CN102882570A - 移动通信网络下设备间通信的最优收发联合处理方法 - Google Patents

Abstract

本发明公开了一种在移动通信网络下设备间通信的最优收发联合处理方法，按如下步骤进行：首先，时分双工通信***中的基站通过上行信道估计可以等价地获得它至UE3的下行信道信息以及到D2D接收用户的下行干扰信道信息；UE1采用类似的信道估计方法可以获得它至UE2的传输信道信息和它对UE3的干扰信道信息，并将它们反馈给基站。接着，基站根据获得的所有四类信道信息按照最小化均方误差准则或者最大化信道信道容量准则计算出基站到UE3和UE1到UE2的预编码矩阵和接收矩阵。最后，基站将计算得到的发送预编码矩阵、接收矩阵通过控制信道通知给UE1、UE2和UE3。

Description

移动通信网络下设备间通信的最优收发联合处理方法

技术领域

本发明涉及一种移动通信网络下设备间通信的最优收发联合处理方法，属于多天线干扰信道中的收发联合处理方法设计领域。

背景技术

近几年随着LTE-A的进一步演进发展，向现有移动网络融合例如异构网络、多点协同传输(CoMP)等新型移动通信技术引起了广泛的关注。Device-to-Device(D2D)通信是一种允许本地距离较近的终端之间直接进行通信的新型技术。在已有的移动通信***的控制下，通过复用小区资源能够增加蜂窝通信***频谱效率，降低终端发射功率，在一定程度上解决无线通信***频谱资源匮乏的问题。相对于现有的无线本地局域网和蓝牙等技术，D2D通信设备工作在许可频段，不仅能够灵活的采用多种资源分配策略还能有效的抑制干扰从而保证通信的可靠性，提升用户的服务质量。尽管D2D通信技术拥有很多优点，但是由于在同频段上传输的D2D信号会对原小区信号产生干扰，甚至有可能降低了小区容量因而导致频谱利用率下降。

近年来，多天线技术（MIMO）已经受到研究人员的广泛关注，该技术能够利用发射端和接收端的多根天线提供的空间自由度对已有时间和频率资源进行空间上的复用，从而显著提高频谱资源的利用效率和***的通信容量。另一方面，多天线技术可以利用空间自由度抑制同频干扰。

在传统多用户MIMO***中，几种基于MIMO技术抑制多用户干扰的优化算法被广泛运用于点到点信道和两跳信道中。优化的***指标包含有接收信号的均方误差(MSE)、***容量(Sum-Rate)等。还有一些次优的算法例如迫零算法(ZF)和最大化信泄噪比(SLNR)算法，迫零算法将各个用户的信号通过预处理完全映射到干扰信道的零空间中，这样可以完全消除其它干扰用户对目标用户的干扰。SLNR则将传统地对信干噪比(SINR)指标的优化转变为对信泄露噪比的优化，将优化问题去耦合后可以求得闭式解，从而大大降低了优化问题的计算复杂度，SLNR的性能却没有很多损失。

对于包含D2D的通信场景很少有研究关注基于多天线技术的干扰抑制问题。最近，有研究人员设计了一种基于迫零思想的完全抑制基站对D2D接收用户干扰的方案。该方案的思想就是将基站发送给无线移动网络用户的信号映射到基站对D2D接收用户的干扰信道零空间中去。由于完全抑制了来自于无线移动网络链路的干扰，D2D链路可以最大功率发送数据。该方案存在不足就是没有考虑D2D发送用户对无线移动网络用户的干扰问题。本专利将利用所有的传输信道和干扰信道信息，综合地优化无线移动网络链路和D2D链路的发送预编码矩阵和接收矩阵，达到最小化小区接收信号均方误差以降低接收误比特率以及最大化两条链路和速率的目标。对实际***的性能有很大的提高。

发明内容

本发明针对现有技术的不足，提供一种移动通信网络下设备间通信的最优收发联合处理方法，联合优化的具体实现可以通过使无线移动网络链路和D2D链路的接收信号的均方误差最小化从而降低误比特率，或者优化整个***的和速率使之最大化。

本发明采用的技术方案为：一种移动通信网络下设备间通信的最优收发联合处理方法，该方法按以下步骤进行：

1）D2D(Device-to-Device)发送用户UE1(User Equipment)和D2D接收用户UE2分别拥有N₁根发送天线和M₁根接收天线，基站拥有N₂根发送天线，网络用户UE3拥有M₂根接收天线。D2D发送用户和基站的发送功率分别为P₁、P₂，它们分别发送多流数据x₁和x₂(维度分别为S₁×1和S₂×1)给各自的接收机。S₁和S₂分别表示D2D链路和无线移动网络链路传输的数据流数。

2）D2D链路与无线移动网络链路采用非正交方式共享时频资源，即D2D设备对之间通信的物理信道与某个无线移动网络用户的物理资源重叠。在TDD(TimeDivision Duplexing)***中，为了使基站获得完整的信道信息来实现最优收发设计，基站可以通过上行信道估计获得基站至UE3的下行信道H₂以及基站至UE2的下行干扰信道H_2，1；通过上述相同的信道估计方式，UE1同样可以获得它至UE2的传输信道H₁和它与UE3之间的干扰信道H_1，2。最后UE1将H₁和H_1，2反馈给基站。

3）基站根据获得的完整的四类信道信息通过最小化接收信号均方误差降低误比特率或者最大化信道信道容量准则优化基站、UE1的预编码矩阵和UE2、UE3的接收矩阵。由于上述最优化问题是非凸问题且不存在闭式解，所以本专利提供了两种可选的迭代算法。为方便叙述，将最小化接收信号均方误差迭代算法称作算法一，而将最大化信道容量算法称作算法二。算法一的迭代计算方法如下：

步骤1：令迭代次数变量n=0，按照传输信道H₁和H₂奇异值分解结果初始化发送预编码矩阵

u＝1,2；下标u是标识链路的变量，其中u=1和u=2分别表示D2D链路(UE1和UE2之间的通信链路)和移动网络下行链路(基站到UE3的通信链路)。

步骤2：n=n+1，然后根据下面式(2)计算第n+1次迭代过程中链路u的接收矩阵 $F_u^{(n+1)};$

步骤3：将步骤2计算得到的

代入功率约束条件下面式(3)求得参数

其中

是保证功率约束条件成立而引入的拉格朗日乘数；

步骤4：将步骤2和步骤3中计算得到的

和

代入下面式(1)可以计算得到第n+1次迭代过程中的发送预编码矩阵

步骤5：重复步骤2到步骤4直到和收敛。

$W_u^{(n+1)}={(H_u^H{F}_u^{(n+1)}{F}_u^{H,(n+1)}{H}_u+H_{u,m}^H{F}_m^{(n+1)}{F}_m^{H,(n+1)}{H}_{u,m}+{\mathrm{\μ}}_u^{(n+1)}I)}^{-1}{H}_u^H{F}_u^{(n+1)}---\left(1\right)$

$F_u^{(n+1)}={(H_u{W}_u^{\left(n\right)}{W}_u^{H,\left(n\right)}{H}_u^H+H_{m,u}^H{W}_m^{\left(n\right)}{W}_m^{H,\left(n\right)}{H}_{m,u}+{\mathrm{\σ}}_u^{2}I)}^{-1}{H}_u{W}_u^{\left(n\right)}---\left(2\right)$

$\underset{i=1}{\overset{N_u}{\mathrm{\Σ}}}\frac{G_u^{\left[\mathrm{tt}\right],(n+1)}}{[{\mathrm{\μ}}_u^{(n+1)}+{\mathrm{\Δ}}_u^{\left[\mathrm{tt}\right],(n+1)}]}=\mathrm{Pu}---\left(3\right)$

式(1)至式(3)中下标u和m都是标识链路的变量且u,m∈{1,2},u≠m，而n表示迭代次数变量，大写H表示矩阵的共轭转置操作，I表示单位阵。

和

分别代表了矩阵

和

主对角线上的第t个元素。其中， $G_u^{(n+1)}=U_u^{H,(n+1)}{H}_u^H{F}_u^{(n+1)}{F}_u^{H,(n+1)}{H}_u^H{U}_u^{(n+1)},$

和

分别是

特征分解的对角阵和酉矩阵。

算法二的迭代计算方法如下：

步骤1：令迭代次数变量n=0，选择足够小的正数τ以及门限(一般为极小的正数，例如取0.001)，按照传输信道H₁和H₂奇异值分解结果初始化发送预编码矩阵

和接收矩阵

并将它们代入下面式(4)得到初始化信道容量并记为cap(0)；

步骤2：n=n+1，然后根据(5)式二次规划计算出第n+1次迭代中更新向量z；z的表达式为

其中，

和分别表示链路u预编码矩阵和接收矩阵在地n+1次迭代过程中的更新值；u=1、2分别表示D2D链路(UE1和UE2之间的通信链路)和移动网络下行链路(基站到UE3的通信链路)；表示拉直运算，T表示矩阵转置。

步骤3：利用步骤2中获得的更新向量并引入线性搜索参数β，β在区间[0,1]中线性变化，同时记

和

并将它们代入式(4)计算得到含参的cap(n+1,β)，最终求得最大化cap(n+1,β)的β^*；

步骤4：更新

和

并得到在n+1迭代过程中最优的信道容量记为cap(n+1)＝cap(n+1,β^*)。

步骤5：重复步骤2到步骤4直到cap(n+1)-cap(n)≤门限；

步骤6：最后，根据功率约束条件对W_u线性加权；

最大化信道容量准则的计算公式如下面式(4)所示，下面式(5)是式(4)的近似式且为二次规划问题；

$\underset{{\mathrm{\Δ}}_{W,u}^{(n+1)},{\mathrm{\Δ}}_{F,u}^{(n+1)}}{\max \mathrm{imize}}\underset{u=1}{\overset{2}{\mathrm{\Σ}}}\underset{k=1}{\overset{S_u}{\mathrm{\Σ}}}{\log }_2(1+{\mathrm{\γ}}_{u,k}^{(n+1)})$ (4)

$s.t.{\mathrm{\γ}}_{u,k}^{(n+1)}=\frac{f_{u,k}^{H,(n+1)}{H}_u{w}_{u,k}^{(n+1)}{w}_{u,k}^{H,(n+1)}{H}_u^H{f}_{u,k}^{(n+1)}}{f_{u,k}^{H,(n+1)}(H_u\underset{i\≠k}{\overset{S_u}{\mathrm{\Σ}}}{w}_{u,i}^{(n+1)}{w}_{u,i}^{H,(n+1)}{H}_u^H+\underset{m\≠u}{\overset{2}{\mathrm{\Σ}}}\frac{{\mathrm{\ρ}}_m}{{\mathrm{\ρ}}_u}{H}_{m,u}{W}_m^{(n+1)}{W}_m^{H,(n+1)}{H}_{m,u}^H+\frac{{\mathrm{\σ}}_u^2}{{\mathrm{\ρ}}_u}I)f_{u,k}^{(n+1)}}$

$\mathrm{tr}\left(W_m^{(n+1)}{W}_m^{H,(n+1)}\right)=\frac{P_u}{{\mathrm{\ρ}}_u};u=\mathrm{1,2};k=1,...,S_u$

其中，式(4)中下标u和m都是标识链路的变量且u,m∈{1,2},u≠m，大写H表示矩阵的共轭转置操作，I表示单位阵。w_u，k和f_u,k分别是发送预编码矩阵W_u和接收矩阵F_u的第k列向量；ρ_u是链路u的发送功率约束因子，保证功率恒为P_u。

为链路u的第k个数据流的接收信干噪比，将它泰勒展开后用一阶多项式近似忽略高阶项后可以将(4)式的最优化问题等价的转化为如下的凸优化问题：

$\underset{z}{\min \mathrm{imize}}{z}^T\left(\underset{u=1}{\overset{2}{\mathrm{\Σ}}}\underset{k=1}{\overset{S_u}{\mathrm{\Σ}}}\frac{1}{2{(1+{\mathrm{\γ}}_{u,k}^{(n+1)})}^2}{p}_{u,k}{p}_{u,k}^T\right)z-\left(\underset{u=1}{\overset{2}{\mathrm{\Σ}}}\underset{k=1}{\overset{S_u}{\mathrm{\Σ}}}\frac{1}{1+{\mathrm{\γ}}_{u,k}^{(n+1)}}{p}_{u,k}^T\right)z$

s.t.    Qz＝e        (5)

-τ1≤z≤τ1

为描述方便，式(5)中已经将某些项合并为如下所列中间变量：

$p_{u,k}=(\frac{1}{y_{u,k}^{\left(n\right)}}{g}_{x,u,k}-\frac{x_{u,k}^{\left(n\right)}}{y_{u,k}^{2,\left(n\right)}}{g}_{y,u,k}),$

$Q=\left[\begin{array}{c}{q}_1^T\\ q_2^T\end{array}\right],---\left(6\right)$

e=[P₁/ρ₁  P₂/ρ₂]^T

p_u，k表达式中的

g_x，u,k和g_y，u，k如下所示，

$x_{u,k}^{\left(n\right)}=f_{u,k}^{H,\left(n\right)}{H}_u{w}_{u,k}^{\left(n\right)}{w}_{u,k}^{H,\left(n\right)}{H}_u^H{f}_{u,k}^{\left(n\right)}$

$y_{u,k}^{\left(n\right)}=f_{u,k}^{H,\left(n\right)}(H_u\underset{i\≠k}{\overset{S_u}{\mathrm{\Σ}}}{w}_{u,i}^{\left(n\right)}{w}_{u,i}^{H,\left(n\right)}{H}_u^H+\underset{m\≠u}{\overset{2}{\mathrm{\Σ}}}\frac{{\mathrm{\ρ}}_m}{{\mathrm{\ρ}}_u}{H}_{m,u}{W}_m^{\left(n\right)}{W}_m^{H,\left(n\right)}{H}_{m,u}^H+\frac{{\mathrm{\σ}}_u^2}{{\mathrm{\ρ}}_u}I)f_{u,k}^{\left(n\right)}---\left(7\right)$

式(7)中

和

分别为

的分子和分母，变量a_u，i，b_u,i，c_m和d_u，k定义如下

$a_{u,i}=\mathrm{vec}\left(H_u^H{f}_{u,k}^{\left(n\right)}{f}_{u,k}^{H,\left(n\right)}{H}_u{w}_{u,i}^{\left(n\right)}\right),i=1,...,S_u;$

$b_{u,i}=\mathrm{vec}\left(H_u{w}_{u,k}^{\left(n\right)}{w}_{u,k}^{H,\left(n\right)}{H}_u^H{f}_{u,k}^{\left(n\right)}\right),i=1,...,S_u;$

$c_m=\mathrm{vec}\left(\frac{{\mathrm{\ρ}}_m}{{\mathrm{\ρ}}_u}{H}_{m,u}^H{f}_{u,k}^{\left(n\right)}{f}_{u,k}^{H,\left(n\right)}{H}_{m,u}{W}_m^{\left(n\right)}\right),m=1,2;---\left(9\right)$

$d_{u,k}=\mathrm{vec}\left((\underset{m\≠u}{\overset{2}{\mathrm{\Σ}}}\frac{{\mathrm{\ρ}}_m}{{\mathrm{\ρ}}_u}{H}_{m,u}{W}_m^{\left(n\right)}{W}_m^{H,\left(n\right)}{H}_{m,u}^H+\frac{{\mathrm{\σ}}_u^2}{{\mathrm{\ρ}}_u}I)f_{u,k}^{\left(n\right)}\right).$

式(6)中矩阵Q中的行向量为

有益效果：1)本发明方法更加全面地考虑了基站对D2D链路的干扰以及D2D发送用户对无线移动网络链路的干扰。充分利用所有的传输信道和干扰信道信息，联合优化无线移动网络链路和D2D链路的发送预编码矩阵和接收矩阵。

2)采用本发明方法中计算出的发送预编码矩阵和接收矩阵可以达到最小化小区接收信号均方误差以降低接收误比特率和以及最大化两条链路的和速率的目标。对实际***的性能有很大的提高。

附图说明

图1是本发明提出的移动通信网络下设备间通信的最优收发联合处理方法的***框图。

图2是本发明提出的最优化均方误差算法(算法一)和迫零、最大化SLNR算法的误比特性能曲线。图中，基站和UE1拥有4根发送天线，UE2和UE3有2根接收天线。两条链路都传输单流数据。

图3是本发明提出的最大化***容量算法(算法二)、迫零(ZF)、最大化信泄露噪比(SLNR)算法在小区含有D2D链路是的容量曲线。图3还包含了小区不含D2D链路时的容量曲线。图中，基站和UE1拥有4根发送天线，UE2和UE3有2根接收天线。两条链路都传输双流数据。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示：本发明的具体实施步骤如下：

1)D2D(Device-to-Device)发送用户UE1(User Equipment)和D2D接收用户UE2分别拥有N₁根发送天线和M₁根接收天线，基站拥有N₂根发送天线，网络用户UE3拥有M₂根接收天线。D2D发送用户和基站的发送功率分别为P₁、P₂，它们分别发送多流数据x₁和x₂(维度分别为S₁×1和S₂×1)给各自的接收机。S₁和S₂分别表示D2D链路和无线移动网络链路传输的数据流数。

2）D2D链路与无线移动网络链路采用非正交方式共享时频资源，即D2D设备对之间通信的物理信道与某个无线移动网络用户的物理资源重叠。在TDD(TimeDivision Duplexing)***中，为了使基站获得完整的信道信息来实现最优收发设计，基站可以通过上行信道估计获得基站至UE3的下行信道H₂以及基站至UE2的下行干扰信道H_2，1；通过上述相同的信道估计方式，UE1同样可以获得它至UE2的传输信道H₁和它与UE3之间的干扰信道H_1，2。最后UE1将H₁和H_1,2反馈给基站。

3)基站根据获得的完整的四类信道信息通过最小化接收信号均方误差降低误比特率或者最大化信道信道容量准则优化基站、UE1的预编码矩阵和UE2、UE3的接收矩阵。由于上述最优化问题是非凸问题且不存在闭式解，所以本专利提供了两种可选的迭代算法。u=1、u=2分别表示D2D链路和无线移动网络链路。为方便叙述，将最小化接收信号均方误差迭代算法称作算法一，如图2所示，而将最大化信道容量算法称作算法二，如图3所示。算法一的迭代计算方法如下：

步骤1：令迭代次数变量n=0，按照传输信道H₁和H₂奇异值分解结果初始化发送预编码矩阵

u＝1,2；下标u是标识链路的变量，其中u=1和u=2分别表示D2D链路(UE1和UE2之间的通信链路)和移动网络下行链路(基站到UE3的通信链路)。

步骤2：n=n+1，然后根据下面式(2)计算第n+1次迭代过程中链路u的接收矩阵 $F_u^{(n+1)};$

步骤3：将步骤2计算得到的

代入功率约束条件下面式(3)求得参数

其中

是保证功率约束条件成立而引入的拉格朗日乘数；

步骤4：将步骤2和步骤3中计算得到的和

代入下面式(1)可以计算得到第n+1次迭代过程中的发送预编码矩阵

步骤5：重复步骤2到步骤4直到

和

收敛。

$W_u^{(n+1)}={(H_u^H{F}_u^{(n+1)}{F}_u^{H,(n+1)}{H}_u+H_{u,m}^H{F}_m^{(n+1)}{F}_m^{H,(n+1)}{H}_{u,m}+{\mathrm{\μ}}_u^{(n+1)}I)}^{-1}{H}_u^H{F}_u^{(n+1)}---\left(1\right)$

$F_u^{(n+1)}={(H_u{W}_u^{\left(n\right)}{W}_u^{H,\left(n\right)}{H}_u^H+H_{m,u}^H{W}_m^{\left(n\right)}{W}_m^{H,\left(n\right)}{H}_{m,u}+{\mathrm{\σ}}_u^{2}I)}^{-1}{H}_u{W}_u^{\left(n\right)}---\left(2\right)$

$\underset{i=1}{\overset{N_u}{\mathrm{\Σ}}}\frac{G_u^{\left[\mathrm{tt}\right],(n+1)}}{[{\mathrm{\μ}}_u^{(n+1)}+{\mathrm{\Δ}}_u^{\left[\mathrm{tt}\right],(n+1)}]}=\mathrm{Pu}---\left(3\right)$

式(1)至式(3)中下标u和m都是标识链路的变量且u,m∈{1,2},u≠m，而n表示迭代次数变量，大写H表示矩阵的共轭转置操作，I表示单位阵。

和

分别代表了矩阵

和

主对角线上的第t个元素。其中， $G_u^{(n+1)}=U_u^{H,(n+1)}{H}_u^H{F}_u^{(n+1)}{F}_u^{H,(n+1)}{H}_u^H{U}_u^{(n+1)},$

和

分别是

特征分解的对角阵和酉矩阵。

算法二的迭代计算方法如下：

步骤1：令迭代次数变量n=0，选择足够小的正数τ以及门限(一般为极小的正数，例如取0.001)，按照传输信道H₁和H₂奇异值分解结果初始化发送预编码矩阵

和接收矩阵

并将它们代入下面式(4)得到初始化信道容量并记为cap(0)；

步骤2：n=n+1，然后根据下面(5)式二次规划计算出第n+1次迭代中更新向量z；z的表达式为

其中，和

分别表示链路u预编码矩阵和接收矩阵在地n+1次迭代过程中的更新值；u=1、2分别表示D2D链路(UE1和UE2之间的通信链路)和移动网络下行链路(基站到UE3的通信链路)；

表示拉直运算，T表示矩阵转置。

步骤3：利用步骤2中获得的更新向量并引入线性搜索参数β，β在区间[0,1]中线性变化，同时记

和

并将它们代入式(4)计算得到含参的cap(n+1,β)，最终求得最大化cap(n+1,β)的β^*；

步骤4：更新

和

并得到在n+1迭代过程中最优的信道容量记为cap(n+1)＝cap(n+1,β^*)。

步骤5：重复步骤2到步骤4直到cap(n+1)-cap(n)≤门限；

步骤6：最后，根据功率约束条件对W_u线性加权；

最大化信道容量准则的计算公式如式下面(4)所示，下面式(5)是式(4)的近似式且为二次规划问题；

$\underset{{\mathrm{\Δ}}_{W,u}^{(n+1)},{\mathrm{\Δ}}_{F,u}^{(n+1)}}{\max \mathrm{imize}}\underset{u=1}{\overset{2}{\mathrm{\Σ}}}\underset{k=1}{\overset{S_u}{\mathrm{\Σ}}}{\log }_2(1+{\mathrm{\γ}}_{u,k}^{(n+1)})$ (4)

$s.t.{\mathrm{\γ}}_{u,k}^{(n+1)}=\frac{f_{u,k}^{H,(n+1)}{H}_u{w}_{u,k}^{(n+1)}{w}_{u,k}^{H,(n+1)}{H}_u^H{f}_{u,k}^{(n+1)}}{f_{u,k}^{H,(n+1)}(H_u\underset{i\≠k}{\overset{S_u}{\mathrm{\Σ}}}{w}_{u,i}^{(n+1)}{w}_{u,i}^{H,(n+1)}{H}_u^H+\underset{m\≠u}{\overset{2}{\mathrm{\Σ}}}\frac{{\mathrm{\ρ}}_m}{{\mathrm{\ρ}}_u}{H}_{m,u}{W}_m^{(n+1)}{W}_m^{H,(n+1)}{H}_{m,u}^H+\frac{{\mathrm{\σ}}_u^2}{{\mathrm{\ρ}}_u}I)f_{u,k}^{(n+1)}}$

$\mathrm{tr}\left(W_m^{(n+1)}{W}_m^{H,(n+1)}\right)=\frac{P_u}{{\mathrm{\ρ}}_u};u=\mathrm{1,2};k=1,...,S_u$

其中，式(4)中下标u和m都是标识链路的变量且u,m∈{1,2},u≠m，大写H表示矩阵的共轭转置操作，I表示单位阵。w_u，k和f_u,k分别是发送预编码矩阵W_u和接收矩阵F_u的第k列向量；ρ_u是链路u的发送功率约束因子，保证功率恒为P_u。为链路u的第k个数据流的接收信干噪比，将它泰勒展开后用一阶多项式近似忽略高阶项后可以将(4)式的最优化问题等价的转化为如下的凸优化问题：

$\underset{z}{\min \mathrm{imize}}{z}^T\left(\underset{u=1}{\overset{2}{\mathrm{\Σ}}}\underset{k=1}{\overset{S_u}{\mathrm{\Σ}}}\frac{1}{2{(1+{\mathrm{\γ}}_{u,k}^{(n+1)})}^2}{p}_{u,k}{p}_{u,k}^T\right)z-\left(\underset{u=1}{\overset{2}{\mathrm{\Σ}}}\underset{k=1}{\overset{S_u}{\mathrm{\Σ}}}\frac{1}{1+{\mathrm{\γ}}_{u,k}^{(n+1)}}{p}_{u,k}^T\right)z$

s.t.    Qz＝e        (5)

-τ1≤z≤τ1

为描述方便，式(5)中已经将某些项合并为如下所列中间变量：

$p_{u,k}=(\frac{1}{y_{u,k}^{\left(n\right)}}{g}_{x,u,k}-\frac{x_{u,k}^{\left(n\right)}}{y_{u,k}^{2,\left(n\right)}}{g}_{y,u,k}),$

$Q=\left[\begin{array}{c}{q}_1^T\\ q_2^T\end{array}\right],---\left(6\right)$

e=[P₁/ρ₁  P₂/ρ₂]^T

p_u，k表达式中的

g_x，u,k和g_y，u，k如下所示，

$x_{u,k}^{\left(n\right)}=f_{u,k}^{H,\left(n\right)}{H}_u{w}_{u,k}^{\left(n\right)}{w}_{u,k}^{H,\left(n\right)}{H}_u^H{f}_{u,k}^{\left(n\right)}$

$y_{u,k}^{\left(n\right)}=f_{u,k}^{H,\left(n\right)}(H_u\underset{i\≠k}{\overset{S_u}{\mathrm{\Σ}}}{w}_{u,i}^{\left(n\right)}{w}_{u,i}^{H,\left(n\right)}{H}_u^H+\underset{m\≠u}{\overset{2}{\mathrm{\Σ}}}\frac{{\mathrm{\ρ}}_m}{{\mathrm{\ρ}}_u}{H}_{m,u}{W}_m^{\left(n\right)}{W}_m^{H,\left(n\right)}{H}_{m,u}^H+\frac{{\mathrm{\σ}}_u^2}{{\mathrm{\ρ}}_u}I)f_{u,k}^{\left(n\right)}---\left(7\right)$

式(7)中

和

分别为的分子和分母，变量a_u，i，b_u,i，c_m和d_u，k定义如下

$a_{u,i}=\mathrm{vec}\left(H_u^H{f}_{u,k}^{\left(n\right)}{f}_{u,k}^{H,\left(n\right)}{H}_u{w}_{u,i}^{\left(n\right)}\right),i=1,...,S_u;$

$b_{u,i}=\mathrm{vec}\left(H_u{w}_{u,k}^{\left(n\right)}{w}_{u,k}^{H,\left(n\right)}{H}_u^H{f}_{u,k}^{\left(n\right)}\right),i=1,...,S_u;$

$c_m=\mathrm{vec}\left(\frac{{\mathrm{\ρ}}_m}{{\mathrm{\ρ}}_u}{H}_{m,u}^H{f}_{u,k}^{\left(n\right)}{f}_{u,k}^{H,\left(n\right)}{H}_{m,u}{W}_m^{\left(n\right)}\right),m=1,2;---\left(9\right)$

$d_{u,k}=\mathrm{vec}\left((\underset{m\≠u}{\overset{2}{\mathrm{\Σ}}}\frac{{\mathrm{\ρ}}_m}{{\mathrm{\ρ}}_u}{H}_{m,u}{W}_m^{\left(n\right)}{W}_m^{H,\left(n\right)}{H}_{m,u}^H+\frac{{\mathrm{\σ}}_u^2}{{\mathrm{\ρ}}_u}I)f_{u,k}^{\left(n\right)}\right).$

式(6)中矩阵Q中的行向量为

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种移动通信网络下设备间通信的最优收发联合处理方法，其特征在于：该方法按以下步骤进行：

1）D2D发送用户UE1和D2D接收用户UE2分别拥有N₁根发送天线和M₁根接收天线，基站拥有N₂根发送天线，网络用户UE3拥有M₂根接收天线，D2D发送用户和基站的发送功率分别为P₁、P₂，它们分别发送多流数据x₁和x₂给各自的接收机，它们的维度分别为S₁×1和S₂×1，S₁和S₂分别表示D2D链路和无线移动网络链路传输的数据流数；

2）D2D链路与无线移动网络链路采用非正交方式共享时频资源，即D2D设备对之间通信的物理信道与某个无线移动网络用户的物理资源重叠；在TDD***中，为了使基站获得完整的信道信息来实现最优收发设计，基站可以通过上行信道估计获得基站至UE3的下行信道H₂以及基站至UE2的下行干扰信道H_2，1；通过上述相同的信道估计方式，UE1同样可以获得它至UE2的传输信道H₁和它与UE3之间的干扰信道H_1，2，最后UE1将H₁和H_1,2反馈给基站；

3）基站根据获得的完整的四类信道信息通过最小化接收信号均方误差降低误比特率或者最大化信道信道容量准则优化基站、UE1的预编码矩阵和UE2、UE3的接收矩阵；

4)基站根据最小化接收信号的均方误差或者最大化信道容量准则计算得到链路1、链路2的发送预编码矩阵和接收矩阵分别为W₁、F₁和W₂、F₂，基站将W₁、F₁通过控制信道传递给D2D通信设备对；

5）最后，UE1利用发送预编码矩阵W₁加权数据流x₁发送给UE2，而发送预编码矩阵W₂则被基站用来加权下行信号x₂并发送给UE3。

2.根据权利要求1所述的移动通信网络下设备间通信的最优收发联合处理方法，其特征在于：所述步骤3）中最小化接收信号均方误差迭代算法称作算法一，该算法的迭代计算方法如下：

步骤1：令迭代次数变量n=0，按照传输信道H₁和H₂奇异值分解结果初始化发送预编码矩阵

u＝1,2；下标u是标识链路的变量，其中u=1和u=2分别表示D2D链路和移动网络下行链路；

步骤2：n＝n+1，然后根据下面式(2)计算第n+1次迭代过程中链路u的接收矩阵

步骤3：将步骤2计算得到的代入功率约束条件下面式(3)求得参数

其中是保证功率约束条件成立而引入的拉格朗日乘数；

步骤4：将步骤2和步骤3中计算得到的

和

代入下面式(1)可以计算得到第n+1次迭代过程中的发送预编码矩阵

步骤5：重复步骤2到步骤4直到和

收敛；

$W_u^{(n+1)}={(H_u^H{F}_u^{(n+1)}{F}_u^{H,(n+1)}{H}_u+H_{u,m}^H{F}_m^{(n+1)}{F}_m^{H,(n+1)}{H}_{u,m}+{\mathrm{\μ}}_u^{(n+1)}I)}^{-1}{H}_u^H{F}_u^{(n+1)}---\left(1\right)$

$F_u^{(n+1)}={(H_u{W}_u^{\left(n\right)}{W}_u^{H,\left(n\right)}{H}_u^H+H_{m,u}^H{W}_m^{\left(n\right)}{W}_m^{H,\left(n\right)}{H}_{m,u}+{\mathrm{\σ}}_u^{2}I)}^{-1}{H}_u{W}_u^{\left(n\right)}---\left(2\right)$

$\underset{i=1}{\overset{N_u}{\mathrm{\Σ}}}\frac{G_u^{\left[\mathrm{tt}\right],(n+1)}}{[{\mathrm{\μ}}_u^{(n+1)}+{\mathrm{\Δ}}_u^{\left[\mathrm{tt}\right],(n+1)}]}=\mathrm{Pu}---\left(3\right)$

式(1)至式(3)中下标u和m都是标识链路的变量且u,m∈{1,2},u≠m，而n表示迭代次数变量，大写H表示矩阵的共轭转置操作，I表示单位阵；

和

分别代表了矩阵

和

主对角线上的第t个元素；其中， $G_u^{(n+1)}=U_u^{H,(n+1)}{H}_u^H{F}_u^{(n+1)}{F}_u^{H,(n+1)}{H}_u^H{U}_u^{(n+1)},$

和

分别是特征分解的对角阵和酉矩阵。

3.根据权利要求1所述的移动通信网络下设备间通信的最优收发联合处理方法，其特征在于：所述步骤3）中最大化信道容量算法称作算法二，该算法的迭代计算方法如下：

步骤1：令迭代次数变量n=0，选择足够小的正数τ以及门限，按照传输信道H₁和H₂奇异值分解结果初始化发送预编码矩阵

和接收矩阵

并将它们代入下面式(4)得到初始化信道容量并记为cap(0)；

步骤2：n＝n+1，然后根据下面式(5)二次规划计算出第n+1次迭代中更新向量z；z的表达式为

其中，

和

分别表示链路u预编码矩阵和接收矩阵在地n+1次迭代过程中的更新值；u=1、2分别表示D2D链路和移动网络下行链路；

表示拉直运算,T表示矩阵转置；

步骤3：利用步骤2中获得的更新向量并引入线性搜索参数β，β在区间[0,1]中线性变化，同时记

和

并将它们代入下面式(4)计算得到含参的cap(n+1,β)，最终求得最大化cap(n+1,β)的β^*；

步骤4：更新

和

并得到在n+1迭代过程中最优的信道容量记为cap(n+1)＝cap(n+1,β^*)；

步骤5：重复步骤2到步骤4直到cap(n+1)-cap(n)≤门限；

步骤6：最后，根据功率约束条件对W_u线性加权；

最大化信道容量准则的计算公式如下面式(4)所示，下面式(5)是下面式(4)的近似式且为二次规划问题；

$\underset{{\mathrm{\Δ}}_{W,u}^{(n+1)},{\mathrm{\Δ}}_{F,u}^{(n+1)}}{\max \mathrm{imize}}\underset{u=1}{\overset{2}{\mathrm{\Σ}}}\underset{k=1}{\overset{S_u}{\mathrm{\Σ}}}{\log }_2(1+{\mathrm{\γ}}_{u,k}^{(n+1)})$ (4)

$s.t.{\mathrm{\γ}}_{u,k}^{(n+1)}=\frac{f_{u,k}^{H,(n+1)}{H}_u{w}_{u,k}^{(n+1)}{w}_{u,k}^{H,(n+1)}{H}_u^H{f}_{u,k}^{(n+1)}}{f_{u,k}^{H,(n+1)}(H_u\underset{i\≠k}{\overset{S_u}{\mathrm{\Σ}}}{w}_{u,i}^{(n+1)}{w}_{u,i}^{H,(n+1)}{H}_u^H+\underset{m\≠u}{\overset{2}{\mathrm{\Σ}}}\frac{{\mathrm{\ρ}}_m}{{\mathrm{\ρ}}_u}{H}_{m,u}{W}_m^{(n+1)}{W}_m^{H,(n+1)}{H}_{m,u}^H+\frac{{\mathrm{\σ}}_u^2}{{\mathrm{\ρ}}_u}I)f_{u,k}^{(n+1)}}$

$\mathrm{tr}\left(W_m^{(n+1)}{W}_m^{H,(n+1)}\right)=\frac{P_u}{{\mathrm{\ρ}}_u};u=\mathrm{1,2};k=1,...,S_u$

其中，式(4)中下标u和m都是标识链路的变量且u,m∈{1,2},u≠m，大写H表示矩阵的共轭转置操作，I表示单位阵；w_u，k和f_u,k分别是发送预编码矩阵W_u和接收矩阵F_u的第k列向量；ρ_u是链路u的发送功率约束因子，保证功率恒为P_u；为链路u的第k个数据流的接收信干噪比，将它泰勒展开后用一阶多项式近似忽略高阶项后可以将(4)式的最优化问题等价的转化为如下的凸优化问题：

$\underset{z}{\min \mathrm{imize}}{z}^T\left(\underset{u=1}{\overset{2}{\mathrm{\Σ}}}\underset{k=1}{\overset{S_u}{\mathrm{\Σ}}}\frac{1}{2{(1+{\mathrm{\γ}}_{u,k}^{(n+1)})}^2}{p}_{u,k}{p}_{u,k}^T\right)z-\left(\underset{u=1}{\overset{2}{\mathrm{\Σ}}}\underset{k=1}{\overset{S_u}{\mathrm{\Σ}}}\frac{1}{1+{\mathrm{\γ}}_{u,k}^{(n+1)}}{p}_{u,k}^T\right)z$

s.t.    Qz＝e        (5)

-τ1≤z≤τ1

式(5)中已经将某些项合并为如下所列中间变量：

$p_{u,k}=(\frac{1}{y_{u,k}^{\left(n\right)}}{g}_{x,u,k}-\frac{x_{u,k}^{\left(n\right)}}{y_{u,k}^{2,\left(n\right)}}{g}_{y,u,k}),$

$Q=\left[\begin{array}{c}{q}_1^T\\ q_2^T\end{array}\right],---\left(6\right)$

e=[P₁/ρ₁  P₂/ρ₂]^T

p_u，k表达式中的g_x，u,k和g_y，u，k如下所示，

$x_{u,k}^{\left(n\right)}=f_{u,k}^{H,\left(n\right)}{H}_u{w}_{u,k}^{\left(n\right)}{w}_{u,k}^{H,\left(n\right)}{H}_u^H{f}_{u,k}^{\left(n\right)}$

$y_{u,k}^{\left(n\right)}=f_{u,k}^{H,\left(n\right)}(H_u\underset{i\≠k}{\overset{S_u}{\mathrm{\Σ}}}{w}_{u,i}^{\left(n\right)}{w}_{u,i}^{H,\left(n\right)}{H}_u^H+\underset{m\≠u}{\overset{2}{\mathrm{\Σ}}}\frac{{\mathrm{\ρ}}_m}{{\mathrm{\ρ}}_u}{H}_{m,u}{W}_m^{\left(n\right)}{W}_m^{H,\left(n\right)}{H}_{m,u}^H+\frac{{\mathrm{\σ}}_u^2}{{\mathrm{\ρ}}_u}I)f_{u,k}^{\left(n\right)}---\left(7\right)$

式(7)中

和分别为

的分子和分母，变量a_u，i，b_u,i，c_m和d_u，k定义如下

$a_{u,i}=\mathrm{vec}\left(H_u^H{f}_{u,k}^{\left(n\right)}{f}_{u,k}^{H,\left(n\right)}{H}_u{w}_{u,i}^{\left(n\right)}\right),i=1,...,S_u;$

$b_{u,i}=\mathrm{vec}\left(H_u{w}_{u,k}^{\left(n\right)}{w}_{u,k}^{H,\left(n\right)}{H}_u^H{f}_{u,k}^{\left(n\right)}\right),i=1,...,S_u;$

$c_m=\mathrm{vec}\left(\frac{{\mathrm{\ρ}}_m}{{\mathrm{\ρ}}_u}{H}_{m,u}^H{f}_{u,k}^{\left(n\right)}{f}_{u,k}^{H,\left(n\right)}{H}_{m,u}{W}_m^{\left(n\right)}\right),m=1,2;---\left(9\right)$

$d_{u,k}=\mathrm{vec}\left((\underset{m\≠u}{\overset{2}{\mathrm{\Σ}}}\frac{{\mathrm{\ρ}}_m}{{\mathrm{\ρ}}_u}{H}_{m,u}{W}_m^{\left(n\right)}{W}_m^{H,\left(n\right)}{H}_{m,u}^H+\frac{{\mathrm{\σ}}_u^2}{{\mathrm{\ρ}}_u}I)f_{u,k}^{\left(n\right)}\right).$

式(6)中矩阵Q中的行向量为

Images