CN102780521A - 多小区多播mimo移动通信***下行单业务协作预编码方法 - Google Patents

Abstract

本发明涉及一种适用于多小区多播MIMO移动通信***的下行单业务协作预编码方法。其主要步骤包括：首先中心处理单元获得所有希望接收多播业务用户反馈的信道矢量；之后建立以公平性加权的平均SNR为优化目标的优化模型；通过对优化变量及优化模型进行转化，利用相应优化算法进行求解。与现有技术方案相比，本发明降低了算法复杂度，比最大化最小SNR更能体现***公平性；并且考虑了整体性能，利用多小区联合处理还可以有效的提高小区边缘覆盖。多小区多播MIMO移动通信***使用本发明提出的下行单业务协作预编码方法可以有效地提升***公平性，以及整体覆盖性能。

Description

多小区多播MIMO移动通信***下行单业务协作预编码方法

技术领域

本发明涉及一种下行单业务协作预编码方法。

背景技术

多播技术是一种点到多点的传输技术，基站同时向多个用户发送相同数据，对于多媒体等数据业务具有广阔的应用前景，因此多播技术受到人们的广泛关注。

同单播技术不同的是，基站以同一功率对所有用户发送数据，无法进行理想的功率控制，使得大尺度衰落，主要是路径损耗对用户接收质量影响较大，尤其小区边缘用户的接收性能无法得到保证，尽管在实际应用中，多播往往使用单频网技术以及OFDM技术，使得不同小区间的干扰可以忽略不计，但传统的开环传输对于小区边缘用户的性能提升仍十分有限。而近年来针对单播***提出的多小区协作技术为提高小区边缘用户接收性能提供了解决方法，但由于多播***同时服务多个用户，使得无法将单播***中的多小区协作技术使用到多播***中，因此适用于多小区多播MIMO移动通信***的下行单业务协作预编码方法成为研究的热点。

近年来，大量学者研究了单播MIMO移动通信***的下行协作预编码问题。目前，提出的多小区多播MIMO移动通信***的下行单业务协作预编码方案主要有以下几个：

方案一是M.Jordan等人在如下文献中提出的：

M.Jordan,G.Xitao,and G.Ascheid,Multicell Multicast Beamforming withDelayed SNR Feedback[C],in Global Telecommunications Conference,2009.GLOBECOM 2009.IEEE，2009,pp.1-6.

该方案考虑到SNR反馈存在时延，首先根据SNR的一些统计信息估计当前时刻的SNR，再对最差SNR用户进行优化。

方案二是M.Jordan等人在如下文献中提出的：

M.Jordan,M.Senst，G.Ascheid,and H.Meyr，Long-Term Beamforming in SingleFrequency Networks using Semidefinite Relaxation[C],in Vehicular TechnologyConference,2008.VTC Spring 2008.IEEE，2008,pp.275-279.

该方案优化目标为最大化最小SNR，但考虑到实际应用不可能进行全局优化，因此仅获知部分CSI，优化一个下界，下界利用松弛以及随机化进行求解。

由于多播***的特点，需要保证所有用户的覆盖，也即保证公平性，而最大化最小SNR并不能直接保证公平性，并且最大化最小SNR问题尚没有找到复杂度较低的算法，因此需要寻找更为合适的优化目标。

发明内容

本发明的目的在于提供一种用于多小区多播MIMO移动通信***的下行单业务协作预编码方法，该方法利用多小区联合处理可以有效的提高小区边缘覆盖，降低了算法复杂度，比以最大化最小SNR为优化目标的编码方法更能体现***公平性，以及整体覆盖性能。

为了实现以上目的，本发明的一种适用于多小区多播MIMO移动通信***的下行单业务协作预编码方法，该方法的具体步骤包括：

1)、基站获得所有希望接收多播业务用户反馈的信道矢量，并且反馈给中心处理单元；

2)、中心处理单元建立以公平性加权的平均SNR为优化目标的优化模型；

3)、通过找到等效信道矢量张成空间的一组标准正交基对步骤2）的优化模型进行转化；

4)、将步骤3）转化后的优化模型进一步转化为一个线性规划问题和一个二次规划问题；

5)、将求得的解转化为波束赋形矢量的形式，得到最终的预编码矢量。

有益效果：与现有技术方案相比，本发明提出的适用于多小区多播MIMO移动通信***的下行单业务协作预编码方法以公平性加权的平均SNR为优化目标进行下行预编码优化，并通过一系列转化，将问题转化为凸优化问题，并提出简单有效的算法进行求解，降低了算法复杂度，比最大化最小SNR更能体现***公平性，并且考虑了整体性能，利用多小区联合处理还可以有效的提高小区边缘覆盖，多小区多播MIMO移动通信***使用本发明提出的下行单业务协作预编码方法可以有效地提升***公平性，以及整体覆盖性能。

附图说明

图1为本发明所提协作预编码方法流程图。

图2为本发明的应用场景示意图。

图3为本发明所提协作预编码方法的***框图。

具体实施方式

1.方案实施典型场景举例

本发明可用于基站配置了多个天线，移动台配置单天线的MIMO多播蜂窝***，此外要求将区域内小区进行分簇，每个簇包括多个相邻小区，进行联合下行发送，每个簇包含一个中心基站，基站可以获得每个移动台下行信道信息并将其传输给中心基站，应用场景示意图如图2所示。

2.本技术方案所应用设备

本发明所提出的方案，可以用于该***的各个簇的中心基站发送机模块中，本发明所提协作预编码方法的***框图如图3所示。

3.实施步骤：

a)基站设备的电路设计：对基站设备进行电路设计，提供专用芯片的运行环境。

b)专用芯片中的算法电路设计：在这一步中，将本发明所对应的算法与基站的其它算法一起，用该专用芯片所对应的硬件描述语言（如VHDL语言）描述。

c)将硬件描述语言所描述的专用芯片的结构固化到专用芯片之上。

d)将芯片安装到相应的基站设备电路板上，即可运行。

本发明具体实施例中的具体协作编码方法步骤如下：

第一步：基站获得所有希望接收多播业务用户反馈的信道矢量h_mi，h_mi表示第m个基站与第i个用户之间的信道矢量，m=1，…，M，i=1，…，N，M表示协作的小区个数，N表示总的用户数，h_mi可以表示为其中N_t为单个基站发送天线数目，假设所有基站天线数目相同；

表示第m个基站第j根天线与移动台之间的信道衰落系数，将所有基站作为一个等效的天线阵列，得到天线阵列与第i个用户之间的信道矢量为h_i=(h_1i，…，h_Mi)，令第m个基站的下行预编码矢量为

等效的整体预编码矢量为

第二步：建立以公平性加权的平均SNR为优化目标的优化模型：

$\max \frac{{\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{SNR}}_i\right)}^2}{N\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{SNR}}_i^2}{\mathrm{SNR}}_{\mathrm{avg}}$

$s.t.{\mathrm{SNR}}_i=P{\left|h_{i}w\right|}^2/{\mathrm{\σ}}_i^2---\left(1\right)$

${\mathrm{SNR}}_{\mathrm{avg}}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{SNR}}_i/N$

‖w_m‖²≤1，m=1，…，M

其中w为需要优化的预编码矢量，假设各个基站均以相同的满功率发送，P为基站发送功率，

为第i个用户接收机的加性高斯白噪声功率，SNR_i为第i个用户接收信噪比，SNR_avg为所有N个用户的平均信噪比，‖w_m‖²≤1，m=1，…，M表示各个基站的功率约束。

第三步：找到空间

的一组标准正交基为υ₁，υ₂，…，υ_K，将用户i的信道矢量表示为

其中a_ik表示

在υ_k上的投影；将波束赋形矢量表示为

其中θ_k∈[0，2π]，k＝1，…，K，则用户i的SNR可以表示为 ${\mathrm{SNR}}_i=a_i^{T}b,$ 其中 $a_i={(P{\left|a_{i1}\right|}^2/{\mathrm{\σ}}_i^2,\·\·\·,P{\left|a_{\mathrm{iK}}\right|}^2/{\mathrm{\σ}}_i^2)}^T,$ b=(b₁，…，b_K)^T。将公式（1）转化为公式（2），如下：

$\max f\left(b\right)=\frac{{\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i^{T}b\right)}^3}{N^2\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(a_i^{T}b\right)}^2}---\left(2\right)$

$s.t.c_m^{T}b\≤1,m=1,\·\·\·,M$

b_k≥0，k=1，…，K

第四步：对第三步转化后的问题进一步转化为一个线性规划问题和一个二次规划问题：

令

将目标函数f(b)转化为：

$f\left(x\right)=-\frac{x^T{\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i{a}_i^T\right)}^{-1/2}\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i^T\right){\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i{a}_i^T\right)}^{-1/2}x}{N^2{x}^{T}x}\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i^T\right){\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i{a}_i^T\right)}^{-1/2}x---\left(3\right)$

令 $A={\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i{a}_i^T\right)}^{-1/2}\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i^T\right){\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i{a}_i^T\right)}^{-1/2},$ 此时矩阵A为对称阵，

并且秩为1；对A进行奇异值分解得到A=UΛU^T，其中Λ为对角阵，对角线元素为A的特征值，并且由A的秩为1可以知道，Λ对角线元素除第1个外均为0，第一个也就是最大特征值为 ${\mathrm{\λ}}_{\max }=\mathrm{tr}\left(A\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i^T{\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i{a}_i^T\right)}^{-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i;$ 并且 $U=(u_1,\·\·\·,u_{{\mathrm{MN}}_t}),$ u₁为λ_max对应特征向量，

为特征值0对应的特征向量，且特征向量之间两两正交，因此

将x表示为

其中α_i表示x在u_i方向上的投影，利用变量代换，将问题（2）转化为问题（4）的等价形式：

$\max \frac{{\mathrm{\α}}_1^3{\mathrm{\λ}}_{\max }^{3/2}}{N^2\left(\underset{i=1}{\overset{{\mathrm{MN}}_t}{\mathrm{\Σ}}}{\mathrm{\α}}_i^2\right)}$

$s.t.c_m^T{\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i{a}_i^T\right)}^{-1/2}\mathrm{U\α}\≤1,m=1,\·\·\·,M---\left(4\right)$

${\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i{a}_i^T\right)}^{-1/2}\mathrm{U\α}\≥0$

①对公式（4）进行分步讨论，首先最大化α₁，之后最小化

对于最大化α₁，利用单纯形方法求解如下线性规划问题，得到最大的α_1，max：

max α₁

$s.t.c_m^T{\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i{a}_i^T\right)}^{-1/2}\mathrm{U\α}\≤1,m=1,\·\·\·,M$

${\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i{a}_i^T\right)}^{-1/2}\mathrm{U\α}\≥0$

单纯形算法迭代步骤如所示：

表1单纯形迭代步骤

②将α_1，max作为已知，利用起作用集方法求解如下二次规划问题，其中优化变量为

$\min \underset{i=2}{\overset{{\mathrm{MN}}_t}{\mathrm{\Σ}}}{\mathrm{\α}}_i^2$

$s.t.c_m^T{\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i{a}_i^T\right)}^{-1/2}\mathrm{U\α}\≤1,m=1,\·\·\·,M$

${\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i{a}_i^T\right)}^{-1/2}\mathrm{U\α}\≥0$

α₁＝α_1,max

表2起作用集法迭代步骤

第五步：结果输出

①求得最优的α_opt后，代入得到最优的x_opt；

②求得最优的α_opt后，代入

得到最优的b_opt；

③求得最优的b_opt后，代入

得到最优的w_opt。

Claims (6)

1.多小区多播MIMO移动通信***下行单业务协作预编码方法，其特征在于，包括以下步骤：

1）基站获得所有希望接收多播业务用户反馈的信道矢量，并且反馈给中心处理单元；

2）中心处理单元建立以公平性加权的平均SNR为优化目标的优化模型；

3）通过找到等效信道矢量张成空间的一组标准正交基对步骤2）的优化模型进行转化；

4）将步骤3）转化后的优化模型进一步转化为一个线性规划问题和一个二次规划问题；

5）将求得的解转化为波束赋形矢量的形式，得到最终的预编码矢量。

2.根据权利要求1所述的下行单业务协作预编码方法，其特征在于，所述步骤1）中，基站获得所有希望接收多播业务用户反馈的信道矢量h_mi，h_mi表示第m个基站与第i个用户之间的信道矢量，m=1，…，M，i=1，…，N，M表示协作的小区个数，N表示总的用户数，h_mi可以表示为 

其中N_t为单个基站发送天线数目，假设所有基站天线数目相同； 表示第m个基站第j根天线与第i个移动台之间的信道衰落系数，将所有基站作为一个等效的天线阵列，得到天线阵列与第i个用户之间的信道矢量为h_i=(h_1i，…，h_Mi)，令第m个基站的下行预编码矢量为 

等效的整体预编码矢量即波束赋形矢量为 

3.根据权利要求2所述的下行单业务协作预编码方法，其特征在于，所述步骤2）中，建立以公平性加权的平均SNR为优化目标的优化模型： 

‖w_m‖2≤1，m＝1，…，M

其中，w为需要优化的预编码矢量，假设各个基站均以相同的满功率发送，P为基站发送功率， 

为第i个用户接收机的加性高斯白噪声功率，SNR_i为第i个用户接收信噪比，SNR_avg为所有N个用户的平均信噪比，‖w_m‖²≤1，m=1，…，M表示各个基站的功率约束。

4.根据权利要求3所述的下行单业务协作预编码方法，其特征在于，所述步骤3）包含以下步骤：

首先，找到空间 

的一组标准正交基为υ₁，υ₂,…，υ_K，将用户i的信道矢量表示为 

其中a_ik表示 

在υ_k上的投影；将波束赋形矢量即需要优化的预编码矢量w表示为 

其中b_k表示w在第k个正交方向上的投影幅度，θ_k∈[0，2π]表示w在第k个正交方向上的投影相位，则用户i的SNR可以表示为

其中

b=(b₁，…，b_K)^T；

然后，公式（1）转化为公式（2），如下： 

b_k≥0，k=1，…，K。

5.根据权利要求4所述的下行单业务协作预编码方法，其特征在于，所述步骤4）具体步骤如下：

令 

将目标函数f(b)转化为：

令

矩阵A为对称阵，并且秩为1；

对A进行奇异值分解得到A=UΛU^T，其中Λ为对角阵，对角线元素为A的特征值，并且由A的秩为1知道，Λ对角线元素除第1个外均为0，第一个也就是最大特征值为并且

u₁为λ_max对应特征向量， 

为特征值0对应的特征向量，且特征向量之间两两正交，因此 将x表示为 

其中α_i表示x在u_i方向上的投影；

利用变量代换，将问题（2）转化为问题（4）的等价形式： 

①对问题（4）进行分步讨论，首先最大化α₁，之后最小化 

对于最大化α₁，利用单纯形方法求解如下线性规划问题，得到最大的α_1，max：

max  α₁

单纯形算法迭代步骤如所示：

表1单纯形迭代步骤

②将α_1,max作为已知，利用起作用集方法求解如下二次规划问题，其中优化变量为 

α₁＝α_1,max

表2起作用集法迭代步骤

6.根据权利要求5所述的下行单业务协作预编码方法，其特征在于，所述步骤5）中，求得最优的α_opt后，代入 

得到最优的x_opt；将α_opt与x_opt代入 

得到最优的b_opt；将b_opt代入 

得到最优的w_opt。 

Images