分布式天线系统中基于平均BER约束的自适应调制方法

摘要

本发明提出无线分布式多天线系统中基于平均误比特率(BER)约束的自适应调制方法，给出了最优自适应切换门限的优化设计方案。通常基于瞬时BER约束的AM方案，可使得系统的平均BER能够满足服务质量需求，严格控制在目标BER之下好多，但这种严格约束导致切换门限不能根据信道条件自适应优化，从而导致系统频谱效率(SE)的损失。为了避免这种严格约束所带来SE损失，本发明在目标BER约束条件下，通过最大化系统频谱效率，设计基于平均BER约束的自适应调制方法，提出联合KKT条件和Newton法的自适应门限优化方案。Matlab仿真平台表明所提的AM方法和自适应转换门限可以保证系统平均BER满足目标BER要求条件下，获得系统SE极大提高。

说明书

技术领域

本发明属于无线通信领域，涉及无线通信的自适应调制方案设计，更具体的说涉及分布式天线系统中自适应调制切换门限优化算法以及相应的离散率自适应调制方案设计。

背景技术

移动internet和计算机通信的迅速崛起，宽带多媒体业务为代表的数据业务逐渐上升为核心业务；这种快速发展的数据业务需要高速率数据接入，使得无线频谱资源日益紧张，所以国内外研究机构正不断寻求更高频谱效率的传输技术以缓解有限的频谱资源。未来无线通信技术需要支持高质量和高速率的数据传输，近年来，随着频谱资源的日益紧张和用户需求的持续增长，MIMO和OFDM等高频效的传输技术虽然大大提高了系统容量，但其仍然无法满足人们对宽带高质量网络服务的需求。MIMO-OFDM技术提供的宽带传输能力可以提高点对点的传输容量，但由于采用了更高的频段，导致系统覆盖范围和覆盖率受到限制。要达到4G系统所要求的传输速率，如果继续采用现有的蜂窝系统，只有通过缩小小区半径或小区裂化来解决，但这无疑增加了4G系统的运营成本。另外，由于高大建筑物越来越多，导致蜂窝小区存在大量的覆盖盲区，如果采用单纯的提高发射功率的方法，不仅对基站的建设提出更高的要求，同时也会带来小区间通信干扰，导致频谱资源的利用率降低。所以，传统蜂窝系统出现的这些切换频繁，干扰增加，成本提高等问题，已无法适应未来通信系统的发展要求。

分布式天线技术作为未来无线通信的开放式架构，提供了对空间资源更有效的利用。目前，已有研究表明与集中式天线系统相比，分布式天线系统具有更高的容量、小区平均覆盖率、更低的发送功率、抗阴影衰落的能力和增加多种无线业务等需求。

自适应传输技术可以根据无线通信环境和服务质量(QoS)的要求，动态地改变发送端的各种参数来提高系统资源利用率，以获得较高的系统吞吐量和容量，已被应用到无线通信系统中作为提高传输系统频谱效率的一种强有力技术。

由于天线的分布特性提供了对空间资源更有效的利用的同时也对先进的资源分配技术提出了更加严峻的挑战。目前，已有很多文献针对分布式MIMO系统进行功率分配方案研究；然而AM作为提高系统频谱效率的一个关键技术在分布式天线系统中的研究相对较少。

在未来的无线通信网络中，无线链路在保证业务QoS的前提下，更高的传输速率一直是人们追求的目标。为了严格保证QoS，通常的自适应调制(AM)方案一般是基于瞬时误比特率(BER)约束而设计，这样可以简化设计，而且可保证系统每时每刻的BER都能满足目标BER要求，但是，这种严格的要求会使得切换门限值不能根据信道信息进行自适应优化(即门限值是固定的)，将不可避免带来系统频谱效率(SE)的损失。

为此，本专利给出基于平均BER约束条件的自适应门限值优化算法和相应的AM方案设计，以期满足系统服务质量(目标BER)要求的同时获得统SE极大提高。

目前，已有文献针对自适应切换门限优化问题进行了研究。在这些AM方案设计中，Torrance等人提出使平均BER和ASE同时与目标值的差值最小的方法，建立相应的代价方程并搜索最优AM门限值。Lai给出了一种Two-mode方法来优化门限值，该方法仍然需要采用Torrance提出的代价方程，实质上是Torrance方法的一种变型，但每次只考虑相邻两种调制方式。学者Chung和Choi提出了采用Lagrange优化方法以最大化平均SE为代价方程求得最优自适应门限，其求解同样需要通过大量的计算机数值搜索。此外，课题组成员针对空时编码，采用Lagrange方法以最大化ASE求取最优自适应门限值，其在解非线性方程组的时候，采用了一种简化Newton迭代法求解，虽然可以避免原有文献通过大量的数值搜索来求解门限值，但其迭代Jacobi矩阵只与初值有关，没有根据迭代中间量实时替换，最终导致求取的门限值是一组次优解。在这些优化方法中，Torrance方法与Lagrange方法类似，只是在代价函数中以不同的形式来表示平均BER约束条件。基于以上问题，本发明将针对无线分布式天线系统特点，设计其在平均BER约束条件下的自适应调制方案，可最大化系统频谱效率；并提出一种联合Karush-Kuhn-Tucker(KKT)优化条件和Newton法的自适应门限优化算法，可以在求得最优门限的同时，降低Lagrange等算法需要大量数值搜索求解引起的高复杂度。

以下将通过具体实例结合附图对本发明的目的及特性进行详细描述，这些具体实施例是说明性的，不具有限制性。

发明内容

本发明是针对分布式天线系统，提出了一种基于平均BER约束的自适应调制门限优化方法，给出相应的自适应调制方案设计。目的是使得系统自适应转换门限可以根据信道条件自适应优化，在满足目标BER同时最大化系统SE。本发明提出的分布式天线系统AM方法及相应的门限优化方案设计采用了以下步骤：

(1)给出了分布式天线系统模型和信道模型。

分布式天线系统模型如附图1所示。

附图1给出了分布式天线系统的物理模型，小区单元建模为一个半径为D的圆形区域，各远程天线(RA)任意地摆放在小区的不同位置，记为RA_i(i＝1，2，...，N)，通过特定传输通道(光纤)连接到一个中央处理单元(MCU)。不失一般性，假设每个移动终端(MT)均有L个天线。

由相关文献知识，通过性能分析和计算，可以求得该模型下第i根发送天线的系统接收信噪比(SNR)γ_i概率密度函数(PDF)表达式为

$>f_{{\gamma }_i}\left(\gamma \right)\cong \frac{\xi }{\sqrt{2\pi }{\hat{\sigma }}_i\gamma }\exp (-\frac{{(101\mathrm{g\gamma }-{\hat{\mu }}_i)}^2}{2{\hat{\sigma }}_i^2})$>  表达式1

其中：是该近似分布的均值可以用以下式子表示：这里ψ(·)为欧拉psi函数；是该近似分布的方差为ζ(·)为Reimann zeta函数。

(2)根据所述步骤(1)的系统模型和接收信噪比的PDF给出系统的离散率AM方案和门限优化方案。

分布式天线系统离散自适应调制方案如下，通过设定目标BER为BER₀，把瞬时SNR划分为几个区间，[γ_n，γ_n+1)，n＝0，1，.....，N-1其中γ₀＝0，γ_N+1＝+∞，[γ₀，γ₁)代表信号传输中断的情形，N为系统调制方式的总数目。对于离散M-QAM的星座图尺寸M_n可以定义为{M₀＝0，....，M_n＝2ⁿ，n＝1，2，.......，N-1}，当瞬时SNR介于[γ_n，γ_n+1)区间时，系统将选择具有星座图尺寸为M_n的调制方式，相应的数据传输速率b_n＝log₂M_n。

在瞬时BER约束条件下，通过设定M-QAM的瞬时BER等于目标BER可以求得固定的自适应转换门限。此时求得的门限值可使得系统的平均BER严格控制在目标BER之下许多，但这种严格约束将不可避免地带来系统SE的下降。

因此，本发明将进行平均BER约束条件下的AM方案设计和切换门限值优化，可以使得系统在满足目标BER的同时获得系统SE极大地提高。

考虑以下非线性最优化问题

Maximizef(X)，                          表达式2

s.t.g_i(X)≥0，                          表达式3

h_j(X)＝0                                表达式4

KKT最优条件的数学模型表示成以下标准形式：

$>▿f\left(X^{\prime }\right)+\Sigma {\lambda }_i▿g_i\left(X^{\prime }\right)+\Sigma {\mu }_j▿h_j\left(X^{\prime }\right)=0,$>   表达式5

g_i(X′)≥0                                       表达式6

h_j(X′)＝0，                                     表达式7

λ_ig_i(X′)＝0，                                  表达式8

λ_i≥0。                                         表达式9

针对分布式天线系统，基于平均BER约束的自适应切换门限值的优化过程为：在平均BER满足目标BER(BER_obj)的条件下，通过最大化系统平均SE来优化自适应门限。相应的优化目标问题可表示为

$>\max \left(\overline{\mathrm{SE}}\right),$>  表达式10

$>s.t.\overline{\mathrm{BER}}\le {\mathrm{BER}}_{\mathrm{obj}},$>  表达式11

γ_i≥0。                                     表达式12

由上述系统优化目标、约束条件和KKT条件我们可以得到

$>f\left(\gamma \right)=\overline{\mathrm{SE}}=\underset{n=1}{\overset{N}{\Sigma }}{b}_n{\int }_{{\gamma }_n}^{{\gamma }_{n+1}}{f}_{\gamma }\left(\gamma \right)\mathrm{d\gamma },$>  表达式13

g_i(γ)＝γ_i≥0，                             表达式14

$>h_j\left(\gamma \right)=\overline{\mathrm{SE}}·{\mathrm{BER}}_{\mathrm{obj}}-\underset{n=1}{\overset{N}{\Sigma }}{b}_n·{\mathrm{BER}}_{M_n}=0,$>  表达式15

其中：γ＝[γ₁，γ₂，....，γ_N]为门限值矢量。

于是利用KKT条件可以得到如下等式：

$>F\left(\gamma \right)=▿\overline{\mathrm{SE}}\left({\gamma }^{\prime }\right)+▿[\mu ·(\overline{\mathrm{SE}}\left(\gamma \right)·{\mathrm{BER}}_{\mathrm{obj}}-\underset{n=1}{\overset{N}{\Sigma }}{b}_n·{\mathrm{BER}}_{M_n})]=0,$>  表达式16

(3)依据所述步骤(2)中的优化目标函数，利用Newton法对其进行求解。

Newton法求解非线性方程f(x)＝0的，是把非线性的方程线性化的一种近似方法。利用f(x)在x₀点附近进行泰勒级数展开，取其线性部分作为方程f(x)＝0的近似方程，则有

f(x₀)+f′(x₀)(x-x₀)＝0                      表达式17

设f′(x₀)≠0，则其解为

x₁＝x₀-f(x₀)/f′(x)                         表达式18

下面结合附图和实施例对本发明作进一步的说明。

附图说明

图1为分布式天线系统结构示意图

图2为分布式天线系统自适应调制原理图

图3为分布式天线系统基于平均BER约束条件的AM频谱效率

图4为分布式天线系统基于平均BER约束条件的AM平均BER

具体实施方式

本发明提出的分布式天线系统AM方法及相应的自适应门限优化算法已经通过Matlab平台进行验证，从仿真结果可以看出该方案可以获得SE极大提高。下面给出具体的实施技术方案：

(1)本系统中心单元选择一根远程天线来传输信号，即选择输出信噪比(SNR)最大的那根RA_i来传输信号。发送准则可以由以下模型表示：

γ＝max{γ₁，...，γ_N}                              表达式19

由于各个RA之间的距离比较大，所以可以认为γ₁，...，γ_N之间相互独立。利用表达式1可以得到γ的累积分布函数：

  表达式20

通过对上式求导，我们可以得到γ的PDF为：

$>f_{\gamma }\left(\gamma \right)=\underset{i=1}{\overset{N}{\Sigma }}\left[f_{{\gamma }_i}\left(\gamma \right)\underset{k=1,k\ne i}{\overset{N}{\Sigma }}{F}_{{\gamma }_k}\left(\gamma \right)\right]$>  表达式21

(2)分布式天线系统中平均SE和平均BER以及门限优化设计

根据前面的分析，通过数学推导，可以得到分布式天线系统采用离散率自适应调制方案时的频谱效率表达式：

$>\overline{\mathrm{SE}}=\underset{n=1}{\overset{N-1}{\Sigma }}{b}_n·{\int }_{{\gamma }_n}^{{\gamma }_{n+1}}{f}_{\gamma }\left(\gamma \right)\mathrm{d\gamma }=\underset{n=0}{\overset{N-1}{\Sigma }}{b}_n·[F_{\gamma }\left({\gamma }_{n+1}\right)-F_{\gamma }\left({\gamma }_n\right)]$>  表达式22

系统平均BER可以由平均误比特数与总平均传输比特数的比值精确地计算得到，即由以下式子定义：

$>\overline{\mathrm{BER}}=\underset{n=0}{\overset{N-1}{\Sigma }}{b}_n·{\mathrm{BER}}_{M_n}/\overline{\mathrm{SE}}$>  表达式23

其中BER_n为系统处于第n个区间的平均BER：

$>{\mathrm{BER}}_{M_n}=\underset{m}{\Sigma }{\alpha }_m(\mathrm{erfc}\left(\sqrt{{\beta }_m\gamma }\right)F_r\left(\gamma \right){|}_{{\gamma }_n}^{{\gamma }_{n=1}}+\sqrt{\frac{{\beta }_m}{\pi }}{\int }_{{\gamma }_n}^{{\gamma }_{n+1}}\frac{\exp (-{\beta }_m\gamma )}{\sqrt{\gamma }}{F}_r\left(\gamma \right)\mathrm{d\gamma })$>  表达式24

由于上述表达式存在积分，故未能提供BER的闭式表达式。为此，本发明采用Newton-Cotes数值积分来简化上述表达式的计算。Newton-Cotes数值积分是将定积分在积分区域等间隔取基点并利用加权系数求和来表示，由此可以得到下面的闭式表达式：

$>{\mathrm{BER}}_{M_n}\cong \underset{m}{\Sigma }{\alpha }_m(\mathrm{erfc}\left(\sqrt{{\beta }_m\gamma }\right)F_r\left(\gamma \right){|}_{{\gamma }_n}^{{\gamma }_{n=1}}+\sqrt{\frac{{\beta }_m}{\pi }}·\mathrm{Ah}\underset{j=0}{\overset{U}{\Sigma }}{W}_j\frac{\exp (-{\beta }_m{\gamma }_j)}{\sqrt{\gamma }}{F}_r\left({\gamma }_j\right))$>  表达式25

式中A和W_j分别为与U对应的常数和加权系数，而h为积分区域等间隔的长度

上述的表达式22和25为系统的SE和BER性能评估提供有效的计算方法。

(3)基于平均BER约束的自适应门限优化设计

将表达式16展开，对变量γ_n可以得到如下通式

$>F\left({\gamma }_n\right)=(1+\mu ·{\mathrm{BER}}_{\mathrm{obj}})(b_{n-1}-b_n)f_{\gamma }\left({\gamma }_n\right)$>

表达式26

$>+\mu [b_n{\mathrm{BER}}_{M_n}\left({\gamma }_n\right)-b_{n-1}{\mathrm{BER}}_{M_{n-1}}\left({\gamma }_n\right)]f_{\gamma }\left({\gamma }_n\right)$>

利用表达式18所示的Newton’s method来对表达式26进行求解，可以获得如下关系式

$>\left(\begin{array}{c}{x}^{(k+1)}=x^{\left(k\right)}+{\beta }^{\left(k\right)}\\ \mathrm{DF}\left(x^{\left(k\right)}\right)·{\beta }^{\left(k\right)}=-F\left(x^{\left(k\right)}\right)\end{array}\right),$>   表达式27

式中的β^(k)和x^(k)＝[γ₁，γ₂，...，γ_N，μ]分别为第k次迭代得到的中间矢量和求解值矢量，F(x^(k))和其Jacobi矩阵DF(x^(k))分别表示为

$>F\left(x^{\left(k\right)}\right)=\left(\begin{array}{c}F\left({\gamma }_1\right)\\ F\left({\gamma }_2\right)\\ M\\ F\left({\gamma }_N\right)\\ F\left(\mu \right)\end{array}\right)=\left(\begin{array}{c}-(1+\mu ·{\mathrm{BER}}_{\mathrm{obj}})f_{\gamma }\left({\gamma }_1\right)+\mu \left[{\mathrm{BER}}_{M_1}\left({\gamma }_1\right)\right]f_{\gamma }\left({\gamma }_1\right)\\ -(1+\mu ·{\mathrm{BER}}_{\mathrm{obj}})f_{\gamma }\left({\gamma }_2\right)\\ +\mu [2{\mathrm{BER}}_{M_2}\left({\gamma }_2\right)-{\mathrm{BER}}_{M_1}\left({\gamma }_2\right)]f_{\gamma }\left({\gamma }_2\right)\\ M\\ (1+\mu ·{\mathrm{BER}}_{\mathrm{obj}})(b_{N-1}-b_N)f_{\gamma }\left({\gamma }_N\right)\\ +\mu [b_N{\mathrm{BER}}_{M_N}\left({\gamma }_N\right)-b_{N-1}{\mathrm{BER}}_{M_{N-1}}\left({\gamma }_N\right)]f_{\gamma }\left({\gamma }_N\right)\\ \overline{\mathrm{SE}}\left(\gamma \right)·{\mathrm{BER}}_{\mathrm{obj}}-\underset{n=1}{\overset{N}{\Sigma }}{b}_n{\mathrm{BER}}_n\end{array}\right),$>  表达式28

$>\mathrm{DF}\left({\gamma }^{\left(k\right)}\right)=\left(\begin{array}{c}{▿}^T{F}_1\left(x^{\left(k\right)}\right)\\ {▿}^T{F}_2\left(x^{\left(k\right)}\right)\\ M\\ {▿}^T{F}_{N-1}\left(x^{\left(k\right)}\right)\\ {▿}^T{F}_N\left(x^{\left(k\right)}\right)\\ {▿}^T{F}_{N+1}\left(x^{\left(k\right)}\right)\end{array}\right)=\left(\begin{array}{ccccc}{\partial F}_1/{\partial \gamma }_1^{\left(k\right)}& {\partial F}_1/{\partial \gamma }_2^{\left(k\right)}& K& \partial F_1/{\partial \gamma }_N^{\left(k\right)}& \partial F_1/\partial {\mu }^{\left(k\right)}\\ \partial F_2/{\partial \gamma }_1^{\left(k\right)}& \partial F_2/{\partial \gamma }_2^{\left(k\right)}& K& \partial F_2/\partial {\gamma }_N^{\left(k\right)}& \partial F_2/\partial {\mu }^{\left(k\right)}\\ M& M& O& M& M\\ \partial F_{N-1}/\partial {\gamma }_1^{\left(k\right)}& \partial F_{N-1}/\partial {\gamma }_2^{\left(k\right)}& L& \partial F_{N-1}/\partial {\gamma }_N^{\left(k\right)}& \partial F_{N-1}/\partial {\mu }^{\left(k\right)}\\ \partial F_N/\partial {\gamma }_1^{\left(k\right)}& \partial F_N/\partial {\gamma }_2^{\left(k\right)}& L& \partial F_N/\partial {\gamma }_N^{\left(k\right)}& \partial F_N/\partial {\mu }^{\left(k\right)}\\ \partial F_{N+1}/\partial {\gamma }_1^{\left(k\right)}& \partial F_{N+1}/\partial {\gamma }_2^{\left(k\right)}& K& \partial F_{N+1}/\partial {\gamma }_N^{\left(k\right)}& \partial F_{N+1}/\partial {\mu }^{\left(k\right)}\end{array}\right).$>  表达式29

对表达式27进行求解时，需要选取有效初始值；经过理论分析，该优化后的自适应门限值应该小于固定门限值，所以这里选取的迭代初始值要略小于固定AM门限值。

通过上述分析，基于平均BER约束条件下的门限值与平均信噪比有关，随着的增加，门限值将相应的减小。当增加到某一临界值时，所有的门限值将等于零，即会存在一个丧失自适应调制的阈值当时，系统只采用最高阶调制方式传输数据，且可由下式

$>{\int }_0^{\infty }\mathrm{BE}{R}_{M_N}\left(\gamma \right)f_{\gamma }\left(\gamma \right)\mathrm{d\gamma }={\mathrm{BER}}_{\mathrm{obj}}$>  表达式30

计算得到。

本发明提出分布式天线系统中基于平均BER约束的自适应调制方法和相应的最优切换门限优化算法。为了体现所提方法和算法的优势，利用Matlab平台进行仿真测试。对于离散率AM采用BPSK、4QAM、16QAM和64QAM等4种调制方式。附图3、附图4给出了基于最优门限的自适应调制方案频谱效率和平均BER性能。

附图3给出了分布式天线系统AM方案分别基于“KKT条件优化门限”和“固定门限”下系统的频谱效率图，其中接收端天线数N_r＝2。从图中可以看出，在有效信噪比范围的大部分区域内，基于平均BER约束条件(优化门限)的系统ASE相对于瞬时BER约束条件(固定门限)的系统ASE有明显的改善；但是，在信道条件较差和很好的情况下改善不明显，这是因为在低信噪比时，只能采用低阶调制方式，进而导致两种约束条件下的系统的传输速率均很低，而在高信噪比时两者都趋于采用最高阶调制方式，即传输速率趋于最大。

附图4给出了分布式天线系统AM方案基于不同BER约束条件下平均BER，接收端天线数N_r＝2；从图中可以看出，基于平均BER约束条件的系统平均BER能够满足服务质量要求(BER_obj＝10^-3)，而且固定门限方法由于实时的严格要求，使得系统的BER性能要好于优化门限方法的BER性能。但由附图3可知，这种固定门限下系统自适应调制方案是以牺牲一定的SE来换取BER性能的提升，而提升的这部分BER性能在满足系统QoS的条件时是一种浪费，从而导致频谱效率的损失；当达到后，SE性能达到最大，平均BER曲线开始下降且与64QAM的BER曲线重合，表明门限优化达到最优，验证了表达式30中的确存在丧失自适应切换门限的阈值，即时，自适应调制不再有效，系统将采用最高速率64QAM进行传输。

由此可以看出本方案的优越性，其在避免了频谱效率损失的情况下，保证了系统平均BER的精确性，且有效减少了计算量。

本发明申请书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。