基于天线选择和干扰对齐的多小区大规模MIMO干扰消除方法

摘要

本发明公开了一种基于天线选择和干扰对齐的多小区大规模MIMO干扰消除方法，属于移动无线通信技术领域。本发明包括：基站端获取信道矩阵并分别计算各发射天线所对应的列向量的范数，选择范数最大的前Ns根天线作为活跃天线，并关闭其它天线；基于活跃天线所对应的列向量作为新的信道矩阵并计算每个基站的干扰对齐预编码向量，根据干扰对齐预编码向量和新的信道矩阵计算接收端的接收迫零向量并据此分配各数据流的发送功率，然后再基于发送功率对接收迫零向量进行更新，最后，当前基站基于其干扰对齐预编码向量、当前接收迫零向量、各数据流的发送功率生成接收端对应的发送数据并发送。本发明的实施，能降低计算复杂度，提高传输速率及降低误比特率。

说明书

技术领域

本发明属于移动无线通信技术领域，特别涉及一种基于天线选择和干扰对齐的多小区大规模MIMO干扰消除方法

背景技术

大规模MIMO技术，通过在基站端配置大量的天线可以显著提高系统的频谱效率和能效效率，在基站天线数目趋于无穷时不同用户之间的信道矩阵趋于正交，从而可以消除用户间干扰和小区间干扰，由此受到了广泛的研究和关注。然而，实际情况中的天线数目不可能无穷多，不同用户之间的信道矩阵并非是理想正交的，即用户间干扰依旧存在，尤其是小区边缘用户。

干扰对齐技术，是在发送端利用已经获知的信道状态信息设计预编码矩阵，使得干扰信号在接收端对齐，从而得到了无干扰的期望信号，同时压缩了干扰信号所占的子空间，增大了期望信号的维度，提高了系统的传输速率。目前干扰对齐算法一般分为线性干扰对齐和迭代干扰对齐，而前者由于计算复杂度较低在实际应用具有一定的优势。

天线选择技术是按照一定的准则，从所有的服务天线中选择其中一部分天线进行信号发射。天线选择准则可以是最大化信道容量准则，最大信噪比准则和最小误码率则准等等。在实际系统中，考虑到实际物理限制，实现复杂度和成本等因素，数量庞大的天线可能会成为工程实现的瓶颈。通过天线选择技术可以有效降低系统信号处理的复杂度和成本，并且在一定程度上保留了大规模天线阵列带来的绝大部分优良性能，可以实现在大规模MIMO系统性能和复杂度的有效折衷。

功率分配是资源分配的内容之一，根据实际信道情况进行功率分配可以提高通信系统的性能，比如注水算法可以使得MIMO系统的信道容量最大化。如果不考虑功率分配，即等功率分配，将会使得所传输的每个数据流的有效信道增益严重失衡，很难使系统的性能达到最优。文献“Interference Alignment Based On Antenna Selection For MassiveMIMO System”(Zhiyuan Shi,Xiaopeng Zhu,Yifeng Zhao,Lianfen Huang,ComputerScience&Education(ICCSE),2015 10th International Conference on,22-24July2015,pp.606-610)在大规模MIMO系统中联合采用了天线选择和干扰对齐技术来消除干扰，但是并没有考虑功率分配的问题，而且天线选择算法的复杂度较高，系统性能仍有较大的提升空间。

发明内容

本发明的发明目的在于：针对上述存在的问题，提出了一种基于天线选择，干扰对齐和动态功率分配的大规模MIMO干扰消除方法，其利用干扰对齐技术大幅度提高了用户的传输速率和误比特率性能，同时通过天线选择技术降低了信道矩阵维度，从而降低了运算复杂度，有利于工程实现。

本发明的基于天线选择和干扰对齐的多小区大规模MIMO干扰消除方法，包括下列步骤：

步骤1：基站端通过上行导频获取所有用户的信道状态信息CSI，即获取信道矩阵H_ij∈C^N×M(C^N×M表示N×M矩阵)，其中H_ij表示用户j到基站i的信道矩阵，M表示基站端的天线数目，N为用户端的天线数目。

步骤2：在每个基站，根据信道容量最大化准则和基站各自所服务的用户的信道矩阵进行天线选择。所述天线选择依据的准则为：其中φ表示基站端所选择的天线子集，h_i表示发射天线i所对应的列向量。即分别计算信道矩阵H_ii的所有列向量的范数，选择范数最大的前Ns根天线作为活跃天线，Ns为所需选择天线数目，并关闭剩余M-N_s根天线。

步骤3：基站端根据步骤2天线选择的结果重新确定实际采用的信道矩阵，对于每一个信道矩阵H_ij，选择其中的Ns列列向量作为新的信道矩阵H_as_ij，即H_as_ij＝[h_ijk]_k∈φ，其中，[h_ijk]表示信道矩阵H_ij的第k列。

步骤4：基站端根据天线选择后的信道矩阵H_as_ij计算干扰对齐预编码向量。

本发明所采用的干扰对齐方法为步骤401-403所述：

401：对联合矩阵进行特征值分解，选取特征值最大的D(D为发送的数据流数目)列特征向量作为基站1的干扰对齐预编码向量v₁并进行向量归一化处理；即v₁(:,r)＝v₁(:,r)/||v₁(:,r)||,r＝1,...,D，符号(:,r)表示取第r列运算

402：根据公式计算基站2的干扰对齐预编码向量v₂并进行向量归一化处理；

403：根据公式计算基站3的干扰对齐预编码向量v.₃并进行向量归一化处理。

步骤5：计算接收端的接收迫零向量。

所述迫零处理采用的迫零矩阵根据下列公式得到：

w_j＝U_H_j((j-1)*D+1:j*D,:)

其中，w_j为D×N的用户j的接收迫零矩阵(D为用户j发送的数据流数目，N为用户j的天线数目)，即w_j由其中对应的d行行向量组成，为等效联合发送信道矩阵，U_H_j为等效联合矩阵的伪逆矩阵，(·)^H表示矩阵的共轭转置，下同。

步骤6：分别计算每个用户的接收迫零矩阵的列向量的模值，并根据模值的大小进行动态功率分配：

先计算用户j的迫零向量的模值向量其中符号diag(A)表示取矩阵A的对角元素。

再根据模值进行数据流的发送功率分配：其中，P表示所有基站的发射总功率，p_jr表示当前基站向用户j发射第r流数据的功率，d_jr表示用户j的第r个迫零向量的模值，即矩阵d_j的第j列所对应的模值，

步骤7：根据当前功率分配情况更新迫零矩阵：其中p_j＝diag(p_j1,p_j2,...,p_jD)。步骤8：结合上述天线选择、干扰对齐以及功率分配的计算结果生成发送数据：x_j＝v_i*p_j*s_j，其中x_j表示当前基站对用户j的N×1发送数据向量，p_j为当前基站关于用户j的功率分配对角矩阵，对角元素为每个数据流分配的功率p_jr，s_j为发送给用户j的原始发送数据。

综上所述，由于采用了上述技术方案，本发明的有益效果是：与现有技术相比，本发明通过天线选择方法降低了信道矩阵维度，从而使得可用相对较低的复杂度实现了大规模MIMO系统干扰消除，提高了用户的传输速率，同时通过动态功率分配降低了系统的误比特率性能，提高了系统传输的可靠性。

附图说明

图1为本发明的实施例场景示意图。

图2为本发明实施例的实施结构框图。

图3为本发明所采取天线选择算法与性能最佳的渐消算法的可达率对比曲线。

图4为本发明实施案例4天线情况下的误比特率性能对比曲线。

图5为本发明实施案例8天线情况下的误比特率性能对比曲线。

图6为本发明实施案例4天线情况下的可达率对比曲线。

图7为本发明实施案例8天线情况下的可达率对比曲线。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。

实施例

参见图1，本实例的系统场景为基于C-RAN架构的大规模MIMO多小区系统，系统采用TDD制式。在C-RAN架构下可以轻易的无延时的共享所有小区的信道信息，大大提高了联合处理的可实施性。在本案例中考虑3个小区，每个小区一个基站，每个基站服务一个小区边缘用户，基站端的天线数目为128，用户端的天线数目为N，本实例中对N取4和8进行仿真分析。本实施例中的信道状态信息为零均值，方差为1的复高斯变量。所有基站的发射总功率均为P。

针对上述实施例，本发明提供的基于天线选择和干扰对齐以及功率分配的大规模MIMO干扰消除方法的具体实现步骤为：

步骤S1：基站端通过上行导频获取所有用户的信道状态信息CSI，即获取信道矩阵H_ij∈C^N×128，i,j＝1,2,3，其中H_ij表示用户j到基站i的信道矩阵。

步骤S2：在每个基站，根据信噪比最大化准则和基站各自所服务的用户的信道矩阵H_ii,i＝1,2,3进行天线选择。

即根据公式M＝128，分别计算信道矩阵H₁₁,H₂₂和H₃₃的所有列向量的模值，选择其中模值最大的N根天线作为活跃天线，关闭剩余128-N根天线。

步骤S3：基站端根据步骤S2天线选择的结果重新确定实际采用的信道矩阵，对于每一 个信道矩阵，选择其中的N列列向量作为新的信道矩阵H_as_ij。

H_as_ij＝[h_ijk]_k∈φ其中，[h_ijk]表示信道矩阵H_ij的第k列。

步骤S4：基站端根据天线选择后的信道矩阵H_as_ij计算干扰对齐预编码向量v_i。首先对联合矩阵进行特征值分解，选取特征值最大的N/2(本实施例中，发送的数据流数目D为N/2)列特征向量作为基站1的干扰对齐预编码向量v₁，并根据公式v₁(:,r)＝v₁(:,r)/||v₁(:,r)||,r＝1,...,N/2进行向量归一化处理；然后根据公式计算基站2的干扰对齐预编码向量v₂并进行向量归一化处理；最后根据公式计算基站3的干扰对齐预编码向量v₃并进行向量归一化处理。

步骤S5：计算接收端的接收迫零向量。

首先根据计算U_H_j，再根据w_j＝U_H_j((j-1)*D+1:j*D,:),j＝1,2,3得到用户j的接收迫零矩阵w_j，即w_j由U_H_j中对应的N/2行行向量组成。

步骤S6：分别计算每个用户的接收迫零矩阵的列向量的模值，并根据模值进行数据流的发送功率分配，即其中d_jr为用户j的迫零向量的模值向量d_j的第r列的模值，T为所有用户迫零向量的模值之和。

步骤S7：根据功率分配情况更新迫零矩阵。即令其中

步骤S8：当前基站端结合上述天线选择、干扰对齐以及功率分配的计算结果生成关于原始发送数据s_j的发送数据x_j：x_j＝v_i*p_j*s_j。

步骤S9：接收端对接收信号y_j进行迫零处理即可获取到对应的发送数据，即y_j＝w_j*r_j，其中r_j为N×1的接收向量。

为了评估本发明的性能，采用蒙特卡洛仿真方法对信道容量和误比特率进行了仿真。

图3为本发明采用的天线选择算法与性能最优的渐消算法的可达率对比曲线，其中 QPSK表示正交频移键控，AS表示天线选择，IA表示干扰对齐，ZF表示迫零预编码，MF表示匹配滤波预编码。可以看到，在本实例所假设的信道系数为零均值，方差为1的复高斯变量场景下，本发明所采取的简单的天线选择算法相对于渐消算法的信道容量，在低信噪比时性能几乎一致，而高信噪比下在4天线时仅有约1-2bps/Hz的性能损失，在8天线时仅有约2-3bps/Hz的性能损失。而本发明所采取的天线选择算法复杂度则要低的多，有利于工程实现。本发明所采取的天线选择算法仅需计算每根发射天线所对应的传输向量的模值并取其中模值最大的Ns根，而信道容量最大化渐消算法需要进行N-Ns次迭代，每次迭代需要计算去除每根天线所产生的信道容量性能损失，复杂度明显要高于本发明所采取的天线选择算法。

图4和图5为不同算法的误比特率性能对比，可以看到本发明发明提出的基于干扰对齐和动态功率分配的干扰消除方法，在误比特率性能方面几乎接近于理想环境下的QPSK调制系统，多点协作迫零预编码和未进行功率分配(等功率分配)的干扰对齐性能接近，在高信噪比时本发明所提出的方法要明显好于多点协作迫零预编码，在相同的误比特率下有3-4dB的性能提升。

图6和图7为不同算法的可达率对比曲线，比较对象为本发明所提出的基于天线选择，干扰对齐和动态功率分配的干扰消除方法，和基于天线选择，干扰对齐的干扰消除方法，基于天线选择的多点协作迫零预编码算法，以及不进行天线选择的非协作迫零预编码算法。仿真结果显示，不进行天线选择的非协作迫零预编码系统是干扰受限的，基于天线选择的协作迫零预编码是最优的，基于等功率分配的干扰对齐方法与之接近。本发明的方法相对非协作迫零预编码方法有非常明显的优势，而在加入动态分配算法后在可达率性能上有一定的损失，但损失较小，相对于多点协作迫零预编码方法在4天线时性能损失约为3bits/sec/Hz，在8天线时性能损失约为5bits/sec/Hz，这仍属于可接受范围。因为本发明所提方法的复杂度相对多点协作预编码方法要低得多，本发明所提方法中最为复杂的部分为矩阵规模为N×N的特征值分解和矩阵求逆运算，复杂度均为O(N³)，而多点协作迫零预编码需要进行全局信道矩阵的求逆运算，计算复杂度为O((KN)³)，其中K为总用户数。

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。