一种分布式MIMO系统中最小化误符号率的功率分配方法

摘要

本发明涉及一种分布式MIMO系统中最小化误符号率的功率分配方法，首先分析每个子信道高信噪比区间的渐近SER性能，然后每个分布式天线端口基于所有端口的信道统计信息最优化功率分配。通过基站ZF接收器的瞬时接收信噪比，使用q-QAM调制方式的SER函数，基于多变量统计方法首先对其小尺度衰落随机变量求期望萃取高信噪比区间的SER主项，然后对主项中大尺度衰落随机变量和Q函数求期望获得高信噪比区间的SER渐近表达式，最后基于最小化平均SER优化准则和所有端口信道统计信息，经过凸优化计算获得最优化功率分配系数。本发明仅利用信道的统计信道信息来获取最优的功率分配系数，可以较低的系统开销明显改善系统性能，从而提升了此方法在实际应用中的可行性。

说明书

技术领域

本发明涉及通信技术领域的天线功率分配方法，具体是分布式多天线(Distribute Multiple InputMultiple Output,D-MIMO)系统中最小化误符号率的功率分配方法。

背景技术

由于分布式MIMO系统具有开放的结构和更为灵活的资源配置特点，D-MIMO系统在移动通信中扮演着重要的角色。近年来，通信系统要求高速的数据传输速率，使得在D-MIMO系统领域的开展了很多研究工作。分布式MIMO系统的特点是配置多根天线的射频端口，分布在一个小区内各个不同的区域内，每个端口经历不同的路径损耗和大尺度衰落(比如阴影衰落)的影响，这给性能理论分析和优化功率带来了一定困难。

传统技术中，如果每个端口可获得所有端口的完整信道信息，使用联合预编码技术可大幅度提高系统性能，但会极大地增加反馈链路的系统开销，特别是当天线数增多至大规模MIMO系统时，会给反馈链路带来沉重的负担；而完全不利用任何信道信息的空时编码技术和等功率分配方案则难以有效提高系统性能。

发明内容

(一)要解决的问题

本发明要解决的技术问题在于提供一种分布式MIMO系统中最小化误符号率的功率分配方法，对同一基站所覆盖的小区内不同的分布式端口进行天线功率分配，以解决现有技术存在的问题。

(二)技术方案

为解决上述技术问题，本发明采用以下技术方案：

一种分布式MIMO系统中最小化误符号率的功率分配方法，包括以下步骤：

S1：基站端通过信道估计获得所有分布式天线端口的复合信道信息，包括小尺度衰落,发射相关矩阵,大尺度衰落；

S2：每个分布式天线端口通过基站反馈链路获得所有端口的信道统计信息，包括小尺度衰落概率密度分布，相关矩阵，大尺度衰落概率密度分布以及路损系数；

S3：根据基站ZF接收器每个子信道的瞬时接收信噪比，得到q-QAM调制方式的SER函数表达式，基于多变量统计理论首先对其小尺度衰落随机变量求期望萃取高信噪比区间的SER主项；

S4：对主项中大尺度衰落随机变量和Q函数求期望获得高信噪比区间的SER渐近表达式；

S5：基于最小化平均SER优化准则和所有端口的一阶和二阶信道统计信息，每个分布式天线端口经过凸优化计算获得最优化功率分配系数。

对一个单小区分布式MIMO系统，基站端天线数为N，小区内不同距离的K个用户配备M个天线，K个用户同时给基站发送数据，基站端采用ZF接收器接收信号，其表达式为：y＝Ts+n,T＝ZR_TΞ，其中，信道为复合衰落信道，y为基站端的接收信号，包括小尺度衰落H＝ZR_T中的Z，服从复数瑞利分布i.i.dCN(0，1)；信道发射相关矩阵为R_T＝diag(R_T1，R_T2，…，R_TK),大尺度衰落Ξ，服从对数正态分布：$>\Xi =\mathrm{diag}({\Xi }_1/D_1^v{I}_M,{\Xi }_2/D_2^v{I}_M,···,{\Xi }_K/D_K^v{I}_M),$>其中，表示第k个用户的路损，v为路损系数，随机变量Ξ_k服从对数正态分布：$>f\left({ϵ}_k\right)=\frac{\eta }{{ϵ}_k\sqrt{2\pi }{\delta }_k}{e}^{-\frac{{(\eta \ln {ϵ}_k-{\mu }_k)}^2}{2{\delta }_k^2}},{ϵ}_k>0,$>其中，μ_k,δ_k为其均值和方差。

ZF接收器的瞬时接收信噪比为其中，SNR为系统平均信噪比，$>X_{\mathrm{km}}=\frac{{\left[R_{\mathrm{Tk}}^{-1}\right]}_{m,m}}{{\left[{\left(H^{H}H\right)}^{-1}\right]}_{\mathrm{km},\mathrm{km}}},p=\mathrm{diag}{\left\{p_{\mathrm{km}}\right\}}_{k,m=1}^{K,M};$>使用方形q-QAM调制方式的SER错误概率函数：

$>\left(\begin{array}{c}{\mathrm{SER}}_{\mathrm{km}}=4(1-\frac{1}{\sqrt{q}})Q\left(d\sqrt{\frac{{\gamma }_{\mathrm{km}}}{2}}\right)-4{(1-\frac{1}{\sqrt{q}})}^2{Q}^2\left(d\sqrt{\frac{{\gamma }_{\mathrm{km}}}{2}}\right)\\ d=\sqrt{\frac{3}{2(q-1)}}\\ Q\left(t\right)=\frac{1}{\pi }{\int }_0^{\frac{\pi }{2}}{e}^{-\frac{t^2}{2{\sin }^2\theta }}\mathrm{d\theta }\\ Q^2\left(t\right)=\frac{1}{\pi }{\int }_0^{\frac{\pi }{4}}{e}^{-\frac{t^2}{2{\sin }^2\theta }}\mathrm{d\theta }\end{array}\right),$>

其中，q为q-QAM调制的进制数；使用多变量统计方法E_H,Ξ[SER(H,Ξ)]＝E_Ξ[E_H[SER(H,Ξ)Ξ]]，标记$>C_{\mathrm{km}}=\frac{{\mathrm{SNRd}}^2{ϵ}_k{p}_{k,m}}{4{\left[R_{\mathrm{Tk}}^{-1}\right]}_{m,m}{D}_k^v{\sin }^2\theta },$>首先对小尺度衰落取期望：$>E\left[e^{-C_{\mathrm{km}}{X}_{\mathrm{km}}}\right]=\frac{1}{{(1+C_{\mathrm{km}})}^{N-\mathrm{KM}+1}},$>当SNR趋于无穷大时，$>E\left[e^{-C_{\mathrm{km}}{X}_{\mathrm{km}}}\right]=\frac{1}{C_{\mathrm{km}}^{N-\mathrm{KM}+1}}+o\left({\mathrm{SNR}}^{-(N-\mathrm{KM}+2)}\right),$>可提取高信噪比的主项$>\frac{1}{C_{\mathrm{km}}^{N-\mathrm{KM}+1}},$>得到：

$>\left(\begin{array}{c}{E}_H{\left[{\mathrm{SER}}_{\mathrm{km}}\right]}^{\infty }=A_1{\int }_0^{\frac{\pi }{2}}\frac{1}{C_{\mathrm{km}}^{N-\mathrm{KM}+1}}\mathrm{d\theta }-A_2{\int }_0^{\frac{\pi }{4}}\frac{1}{C_{\mathrm{km}}^{N-\mathrm{KM}+1}}\mathrm{d\theta }\\ A_1=\frac{4}{\pi }(1-\frac{1}{\sqrt{q}})\\ A_2=\frac{4}{\pi }{(1-\frac{1}{\sqrt{q}})}^2\end{array}\right).$>

根据

$>\left(\begin{array}{c}E\left[\frac{1}{{ϵ}_k^{N-\mathrm{KM}+1}}\right]=e^{\frac{{(N-\mathrm{KM}+1)}^2{\delta }_k^2-2\eta (N-\mathrm{KM}+1){\mu }_k}{2{\eta }^2}={\overline{ϵ}}_k}\\ {\int }_0^{\frac{\pi }{2}}{\left({\sin }^2\theta \right)}^{N-\mathrm{KM}+1}\mathrm{d\theta }=\frac{\pi }{2}\underset{k=1}{\overset{N-\mathrm{KM}+1}{\Pi }}\frac{2k-1}{2k}=B_1\\ {\int }_0^{\frac{\pi }{4}}{\left({\sin }^2\theta \right)}^{N-\mathrm{KM}+1}\mathrm{d\theta }=\frac{\pi }{4}\underset{k=1}{\overset{N-\mathrm{KM}+1}{\Pi }}\underset{j=1}{\overset{k}{\Sigma }}\frac{\left(2k\right)!!(j-1)!!}{(2k-1)!!j!!}{\left(\frac{1}{\sqrt{2}}\right)}^{2(k-j+1)}=B_2\end{array}\right)$>

得到SER渐近表达式：$>E{\left[{\mathrm{SER}}_{\mathrm{km}}\right]}^{\infty }=\frac{{\beta }_{\mathrm{km}}{p}_{\mathrm{km}}^{-(N-\mathrm{KM}+1)}}{{\mathrm{SNR}}_{\mathrm{km}}^{N-\mathrm{KM}+1}},$>其中，$>{\beta }_{\mathrm{km}}=(A_1{B}_1-A_2{B}_2){\left(\frac{4{\left[R_{\mathrm{Tk}}^{-1}\right]}_{m,m}{D}_k^v}{d^2}\right)}^{N-\mathrm{KM}+1}{\overline{ϵ}}_k.$>

确定每个用户的每个子信道SER渐近表达式函数是凸函数，基于最小化平均渐近SER优化准则和所有端口的一阶和二阶信道统计信息，每个分布式天线端口经过凸优化计算获得最优化功率分配系数：

(三)有益效果

针对分布式MIMO系统的ZF接收器，本发明的天线功率分配方法利用多变量统计、主项提取及凸优化等方法得到每根天线的功率分配系数，以最小化系统的平均渐近误符号率。本发明在发端不需要完整的信道信息，仅利用信道的统计信道信息来获取最优的功率分配方案最小化平均误符号率，在发送总功率不变的情况下，以较低的系统开销明显改善了系统性能，从而提升了此方法在实际应用中的可行性。

附图说明

图1为本发明的工作流程图。

图2为本发明的分布式MIMO系统传输示意图。

图3为本发明的功率分配方案和传统功率分配方案的系统平均SER性能对比图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细说明。

在不大幅度增加系统开销前提下有效提高系统性能，且有利于在实际系统中应用，提出一种基于信道统计信息的功率分配方案。参见图1和图2，本发明提供一种分布式MIMO系统中最小化误符号率(SER)的功率分配方法，包括以下步骤：

S1：基站端通过信道估计获得所有分布式天线端口的复合信道信息，包括小尺度衰落，信道发射相关矩阵，大尺度衰落等。

对一个单小区分布式MIMO系统，基站端天线数为N，小区内不同距离的K个用户配备M个天线，K个用户同时给基站发送数据，基站端采用ZF接收器接收信号，其表达式为：y＝Ts+n,T＝ZR_TΞ，其中，信道为复合衰落信道，y为基站端的接收信号，包括小尺度衰落H＝ZR_T,发射相关矩阵R_T,大尺度衰落Ξ。其中一阶和二阶信道统计信息包括：小尺度衰落H＝ZR_T中的Z，服从复数瑞利分布i.i.dCN(0，1)；信道发射相关矩阵为R_T＝diag(R_T1，R_T2，…，R_TK),大尺度衰落Ξ，服从对数正态分布：$>\Xi =\mathrm{diag}({\Xi }_1/D_1^v{I}_M,{\Xi }_2/D_2^v{I}_M,···,{\Xi }_K/D_K^v{I}_M),$>其中，表示第k个用户的路损，v为路损系数，随机变量Ξ_k服从对数正态分布：

$>f\left({ϵ}_k\right)=\frac{\eta }{{ϵ}_k\sqrt{2\pi }{\delta }_k}{e}^{-\frac{{(\eta \ln {ϵ}_k-{\mu }_k)}^2}{2{\delta }_k^2}},{ϵ}_k>0$>

其中，μ_k,δ_k为其均值和方差。

S2：每个分布式天线端口通过基站反馈链路获得所有端口的信道统计信息，信道的一阶和二阶统计信息包括有：小尺度衰落Z服从的复数瑞利分布，发射相关矩阵R_T，大尺度衰落的概率密度分布f(ε_k)以及距离路损系数等。

S3：根据基站ZF接收器每个子信道的瞬时接收信噪比，得到q-QAM调制方式的SER函数表达式，基于多变量统计理论对其小尺度衰落随机变量求期望萃取高信噪比区间的SER主项。

接收信号y经过迫零(ZF)接收检测后，恢复成多个并行独立的数据流其中，G＝(T^HT)^-1T^H为迫零接收器。

ZF接收器的瞬时接收信噪比为其中，SNR为系统平均信噪比，

$>X_{\mathrm{km}}=\frac{{\left[R_{\mathrm{Tk}}^{-1}\right]}_{m,m}}{{\left[{\left(H^{H}H\right)}^{-1}\right]}_{\mathrm{km},\mathrm{km}}},p=\mathrm{diag}{\left\{p_{\mathrm{km}}\right\}}_{k,m=1}^{K,M}.$>

使用方形q-QAM调制方式的SER错误概率函数：

$>\left(\begin{array}{c}{\mathrm{SER}}_{\mathrm{km}}=4(1-\frac{1}{\sqrt{q}})Q\left(d\sqrt{\frac{{\gamma }_{\mathrm{km}}}{2}}\right)-4{(1-\frac{1}{\sqrt{q}})}^2{Q}^2\left(d\sqrt{\frac{{\gamma }_{\mathrm{km}}}{2}}\right)\\ d=\sqrt{\frac{3}{2(q-1)}}\\ Q\left(t\right)=\frac{1}{\pi }{\int }_0^{\frac{\pi }{2}}{e}^{-\frac{t^2}{2{\sin }^2\theta }}\mathrm{d\theta }\\ Q^2\left(t\right)=\frac{1}{\pi }{\int }_0^{\frac{\pi }{4}}{e}^{-\frac{t^2}{2{\sin }^2\theta }}\mathrm{d\theta }\end{array}\right),$>

其中，q为q-QAM调制的进制数，

使用多变量统计方法EH,Ξ[SER(H,Ξ)]＝EΞ[EH[SER(H,Ξ)Ξ]]，标记$>C_{\mathrm{km}}=\frac{{\mathrm{SNRd}}^2{ϵ}_k{p}_{k,m}}{4{\left[R_{\mathrm{Tk}}^{-1}\right]}_{m,m}{D}_k^v{\sin }^2\theta },$>首先对小尺度衰落取期望：$>E\left[e^{-C_{\mathrm{km}}{X}_{\mathrm{km}}}\right]=\frac{1}{{(1+C_{\mathrm{km}})}^{N-\mathrm{KM}+1}},$>当SNR趋于无穷大时，$>E\left[e^{-C_{\mathrm{km}}{X}_{\mathrm{km}}}\right]=\frac{1}{C_{\mathrm{km}}^{N-\mathrm{KM}+1}}+o\left({\mathrm{SNR}}^{-(N-\mathrm{KM}+2)}\right),$>可提取高信噪比的主项$>\frac{1}{C_{\mathrm{km}}^{N-\mathrm{KM}+1}},$>得到：

$>\left(\begin{array}{c}{E}_H{\left[{\mathrm{SER}}_{\mathrm{km}}\right]}^{\infty }=A_1{\int }_0^{\frac{\pi }{2}}\frac{1}{C_{\mathrm{km}}^{N-\mathrm{KM}+1}}\mathrm{d\theta }-A_2{\int }_0^{\frac{\pi }{4}}\frac{1}{C_{\mathrm{km}}^{N-\mathrm{KM}+1}}\mathrm{d\theta }\\ A_1=\frac{4}{\pi }(1-\frac{1}{\sqrt{q}})\\ A_2=\frac{4}{\pi }{(1-\frac{1}{\sqrt{q}})}^2\end{array}\right).$>

S4：对以上主项中大尺度衰落随机变量和Q函数求期望获得高信噪比区间的SER渐近表达式。

根据

$>\left(\begin{array}{c}E\left[\frac{1}{{ϵ}_k^{N-\mathrm{KM}+1}}\right]=e^{\frac{{(N-\mathrm{KM}+1)}^2{\delta }_k^2-2\eta (N-\mathrm{KM}+1){\mu }_k}{2{\eta }^2}={\overline{ϵ}}_k}\\ {\int }_0^{\frac{\pi }{2}}{\left({\sin }^2\theta \right)}^{N-\mathrm{KM}+1}\mathrm{d\theta }=\frac{\pi }{2}\underset{k=1}{\overset{N-\mathrm{KM}+1}{\Pi }}\frac{2k-1}{2k}=B_1\\ {\int }_0^{\frac{\pi }{4}}{\left({\sin }^2\theta \right)}^{N-\mathrm{KM}+1}\mathrm{d\theta }=\frac{\pi }{4}\underset{k=1}{\overset{N-\mathrm{KM}+1}{\Pi }}\underset{j=1}{\overset{k}{\Sigma }}\frac{\left(2k\right)!!(j-1)!!}{(2k-1)!!j!!}{\left(\frac{1}{\sqrt{2}}\right)}^{2(k-j+1)}=B_2\end{array}\right)$>

得到SER渐近表达式：$>E{\left[{\mathrm{SER}}_{\mathrm{km}}\right]}^{\infty }=\frac{{\beta }_{\mathrm{km}}{p}_{\mathrm{km}}^{-(N-\mathrm{KM}+1)}}{{\mathrm{SNR}}_{\mathrm{km}}^{N-\mathrm{KM}+1}},$>其中，$>{\beta }_{\mathrm{km}}=(A_1{B}_1-A_2{B}_2){\left(\frac{4{\left[R_{\mathrm{Tk}}^{-1}\right]}_{m,m}{D}_k^v}{d^2}\right)}^{N-\mathrm{KM}+1}{\overline{ϵ}}_k.$>

S5：基于最小化平均渐近SER优化准则：和所有端口的一阶和二阶信道统计信息，每个分布式天线端口经过凸优化计算获得最优化功率分配系数：

$>p_{\mathrm{km}}=\frac{\frac{1}{{\beta }_{\mathrm{km}}^{N-\mathrm{KM}+2}}}{\underset{k=1}{\overset{K}{\Sigma }}\underset{m=1}{\overset{M}{\Sigma }}{\beta }_{\mathrm{ij}}^{\frac{1}{N-\mathrm{KM}+2}}}.$>

本发明提出了一种分布式MIMO系统中各个端口经历小尺度和大尺度复合信道衰落情况下，各端口信号经过方形正交振幅调制(Quadrature Amplitude Modulation,QAM)之后，接收端基站进行迫零(ZF)接收检测的上行链路系统，以最小化平均渐近SER为优化准则，发端基于信道统计信息提出一种最优的功率分配方法，在发送总功率不变的情况下，以较低的系统开销明显改善了系统性能。

本发明在发端不需要完整的信道信息，仅利用信道的慢衰落统计信道信息来获取最优的功率分配方案最小化平均误符号率，在发送总功率不变的情况下，可以较低的系统开销明显改善系统性能，从而提升了此方法在实际应用中的可行性。本方案考虑更符合实际场景信道衰落的信道特性，每个端口经历复合信道衰落，包括小尺度衰落，发射相关性，大尺度衰落以及路损系数，接收端使用迫零接收(ZF),以系统渐近平均误符号率最小为目标函数，发端仅需要信道的统计信息，优化发送端功率分配系数，以较低开销达到了提高系统性能的作用。

传统的天线功率分配方案是每个端口的每根天线等功率分配，而本发明的天线功率分配方案是第k个用户的第m根天线所分配的功率为：

$>p_{\mathrm{km}}=\frac{\frac{1}{{\beta }_{\mathrm{km}}^{N-\mathrm{KM}+2}}}{\underset{i=1}{\overset{K}{\Sigma }}\underset{j=1}{\overset{M}{\Sigma }}{\beta }_{\mathrm{ij}}^{\frac{1}{N-\mathrm{KM}+2}}},$>

其中$>{\beta }_{\mathrm{km}}=(A_1{B}_1-A_2{B}_2){\left(\frac{4{\left[R_{\mathrm{Tk}}^{-1}\right]}_{m,m}{D}_k^v}{d^2}\right)}^{N-\mathrm{KM}+1}{e}^{\frac{{(N-\mathrm{KM}+1)}^2{\delta }_k^2-2\eta (N-\mathrm{KM}+1){\mu }_k}{2{\eta }^2},}$>N为基站接收天线数目，K为端口数目，M为用户发送天线数目，D_k是第k个用户与基站的距离，v是路损系数。μ_k，δ_k分别是为第k个用户经历大尺度衰落对数正态分布的期望和方差，另外

$>\left(\begin{array}{c}{A}_1=\frac{4}{\pi }(1-\frac{1}{\sqrt{q}}),A_2={\frac{4}{\pi }(1-\frac{1}{\sqrt{q}})}^2,\\ {\int }_0^{\frac{\pi }{2}}{\left({\sin }^2\theta \right)}^{N-\mathrm{KM}+1}\mathrm{d\theta }=\frac{\pi }{2}\underset{k=1}{\overset{N-\mathrm{KM}+1}{\Pi }}\frac{2k-1}{2k}=B_1,\\ {\int }_0^{\frac{\pi }{4}}{\left({\sin }^2\theta \right)}^{N-\mathrm{KM}+1}\mathrm{d\theta }=\frac{\pi }{4}\underset{k=1}{\overset{N-\mathrm{KM}+1}{\Pi }}\underset{j=1}{\overset{k}{\Sigma }}\frac{\left(2k\right)!!(j-1)!!}{(2k-1)!!j!!}{\left(\frac{1}{\sqrt{2}}\right)}^{2(k-j+1)}=B_2,\\ R_T=\mathrm{diag}(R_{T1},R_{T2},···,R_{\mathrm{TK}}),{\left[R_{\mathrm{Tk}}\right]}_{\mathrm{ij}}={\rho }_k^{|i-j|},{\rho }_k\in \left[\mathrm{0,1}\right\}.\end{array}\right)$>

参见图3所示的SER平均性能对比图，一种分布式MIMO系统配置设置为基站天线数为10，有4个处于不同距离的分布式天线端口，距离分别为：0.5km，1km，1.5km，2km，路损系数为4，大尺度衰落阴影效应中对数正态分布的均值和方差分别为4和2，每个端口配置2根天线，采用16QAM调制方式，接收端采用ZF接收检测；将采用本发明所提功率分配方案和传统的功率分配方案性能进行对比，从图3可以明显看出，在发射相关系数分别为0.3和0.9的情况下，在同样高信噪比区间系统平均误符号率(SER)性能均提高了2～3个db，系统性能得到了显著提高。