接收的数据表达式进行处理，推导系统性能指标下行频谱效率的表达式。

本实施例中，步骤1中所述的信道模型的表达式为：

其中g_mk(n)表示第m个AP与第k个用户在第n个时刻的信道，g_mk(λ)表示第m个AP与第k个用户在第λ个时刻的信道，ξ_mk(n)表示第m个AP与第k个用户在第n个时刻的随机信道，ρ_k(n-λ)表示第k个用户在第n个时刻和第λ个时刻之间的信道相关系数。

本实施例中，步骤2中所述的接入点AP获取上行信道训练数据的表达式为：

其中，ρ_p表示归一化导频序列发送功率，_τp表示正交导频序列长度和正交导频序列个数(τ_p＜K)，g_mk(t)表示第m个AP与第k个用户在第t个时刻的信道，表示第k个用户所分配的导频序列且/>表示在第m个AP处的加性高斯噪声向量，其元素服从循环对称复高斯分布/>为第m个AP在第t个时刻接收的上行训练数据。

在本实施例中，步骤3所述求解信道预测因子的计算方法包括：

基于上行信道训练数据表达式给出的过去的训练数据，

对第k个用户与所有AP之间在第n个时刻的信道序列/>进行了预测，如下式所示：

其中，p表示预测阶数，M表示AP总个数，y₁(t)表示第1个AP在第t个时刻收到的训练数据，y_M(t)表示第M个AP在第t个时刻收到的训练数据，y₁(t-p)表示第1个AP在第(t-p)个时刻收到的训练数据，y_M(t-p)表示第M个AP在第(t-p)个时刻收到的训练数据。表示第k个用户与所有AP之间的预测信道序列，/>表示第k个用户的信道预测矩阵因子。

所述第k个用户的信道预测矩阵因子的表达式为：

V_k通过最小化得到，因此第k个用户的信道预测矩阵因子具体表达式为：

其中β_k＝diag(β_1k,β_2k,…,β_Mk)，β_mk表示第m个AP与第k个用户之间的大尺度衰落系数，(·)^H和diag(·)分别表示克罗内克积、共轭转置和对角化运算，/>表示第k个用户与所有AP之间在第n个时刻的信道序列；

δ(ρ,p)＝[ρ(n-t),ρ(n-t+1),…,ρ(n-t+p)]

其中，k′表示第k′个用户的编号，ρ_k(n-t)表示第k个用户在第n个时刻和第t个时刻之间的信道相关系数，ρ_k(n-t+1)表示第k个用户在第n个时刻和第(t-1)个时刻之间的信道相关系数，ρ_k(n-t+p)表示第k个用户在第n个时刻和第(t-p)个时刻之间的信道相关系数，β_1k′表示第1个AP与第k′个用户之间的大尺度衰落系数，M表示AP总个数，β_Mk′表示第M个AP与第k′个用户之间的大尺度衰落系数，I_M(p+1)表示维度为M×(p+1)的单位矩阵，(·)^-1表示矩阵逆运算。

步骤4中下行用户接收的数据表达式为：

其中ρ_d表示归一化下行数据发送功率，ω_k(n)表示第n个时刻用户k收到的高斯噪声，其满足均值为0，方差为1，r_k(n)为第k个用户在第n个时刻接收到的信息，k′表示第k′个用户的编号，η_mk′表示第m个AP和第k′个用户之间的功率控制系数，表示第m个AP与第k′个用户在第n个时刻的预测信道，q_k′(n)表示第k′个用户的随机消息变量。

步骤5中，所述频谱效率的表达式为：

利用use-and-then-forget策略，推导出第k个用户在第n个时刻的频谱效率为，单位为bit/s/Hz，τ_c和SINR_k分别表示相干时间间隔和信干噪比，

其中表示第k个用户与所有AP之间的视距传播信道，/>表示第k′个用户与所有AP之间的视距传播信道序列。Λ_k＝diag(η_1k,η_2k,…,η_Mk)和Λ_k′＝diag(η_1k′,η_2k′,…,η_Mk′)分别表示第k个用户和第k′个用户的功率控制系数矩阵。η_1k表示第1个AP和第k个用户之间的功率控制系数，η_2k表示第2个AP和第k个用户之间的功率控制系数，η_Mk表示第M个AP和第k个用户之间的功率控制系数。η_1k′表示第1个AP和第k′个用户之间的功率控制系数，η_2k′表示第2个AP和第k′个用户之间的功率控制系数，η_Mk′表示第M个AP和第k′个用户之间的功率控制系数。/>表示第k个用户的预测信道序列的协方差矩阵，/>表示第k′个用户的预测信道序列的协方差矩阵。

针对本实施例，更为具体的阐述上述方法：

请参阅图1，本发明建立在去蜂窝大规模MIMO系统下，该系统包含随机分布的M个接入点AP和K个用户终端，且所有AP通过回传链路连接到中央处理单元CPU，并在同一时频资源块上同时服务于所有用户。

进一步的，我们考虑了更为实际地莱斯衰落信道模型，即AP与用户之间的信道包含与时间无关的视距信道LOS和与时间相关的非视距信道NLOS两部分，具体可表示为：

其中g_mk(n)表示第m个AP与第k个用户在第n个时刻的信道，表示第m个AP与第k个用户之间的视距信道，β_mk表示第m个AP与第k个用户之间的大尺度衰落系数，/>表示第m个AP与第k个用户在第n个时刻的非视距信道，并服从循环对称复高斯分布

进一步的，由于本发明方法考虑了移动场景，受信道老化效应影响，利用信道老化模型，接入点AP与用户之间的信道又可以表示为：

其中g_mk(λ)表示第m个AP与第k个用户在第λ个时刻的信道，ξ_mk(n)表示第m个AP与第k个用户在第n个时刻和第λ个时刻之间的信道误差，ρ_k(n-λ)＝J₀(2πf_DkT_s|n-λ|)表示第k个用户在第n个时刻和第λ个时刻之间的信道相关系数，J₀(·)表示第一类零阶贝塞尔函数，T_s表示采样时间，f_Dk＝f_cv/c表示第k个用户在速度v下的多普勒频移，f_c表示信道载波频率，c表示光速。

进一步的，假定了τ_p个正交导频序列用于上行信道训练(τ_p＜K)，则第m个AP在第t个时刻接收的上行训练数据y_m(t)为

其中ρ_p表示归一化导频序列发送功率，g_mk(t)表示第m个AP与第k个用户之间在第t个时刻的信道，表示第k个用户所分配的导频序列且/>表示在第m个AP处的加性高斯噪声向量，其元素服从循环对称复高斯分布/>

进一步的，为了有效的提取第k个用户的信道状态信息，令

其中(·)^H表示矩阵共轭转置运算，g_mk′(t)表示第m个AP与第k′个用户之间在第t个时刻的信道，表示第k′个用户所分配的导频序列。

进一步的，所有AP在第t个时刻接收到的关于第k个用户的训练数据为

进一步的，基于有限长脉冲响应维纳滤波器，我们利用了过去的训练数据对第n时刻的第k个用户与所有AP之间的信道序列/>进行预测，如下所示：

其中表示第k个用户与所有AP之间的预测信道序列，/>表示第k个用户的信道预测矩阵，/>

进一步的，利用维纳滤波器的特性——最小化实际值与预测值之间的均方误差我们得到第k个用户的信道预测矩阵因子

其中β_k＝diag(β_1k,β_2k,…,β_Mk)，β_1k表示第1个AP与第k个用户之间的大尺度衰落系数，β_2k表示第2个AP与第k个用户之间的大尺度衰落系数，β_Mk表示第M个AP与第k个用户之间的大尺度衰落系数。，COV(·)、和diag(·)分别表示协方差、克罗内克积和对角化运算，

其中，p表示预测阶数，k′表示第k′个用户的编号，ρ_k(0-0)表示第k个用户在第0个时刻和第0个时刻之间的信道相关系数，ρ_k(1-0)表示第k个用户在第1个时刻和第0个时刻之间的信道相关系数，ρ_k(p-0)表示第k个用户在第p个时刻和第0个时刻之间的信道相关系数，ρ_k(1-1)表示第k个用户在第1个时刻和第1个时刻之间的信道相关系数，ρ_k(p-p)表示第k个用户在第p个时刻和第p个时刻之间的信道相关系数，ρ_k(p-1)表示第k个用户在第p个时刻和第1个时刻之间的信道相关系数，ρ_k(n-t)表示第k个用户在第n个时刻和第t个时刻之间的信道相关系数，ρ_k(n-t+1)表示第k个用户在第n个时刻和第(t-1)个时刻之间的信道相关系数，ρ_k(n-t+p)表示第k个用户在第n个时刻和第(t-p)个时刻之间的信道相关系数，β_1k′表示第1个AP与第k′个用户之间的大尺度衰落系数，M表示AP总个数，β_Mk′表示第M个AP与第k′个用户之间的大尺度衰落系数。I_M(p+1)表示维度为M×(p+1)的单位矩阵，(·)^-1表示矩阵逆运算。

进一步的，在下行数据传输阶段采用了共轭波束赋形，并将预测信道用于预编码处理，因此第k个用户在第n个时刻接收到的信息r_k(n)为

其中ρ_d表示归一化下行数据发送功率，k′表示第k′个用户的编号，η_mk′表示第m个AP和第k′个用户之间的功率控制系数，g_mk(n)表示第m个AP与第k个用户之间在第n个时刻的信道，表示第m个AP与第k′个用户之间在第n个时刻的预测信道，q_k′(n)表示第k′个用户的随机消息变量，其满足均值为0，方差为1，/>表示第k个用户在第n个时刻收到的高斯噪声。

进一步的，根据用户接收到的信息，利用UatF策略，我们可以计算出第k个用户在第n个时刻的下行频谱效率为SE_k＝(1-τ_p/τ_c)log₂(1+SINR_k)，单位为bit/s/Hz，τ_c和SINR_k分别表示相干时间间隔和第k个用户的信干噪比，

其中表示第k个用户与所有接入点AP之间的视距传播信道序列，Λ_k＝diag(η_1k,η_2k,…,η_Mk)和Λ_k′＝diag(η_1k′,η_2k′,…,η_Mk′)分别表示第k个用户和第k′个用户的功率控制系数矩阵。η_1k表示第1个AP和第k个用户之间的功率控制系数，η_2k表示第2个AP和第k个用户之间的功率控制系数，η_Mk表示第M个AP和第k个用户之间的功率控制系数。η_1k′表示第1个AP和第k′个用户之间的功率控制系数，η_2k′表示第2个AP和第k′个用户之间的功率控制系数，η_Mk′表示第M个AP和第k′个用户之间的功率控制系数。/>表示第k个用户的预测信道序列的协方差矩阵，/>表示第k′个用户的预测信道序列的协方差矩阵。

进一步的，本发明方法推广到瑞利衰落信道模型中，并与莱斯衰落信道模型进行了比较。

请参阅图2，该图描绘了下行总频谱效率与预测阶数的关系图，从图中可以看出，无论是莱斯衰落信道，还是瑞利衰落信道，本发明方法均可以有效提升频谱效率，并优于采用过去的信道(即整个通信过程中只估计一次信道)下的系统性能，且随着预测阶数p的增加，使用预测信道的下行总频谱效率逐步缩短与理想信道(即每发送一次数据前估计一次信道)之间的性能差距，表明了本发明方法可以在不增加信道训练成本的条件下提升系统性能，有效抑制信道老化带来的影响。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.一种去蜂窝大规模MIMO系统的信道预测方法，其特征在于，所述方法包括：

基于莱斯平坦衰落信道下的去蜂窝大规模MIMO系统，建立信道老化下的信道模型；

基于所述信道模型给出接入点(AP)接收到的上行训练数据表达式；

基于有限长脉冲响应维纳滤波器，将上行训练数据表达式得到的上行信道训练数据作为滤波器输入，通过最小化实际信道与预测信道之间的均方误差，求解信道预测因子，输出预测的信道；

所述信道模型的表达式为：

其中g_mk(n)表示第m个AP与第k个用户在第n个时刻的信道，g_mk(λ)表示第m个AP与第k个用户在第λ个时刻的信道，ξ_mk(n)表示第m个AP与第k个用户在第n个时刻的随机信道，ρ_k(n-λ)表示第k个用户在第n个时刻和第λ个时刻之间的信道相关系数；

所述接入点AP获取上行信道训练数据的表达式为：

其中，ρ_p表示归一化导频序列发送功率，p表示预测阶数，τ_p表示正交导频序列长度和正交导频序列个数，τ_p＜K，g_mk(t)表示第m个AP与第k个用户之间在第t个时刻的信道，表示第k个用户所分配的导频序列且/>表示在第m个AP处的加性高斯噪声向量，其元素服从循环对称复高斯分布/>y_m(t)为第m个AP在第t个时刻接收的上行训练数据；

所述求解信道预测因子的计算方法包括：

基于上行信道训练数据表达式给出的过去的训练数据对第n个时刻的第_k个用户与所有AP之间的信道序列/>进行了预测，如下式所示：

其中，y₁(t)表示第1个AP在第t个时刻收到的训练数据，y_M(t)表示第M个AP在第t个时刻收到的训练数据，y₁(t-p)表示第1个AP在第(t-p)个时刻收到的训练数据，y_M(t-p)表示第M个AP在第(t-p)个时刻收到的训练数据，表示第k个用户与所有AP之间的预测信道序列，/>表示第k个用户的信道预测矩阵因子。

2.根据权利要求1所述的去蜂窝大规模MIMO系统的信道预测方法，其特征在于，所述第k个用户的信道预测矩阵因子的表达式为：

V_k通过最小化得到，因此第k个用户的信道预测矩阵因子具体表达式为：

其中β_k＝diag(β_1k,β_2k,…,β_mk,…,β_Mk)，β_1k表示第1个AP与第k个用户之间的大尺度衰落系数，β_2k表示第2个AP与第k个用户之间的大尺度衰落系数，β_mk表示第m个AP与第k个用户之间的大尺度衰落系数，β_Mk表示第M个AP与第k个用户之间的大尺度衰落系数，(·)^H和diag(·)分别表示克罗内克积、共轭转置和对角化运算，/>表示第k个用户与所有AP之间在第n个时刻的信道序列；

δ(ρ,p)＝[ρ(n-t),ρ(n-t+1),…,ρ(n-t+p)]

其中，k′表示第k′个用户的编号，ρ_k(n-t)表示第k个用户在第n个时刻和第t个时刻之间的信道相关系数，ρ_k(n-t+1)表示第k个用户在第n个时刻和第(t-1)个时刻之间的信道相关系数，ρ_k(n-t+p)表示第k个用户在第n个时刻和第(t-p)个时刻之间的信道相关系数，β_1k′表示第1个AP与第k′个用户之间的大尺度衰落系数，M表示AP总个数，β_Mk′表示第M个AP与第k′个用户之间的大尺度衰落系数，I_M(p+1)表示维度为M×(p+1)的单位矩阵，(·)^-1表示矩阵逆运算。

3.根据权利要求1所述的去蜂窝大规模MIMO系统的信道预测方法，其特征在于，所述方法还包括：

将预测的信道用于下行数据预编码处理，给出下行用户接收的数据表达式；

利用use-and-then-forget策略对用户接收的数据表达式进行处理，推导系统性能指标下行频谱效率的表达式。

4.根据权利要求3所述的去蜂窝大规模MIMO系统的信道预测方法，其特征在于，下行第k个用户接收的数据表达式为：

其中ρ_d表示归一化下行数据发送功率，ω_k(n)表示第k个用户在第n个时刻收到的高斯噪声，其满足均值为0，方差为1，r_k(n)为第k个用户在第n个时刻接收到的信息，表示第m个AP与第k′个用户之间在第n个时刻的预测信道，k′表示第k′个用户的编号，η_mk′表示第m个AP和第k′个用户之间的功率控制系数，q_k′(n)表示第k′个用户的随机消息变量。

5.根据权利要求3所述的去蜂窝大规模MIMO系统的信道预测方法，其特征在于，所述频谱效率的表达式为：

利用use-and-then-forget策略，推导出第k个用户在第n个时刻的频谱效率为SE_k＝(1-τ_p/τ_c)log₂(1+SINR_k)，单位为bit/s/Hz，τ_c和SINR_k分别表示相干时间间隔和信干噪比，

其中，表示第k个用户与所有AP之间的视距传播信道，k′表示第k′个用户的编号，/>表示第k′个用户与所有AP之间的视距传播信道序列，Λ_k＝diag(η_1k,η_2k,…,η_Mk)和Λ_k′＝diag(η_1k′,η_2k′,…,η_Mk′)分别表示第k个用户和第k′个用户的功率控制系数矩阵，η_1k表示第1个AP和第k个用户之间的功率控制系数，η_2k表示第2个AP和第k个用户之间的功率控制系数，η_Mk表示第M个AP和第k个用户之间的功率控制系数，η_1k′表示第1个AP和第k′个用户之间的功率控制系数，η_2k′表示第2个AP和第k′个用户之间的功率控制系数，η_Mk′表示第M个AP和第k′个用户之间的功率控制系数，/>表示第k个用户的预测信道序列的协方差矩阵，/>表示第k′个用户的预测信道序列的协方差矩阵。