一种基于联合QR分解的干扰对齐算法

摘要

本发明公开了一种基于联合QR分解的干扰对齐算法，首先建立相应的多用户、多小区系统下行信道模型；在基站端设计双重发送预编码，对应小区中用户获得接收信号表达式；联合用户系统的联合接收信号进行QR分解，以消除一半的小区间干扰；利用最小化干扰泄露和迫零算法，获得各个小区用户的双重发送预编码矩阵V、P以及单一接受预编码矩阵W，最终实现小区间和小区内的干扰对齐。本算法依据各小区等效信道模型的特征，利用最小化干扰泄露以及迫零算法对齐小区间以及小区内干扰，每用户能够实现其信道空间维度1/3的自由度，而接收端只需进行一次预编码处理，相比较分布式迭代干扰对齐算法，能够在保证系统性能的同时大大降低复杂度。

说明书

技术领域

本发明属于通信领域，具体涉及采用Massive MIMO技术的下行干扰信道模型，提出了一种能够对齐小区间干扰、小区内干扰的线性干扰对齐算法。

背景技术

随着频率资源日益紧缺，全频率复用技术受到重视，频率复用也称频率再用，就是重复使用(reuse)频率，在GSM网络中频率复用就是使同一频率覆盖不同的区域(一个基站或该基站的一部分(扇形天线)所覆盖的区域)，这些使用同一频率的区域彼此需要相隔一定的距离(称为同频复用距离)，以满足将同频干扰抑制到允许的指标以内。为充分利用频率资源，卫星通信采用极化复用和地区隔离相结合的方式重复使用频率，来扩展通信容量的技术。

全频率复用场景下小区间干扰和小区内干扰是制约系统容量的重要因素。目前现有的分布式迭代干扰对齐作为一种干扰管理技术，能够大大提高小区的系统容量，但是具有复杂度高的缺陷。另一种机会干扰对齐(Opportunistic Interference Alignment)方案，依据信道条件选择最优的一组用户通信，但是这种方案会造成部分信道条件差的用户中断通信的问题。

现有技术中，公告号为CN103297110B、名称为“一种异构小区中的干扰对齐方法”的发明专利提出了一种两小区异构网络中的干扰对齐算法，使用两个时隙发送信号，并借助中继，实现小区内用户的干扰消除。然而，该发明的时隙利用率只有50％，对日益紧张的时频资源而言并不可取。而且，在实际的无线通信场景中，用户位置具有任意性，信号到达用户的时延也不同，对于时延敏感的本算法，其性能会急剧下降。

发明内容

本发明目的在于针对上述问题提出一种能够对齐小区间干扰、小区内干扰的线性干扰对齐的算法。

为达到上述目的，本发明提出的技术方案是一种基于联合QR分解的干扰对齐算法，包含如下步骤：

1)建立相应的多用户、多小区系统下行信道模型；

2)在基站端设计双重发送预编码，对应小区中用户获得接收信号表达式；

3)联合用户系统的联合接收信号进行QR分解，以消除一半的小区间干扰；

4)利用最小化干扰泄露和迫零算法，获得各个小区用户的双重发送预编码矩阵V、P以及单一接受预编码矩阵W，最终实现小区间和小区内的干扰对齐。

进一步，上述系统下行信道模型为在基站设计双重发送预编码矩阵V和P，在移动台只设计单一的接收预编码矩阵W，将复杂处理交给基站处理。

判断干扰对齐方案的存在是通过考察如下的线性方程组是否有解来进行的，即比较方程组的数目和独立变量数目，M+N-(K+1)d≥0，其中，M代表基站天线数目，N代表用户的天线数目，K代表的是每小区的用户数，d代表的是用户能够获得的自由度。

上述K取值优选为2。

与现有技术相比，本发明的优势在于：

(1)相比较实现每用户相同自由度的DI-IA，JQR-IA的显著优势是低复杂度，并且性能接近，甚至在低自由度的情况下超过DI-IA。

(2)高信噪比条件下，与低迭代次数的DI-IA相比，JQR-IA优势更加明显，不仅复杂度低，而且性能更优。

附图说明

图1是Massive MIMO干扰信道模型图。

图2是现有的DI-IA方案与本发明在不同信噪比情况下的系统容量对比图。

图3是每用户自由度为1、不同天线配置的JQR-IA与(3,4)×(2,2)信道模型下迭代次数为300、1000的DI-IA系统容量对比图。

图4、图5是不同迭代次数的DI-IA与不同配置天线JQR-IA系统容量对比图。

具体实施方式

以下结合说明书附图对本发明创造作进一步的详细说明。

本发明首先针对Massive-MIMO下行干扰信道模型，通过QR分解得到等效的信道模型，然后利用双重发送预编码和单一接收预编码对齐小区间和小区内干扰，实现每用户获得其信道空间1/3的自由度，进一步降低了算法的复杂度。

Massive MIMO下行小区系统的下行链路模型，如图一。利用块对角化方法消除用户之间的干扰。相比现有技术进一步简化了移动台的处理过程，并对其性能不足的缺陷提出了改进。在基站设计双重发送预编码矩阵V和P，而在移动台只设计单一的接收预编码矩阵W，将复杂处理交给基站，极大地简化移动台的处理过程。

根据本发明系统模型的特征，首先进行QR分解以消除一半的小区间干扰，大大降低接收端预编码处理的复杂度，然后利用最小化干扰泄露和迫零算法，计算出各个小区用户的双重发送预编码矩阵V、P以及单一接受预编码矩阵W，最终实现小区间和小区内的干扰对齐。

本方案的可行性问题，即判断干扰对齐方案是否存在，通过考察线性方程组是否有解来检验方案是否可行。干扰对齐的可行性条件，

M+N-(K+1)d≥0(1)

其中，M代表基站天线数目，N代表用户的天线数目，K代表的是每小区的用户数，d代表的是用户能够获得的自由度。本发明的系统模型中K＝2。

考虑3小区、每小区2用户的MIMO下行小区系统模型，每小区配置M根天线，每用户配置N根天线，M、N满足条件M≥2N。为方便起见，小区内每用户获得的自由度(DoF)均相等，记为d_user＝d，其中d<min(M,N)，则小区总的自由度为d_cell＝2d。小区为微小区(Small>

相比现有方案本发明进一步简化了移动台的处理过程，并对其性能不足的缺陷提出了改进。在基站设计双重发送预编码矩阵V和P，而在移动台只设计单一的接收预编码矩阵W，依据系统模型，小区i中第j用户User^[i,j](i＝1,2,3；j＝1,2)接收到经预编码的信号r^[i,j]为：

其中(N×M)维矩阵为小区k到User^[i,j]的下行信道矩阵，表征平坦瑞利衰落，并在一个传输块(Transmission>[i,j]为User^[i,j]接收预编码矩阵；(M×2d)维矩阵V_i＝[v^[i,1]>[i,2]]、(2d×2d)维矩阵P_i＝[p^[i,1]>[i,2]]均为小区i的发送预编码矩阵，其中(M×d)维矩阵v^[i,j]和(2d×d)维矩阵p^[i,j]均为对应User^[i,j]的发送预编码矩阵；w^[i,j]、P_i、V_i联合实现本文提出的干扰对齐算法。(2d×1)维矩阵为小区i期望信号的数据流，其中(d×1)维矩阵x^[i,j]为User^[i,j]的期望信号的数据流。(2N×1)维矩阵为小区i收到的高斯白噪声，其中z^[i,j]为User^[i,j]收到的高斯白噪声。公式(1)中，第一项代表的是User^[i,j]的期望信号，第二项代表的是来自于小区i内其他用户User^[i,s](s＝1,2；s≠j)的小区内干扰(Intra-cell>

1.联合QR分解

整个3小区2用户系统的联合接收信号，

其中(2d×1)维矩阵为小区i接收到的信号，(2N×2d)维矩阵为小区接收预编码矩阵，(2N×M)维矩阵表示小区i到小区j的信道矩阵，(2N×1)维矩阵表示小区i收到的高斯白噪声。

对维度为(6N×3M)的联合信道矩阵H进行QR分解，

其中Q是6N×6N维的酉矩阵，F是6N×3M的上三角矩阵，为等效的信道矩阵，其中(2N×M)维矩阵F_ij表示小区i到小区j内用户的等效信道矩阵。

从式(3)中可看出，QR分解能够消除一半的小区间干扰。

令

其中，小区i的等效发送预编码矩阵U_i可按用户展开为求出U_i后由式(4)可求出相应的W_i。依据等效信道模型，即可将式(2)进一步展开得到，

利用最小化干扰泄露和迫零算法，计算出各个小区用户的双重发送预编码矩阵V、P以及单一接受预编码矩阵W，最终实现小区间和小区内的干扰对齐。

2.小区1的干扰对齐

将式(5)进一步展开，得到小区1的接收信号r₁，

从式(8)中可以看出，小区1不会对小区2和小区3造成干扰，接收预编码U₁和发送预编码V₁可用于对齐小区内干扰，此时发送预编码P₁可设计为单位矩阵，实现小区1的小区内干扰对齐只需，

(u^[1,1])^HF₁^[1,1]v^[1,2]＝0

(u^[1,2])^HF₁^[1,2]v^[1,1]＝0(10)

利用最小化干扰泄露，于是User^[1,j](j＝1,2)的发送预编码v^[1,j]和接收预编码u^[1,j]为，

式(10)、式(11)中s＝1,2；s≠j。从式(8)中可以看出，小区2和小区3均对小区1形成干扰，实现小区1的小区间干扰对齐只需，

利用最小化干扰泄露，于是小区2和小区3的发送预编码V₂、V₃为，

3.小区2的干扰对齐

将式(6)进一步展开，得到小区2的接收信号r₂，

从式(15)中可以看出，只有小区3对小区2形成干扰，实现小区2的小区间干扰对齐只需，

于是小区2的接收预编码U₂为，

式(12)中s＝1,2；s≠j。接下来考虑小区2的小区内干扰，使用迫零算法对齐该干扰，于是User^[2,j](j＝1,2)的发送预编码P₂为，

其中，γ₂₁、γ₂₂是||p₂₁||、||p₂₂||的归一化因子，保证预编码前后信号功率不变。

4.小区3的干扰对齐

将式(7)进一步展开，得到小区3内用户User^[3,j](j＝1,2)的接收信号r^[3,j]，

从式(19)可以看出，其他两个小区不会对小区3形成干扰，因此接收预编码U₃可设计为单位矩阵，仅需考虑小区内的干扰，使用迫零算法对齐该干扰，于是User^[3,j](j＝1,2)的发送预编码P₃为，

其中，γ₃₁、γ₃₂是||p₃₁||、||p₃₂||的归一化因子，保证预编码前后信号功率不变。

5.可行性及自由度分析

研究发现通过信道拓展每个用户都能够得到其信道空间总维度一半的自由度，显著提高系统容量。本发明提出的JQR-IA能够满足式(21)的可行性条件。记用户期望的数据流数目为d，则小区的总自由度为2d；对于小区1中来自其它小区的小区间干扰，首先将小区间干扰对齐到2d维的小区信道空间中，而期望信号和小区内干扰对齐到剩余的(2N-2d)信道空间中，平均到小区内用户也就是每用户利用d维的信号空间完全对齐小区间干扰，再将小区内的干扰对齐到d维的用户信道空间中。综上所述，得到N＝3d，因此每用户能实现N/3的自由度。同理，小区2、小区3的用户也能实现N/3的自由度。

6.性能及结果分析

现有的DI-IA方案，将多个用户视为一个用户，只专注于处理小区间干扰，以下是对本发明提出的JQR-IA的仿真结果分析。3小区每小区2用户，信道矩阵元素独立同分布，满足均值为0，方差为1的复高斯分布。在仿真条件下，迭代次数为1000次的DI-IA已经达到渐近系统容量。在(3,6)×(2,3)、(3,12)×(2,6)、(3,18)×(2,9)MIMO信道模型下，每用户DoF分别为1,2,3，不同信噪比下完全干扰对齐的JQR-IA与相同信道模型下迭代次数为1000的DI-IA系统容量的对比仿真图，如图2所示。从图中可以看出相同DoF下，JQR-IA的系统容量随信噪比的增加而增大；相同信噪比条件下，JQR-IA的系统容量随DoF的增加而增大。同等条件下，本发明提出的算法JQR-IA在每用户自由度为1时，系统容量略优于DI-IA，此时JQR-IA的干扰对齐效果更优，而在自由度2、3下略低于DI-IA的系统容量。因此可以得出结论，在低自由度下，本发明提出的JQR-IA干扰对齐效果优于DI-IA；并且在高自由度下，JQR-IA的性能能够接近于DI-IA，但是相比DI-IA具有更低的复杂度。

图3是每用户自由度为1、不同天线配置的JQR-IA与(3,4)×(2,2)信道模型下迭代次数为300、1000的DI-IA系统容量对比图。(3,4)×(2,2)信道模型下，JQR-IA的小区内干扰完全对齐、小区间干扰部分对齐，每用户不能达到N/2的自由度，与理论分析的结果一致。然后，比较在不同天线配置条件下，JQR-IA系统容量的变化。(3,6)×(2,3)、(3,8)×(2,4)的信道模型下干扰完全对齐，实现每用户N/3的自由度，较(3,4)×(2,2)的性能有较大的提升，系统容量略优于迭代次数为1000的DI-IA，同时在高信噪比条件下优于迭代次数为300的DI-IA。相比DI-IA，复杂度低、系统容量高，因此JQR-IA在低自由度条件下更具优势。

图4、图5分别是不同迭代次数的DI-IA与不同配置天线JQR-IA系统容量仿真对比图。在图4的(3,8)×(2,4)、图5的(3,12)×(2,6)信道模型下，JQR-IA的小区内干扰均完全对齐、小区间干扰均部分对齐，每用户均不能达到N/2的自由度，均与理论分析的结果一致。然后，比较在不同天线配置条件下，JQR-IA的系统容量变化。在图4的(3,12)×(2,6)、(3,16)×(2,8)和图5的(3,18)×(2,9)、(3,24)×(2,12)的信道模型下，JQR-IA的干扰均完全对齐，均实现每用户N/3的自由度，分别较图4的(3,8)×(2,4)、图5的(3,12)×(2,6)系统模型，性能均有较大的提升，但系统容量仍略劣于迭代次数为1000的DI-IA，同时在高信噪比条件下均优于迭代次数为300的DI-IA。相比DI-IA，JQR-IA依然具有复杂度低和性能优良的特点。

从以上的分析可以看出，在增加用户和基站天线数目的代价下，线性干扰对齐算法JQR-IA能够降低算法复杂度，实现每用户自由度为N/3的完全干扰对齐。相比较实现每用户相同自由度的DI-IA，JQR-IA的显著优势是低复杂度，并且性能接近，甚至在低自由度的情况下超过DI-IA。高信噪比条件下，与低迭代次数的DI-IA相比，JQR-IA优势更加明显，不仅复杂度低，而且性能更优。

从服务用户数、基站天线数目和实现复杂度等多方面综合考虑，本发明方案的总体性能优于目前存在的其他方案。