CN103138895A - 无线通信***及执行无线通信***操作的方法 - Google Patents

Abstract

本发明揭示无线通信***及执行无线通信***操作的方法。无线通信***，包含基站。基站接收选择性地提供给预编码器的输入信号。预编码器执行对多个输入信号的预编码，以及输出第一信号。基站包含在信号与干扰加噪声比的目标限制下最小化每一天线的总发送功率、或者在加总功率限制下最大化信号与干扰加噪声比的算法，以决定功率分配并得到高效的预编码器，以及输出第一信号给移动接收器单元。上述无线通信***及执行无线通信***操作的方法能够减少消耗功率，达到更好的效果。

Description

无线通信***及执行无线通信***操作的方法

技术领域

本发明有关于无线通信领域，特别是有关于在多用户下行链路多输入以及多输出（Multiple-Input and Multiple-Output，MIMO）***中用迭代算法计算预编码器的方法。

背景技术

长期演进(long term evolution，LTE)项目中的预编码方案可以是基于码本（codebook）或者基于非码本（non-codebook）的。对于基于码本的预编码，用户设备（移动接收器单元）使用细胞特异性参考信号(Cell-specific ReferenceSignals，CRS)估计信道，并且将预编码器矩阵指数（Precoder Matrix Index，PMI）以及等级指数（Rank index，RI）反馈给基站（Base Station，BS）。基站可以选择应用此类预编码器。对于基于非码本的预编码，基站需要更准确的信道状态信息(Chanel State Information，CSI)。（例如，时分双工（Time Division Duplexing，TDD）***中，信道状态信息能够使用上行链路参考信号得到。)发送模式7、8以及9能够分别以单层、双层、以及八层来支持基于非码本的预编码。

基于非码本的预编码的详细过程叙述如下。以时分双工模式为例来设计基于非码本的预编码器，基站使用称为探测参考信号（Sounding Reference Signals,SRS）的上行链路导频信号（uplink pilots）来估计上行链路信道状态信息。由于时分双工中的信道互易性（channel reciprocity），基站能够使用上行链路信道状态信息来得到下行链路信道状态信息，并且设计相应的预编码器。因为用户设备能够以预编码前***的解调参考信号（Demodulation Reference Signals），或者专用参考信号（Dedicated Reference Signals,DRS）来估计等效信道（预编码器以及信道的复合效应），用户设备不需要得知此预编码器。因此,用户设备能够相应地设计接收波束成形矢量（receive beamforming vector）（用于单数据流）或者接收波束成形矩阵（用于多数据流）。

其他基于非码本的预编码设计使用细胞特异性参考信号或者专用参考信号。专用参考信号设计中，用户设备(移动接收器单元)使用专用参考信号来估计如上所述的等效信道,以及设计接收波束成形。细胞特异性参考信号设计中，用户设备使用细胞特异性参考信号来估计信道状态信息，其不包括预编码器的效果。此种情况下，接收器仅设计相应地于信道的接收波束成形。直观上，相比基于专用参考信号的方案，基于细胞特异性参考信号的方案提供给用户设备较少信息。由此，预期中，基于专用参考信号的方案应该比基于细胞特异性参考信号的方案执行地更好。因此，基于非码本的预编码能够达到更好的效果，但是需要额外的信号以及计算量。

发明内容

有鉴于此，本发明提供解决上述问题的无线通信***及执行无线通信***操作的方法。

依本发明一实施方式，揭示一种无线通信***，包含基站。基站接收选择性地提供给预编码器的输入信号。预编码器执行对多个输入信号的预编码，以及输出第一信号。基站包含在信号与干扰加噪声比的目标限制下最小化每一天线的总发送功率、或者在加总功率限制下最大化信号与干扰加噪声比的算法，以决定功率分配并得到高效的预编码器.以及向多个移动接收器单元输出第一信号。

根据本发明另一实施方式，提供一种执行无线通信***操作的方法，包含：使用基站来接收选择性地提供给多个预编码器的多个输入信号，预编码器执行对输入信号的预编码，以及输出第一信号，基站包含在信号与干扰加噪声比的目标限制下最小化每一天线的总发送功率、或者在加总功率限制下最大化信号与干扰加噪声比的算法，以决定功率分配并得到高效的预编码器；以及向多个移动接收器单元输出第一信号。

本发明所提出的无线通信***及执行无线通信***操作的方法，通过采用在信号与干扰加噪声比的目标限制下最小化每一天线的总发送功率、或者在加总功率限制下最大化信号与干扰加噪声比的算法来决定功率分配，能够减少消耗功率，达到更好的效果。

附图说明

图1是显示依本发明一实施方式，所使用的下行链路***的示意图。

图2是显示在信号与干扰加噪声比目标限制下，用于决定功率最小化的迭代步骤的处理流程。

图3是显示在加总功率限制下，用于使信号与干扰加噪声比最大化的步骤的处理流程。

具体实施方式

本发明提出一种迭代算法来计算多用户下行链路多输入以及多输出***中的预编码器，其中每一用户接收多数据流。业界可应用最大信号与干扰加噪声比（Signal to Interference plus Noise Ratio，SINR）滤波器，其为基于一个用户中对多数据流联合编码的信号与干扰加噪声比最大的加总为标准的滤波器。此标准能够使联合解码变得接近最大似然（Maximum Likelihood ML）解码。

本发明提出两种算法来决定功率分配并得到高效的预编码器。其一是在信号与干扰加噪声比的目标限制下，最小化每一天线的总发送功率；另一是在加总功率限制下，最大化信号与干扰加噪声比。仿真结果显示，本发明所提出的算法明显优于其他的现有技术方法，例如迫零（Zero-Forcing，ZF）法、块对角化（Block-Diagnalization，BD)法、以及信号泄漏噪声比（Signal-to-Leakage-and-Noise Ratio，SLNR）法。

本发明的预编码器设计涉及接收波束成形设计，所以得到最佳方案变得非常复杂。通过针对单天线功率限制的下行链路-上行链路对偶（duality），以及使加权的每一数据流的信号与干扰加噪声比最小化来提出针对单天线（per-antenna）功率限制的两种最好的设计。

针对单天线功率限制的下行链路-上行链路对偶是通过使用拉格朗日对偶发现的。这又引出在虚拟上行链路进行计算的迭代算法，并且所得到的解决方案能被转换到下行链路。例如，将此对偶应用在针对单数据流、用于信号与干扰加噪声比平衡问题的波束成形。此外,对应加总功率限制的对偶有助于解决下行链路容量问题，下行链路容量问题已存在很长时间，并且在近年刚有解决方法。此对偶不仅对信息理论问题非常有用，而且对实际设计也很有价值。例如，利用对偶来提出解决下行链路联合波束成形以及功率分配问题的最佳或者次最佳方案。

另一方法考虑使加权的每一数据流的信号与干扰加噪声比最小化，其中给定固定的接收波束成形器，则发送波束成形设计就成为拟凸（quasi-convex）问题，能够使用二分搜索法（bisection search）结合凸优化（convex optimization）解决。给定发送波束成形器，则最佳接收波束成形器简化为最小均方误差（Minimum Mean Squared Error，MMSE）滤波器。因此，本发明提出通过固定其一，同时最佳化另一，来迭代地计算发送以及接收波束成形器。

图1是显示依本发明一实施方式，所使用的下行链路***2的示意图。下行链路***2包含一个基站4与K个用户（对应K个移动接收器单元），每一用户配备多个天线。基站4包含多个预编码器U₁....U_k，将信号发送到各移动接收器单元（用户设备）1…K。每一移动接收器单元1..K相关于一个传播信道H₁…H_K。基站发送的信号由每一移动接收器单元1…K接收，其中发送信号分别加上相关于每一移动接收器单元1…K的高斯白噪声信号(White Gausiannoise，AWGN)n₁….n_K。之后，接收波束成形器（图1中未显示）或者接收波束成形器所包含的均衡器V₁…V_K分别使用针对每一移动接收器单元1……K的高斯白噪声信号与所发送信号的加总，输出对应每一移动接收器单元1……K的线性估计

用户k（即第k个移动接收单元）用接收天线N_r,k来接收基站4用N_t个天线发送的L_k个数据流。对应用户k的数据流x_k的预编码器由N_t×L_k矩阵U_k表示，其中数据流x_k的每一元素相互无关并且具有零平均值，单元变量（unit variance）p_k是分配给用户k的功率。可以假设数据流x_k中功率分配相等，也就是说每一数据流都分配有功率p_kL_k。用户k的接收波束成形器或者均衡器由L_k×N_r，k矩阵V_k表示。

接收波束成形后，用户k的线性估计可表示为：

$\hat{x}=V_k^H{H}_k(U_k\sqrt{\frac{p_k}{L_k}{I}_{\mathrm{Lk}}}{x}_k+\underset{j\≠k}{\mathrm{\Σ}}{U}_j\sqrt{\frac{p_k}{L_j}{I}_{\mathrm{Lj}}}{x}_j)+V_k^H{n}_k$ (公式1)

其中n_k表示噪声矢量，每一元素相互独立，并且具有零平均值以及方差

假若使用最大信号与干扰加噪声比（Maximum SINR，MSINR）滤波器作为接收波束成形器或者均衡器，则用户的数据流的信号与干扰加噪声比加总可写为：

$\stackrel{\‾}{{\mathrm{SINR}}_i}=\frac{\frac{p_i}{L_i}{\left|\right|V_i^H{H}_i{U}_i\left|\right|}_F^2}{{\mathrm{\Σ}}_{j\≠i}\frac{p_i}{L_j}{\left|\right|V_i^H{H}_i{U}_j\left|\right|}_F^2+L_i{\mathrm{\σ}}_i^2}$ (公式2)

以单天线功率限制

以及信号与干扰加噪声比目标最小化加总功率，来设计预编码器U与功率分配p＝[p₁p₂…p_K]^T，可以将最佳化问题制定如下：

${\mathrm{\ρ}}^{\mathrm{DL}}:\underset{p,U}{\min }\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}{\left[\underset{j=1}{\overset{K}{\mathrm{\Σ}}}\frac{p_j}{L_j}{U}_j{U}_j^H\right]}_{i,i}$ (公式3)

使得 ${\left[\underset{j=1}{\overset{K}{\mathrm{\Σ}}}\frac{p_j}{L_j}{U}_j{U}_j^H\right]}_{i,i}\≤P_i,i=1,...,N_t$ (公式4)

$\frac{\frac{p_i}{L_i}{\left|\right|V_i^H{H}_i{U}_i\left|\right|}_F^2}{{\mathrm{\Σ}}_{j\≠i}\frac{p_j}{L_j}{\left|\right|V_i^H{H}_i{U}_j\left|\right|}_F^2+L_i{\mathrm{\σ}}_i^2}\≥{\mathrm{\γ}}_i,i=1,...,K$ (公式5)

其他现有技术方法中，例如迫零法中，迫零预编码器以下列关系来消除所有流间（inter-stream）干扰：

$\left[\begin{array}{c}{H}_1\\ .\\ .\\ .\\ H_K\end{array}\right]\left[\begin{array}{ccc}{U}_1& ...& U_K\end{array}\right]=I$ (公式6)

为达到此目的，预编码器U可被选为信道矩阵H的伪逆阵（pseudo-inverse）。

同时，现有技术的块对角化预编码器消除所有用户间（user-stream）干扰如下：

$\left[\begin{array}{c}{H}_1\\ .\\ H_{k-1}\\ H_{k+1}\\ .\\ H_K\end{array}\right]U_k=0$ (公式7)

也就是说，U_k位于其他用户信道矩阵的零空间（null space）中。为了使块对角化预编码器可行，信道维度需要满足：N_t-∑_j≠kN_r,k≥L_k。

此外,现有技术的信号泄漏噪声比预编码器用于寻找使信号泄漏噪声比最大化的U。

$u_{\mathrm{kl}}=\arg \underset{u}{\max }{\mathrm{SLNR}}_k$ (公式8)

$=\arg \underset{u}{\max }\frac{u^H{R}_{s,k}u}{u^H{R}_{n,k}u}$ (公式9)

其中

$R_{s,k}=H_k^H{H}_k$ (公式10)

$R_{n,k}=\underset{j\≠k}{\mathrm{\Σ}}{H}_j^H{H}_j+{\mathrm{\σ}}_k^{2}I$ (公式11)

则u_kl满足

R_s,ku_kl＝λ_maxR_n，ku_kl.(公式12)

由此，u_kl是对应本征问题（eigen-problem）的最大值的特征向量。

考虑上述问题ρ^DL的拉格朗日对偶，将发现对偶问题是信号与干扰加噪声比所限制的、上行链路加权的加总功率最小化问题，其中加权的系数是下行链路噪声变量，并且上行链路噪声变量是针对下行链路中每一天线功率限制的拉格朗日乘子。这种对偶有助于发展算法来计算预编码器以及功率分配。

上述问题ρ^DL的拉格朗日给定为：

$\mathrm{\ζ}(p,\mathrm{\λ},q)=\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}{\left[\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\frac{p_j}{L_j}{U}_j{U}_j^H\right]}_{i,i}+\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}{\mathrm{\λ}}_i[{\left[\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\frac{p_j}{L_j}{U}_j{U}_j^H\right]}_{i,i}-P_i]-$

$\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{q}_i[\frac{1}{{\mathrm{\γ}}_i}\frac{p_i}{L_i}{\left|\right|V_i^H{H}_i{U}_i\left|\right|}_F^2-\underset{j\≠i}{\mathrm{\Σ}}\frac{p_i}{L_i}{\left|\right|V_i^H{H}_i{U}_i\left|\right|}_F^2-L_i{\mathrm{\σ}}_i^2]$ (公式13)

$=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{L}_i{\mathrm{\σ}}_i^2{q}_i-\underset{j=1}{\overset{N_t}{\mathrm{\Σ}}}{\mathrm{\λ}}_j{P}_j$

$-\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\frac{p_i}{L_i}[\frac{1}{{\mathrm{\γ}}_i}{q}_i{\left|\right|U_i^H{H}_i^H{V}_i\left|\right|}_F^2-\underset{j\≠i}{\mathrm{\Σ}}{q}_j{\left|\right|U_j^H{H}_j^H{V}_j\left|\right|}_F^2-\mathrm{tr}\left(U_i^H(I+\mathrm{\Λ})U_i\right)]$ (公式14)

其中公式14仅为对各项的重新排序，以使得用于下行链路信号与干扰加噪声比限制的拉格朗日乘子

对应上行链路功率分配。由公式14，对偶问题为:

$\underset{\mathrm{\λ},q}{\min }\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{L}_i{\mathrm{\σ}}_i^2{q}_i-\underset{j=1}{\overset{N_t}{\mathrm{\Σ}}}{\mathrm{\λ}}_j{P}_j$ (公式15)

使得 $\frac{q_i{\left|\right|U_i^H{H}_i^H{V}_i\left|\right|}_F^2}{{\mathrm{\Σ}}_{j\≠i}{q}_j{\left|\right|U_i^H{H}_j^H{V}_j\left|\right|}_F^2+\mathrm{tr}\left(U_i^H(I+\mathrm{\Λ})U_i\right)}\≥{\mathrm{\γ}}_i,i=1....,K$ (公式16)

由此可见，最佳上行链路接收波束成形也是最大信号与干扰加噪声比滤波。因此,可以使用最大信号与干扰加噪声比接收波束成形计算上行链路中的U。

本发明利用两种场景：第一场景为当给定信号与干扰加噪声比目标时，最小化总发送功率，以及第二场景为当给定加总功率限制时最大化可达到的平衡最大信号与干扰加噪声比。

以下列关系来定义本发明所使用的功率最小化问题。

${\mathrm{\ρ}}^{\mathrm{DL}}:\underset{p,U}{\min }\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}{\left[\underset{j=1}{\overset{K}{\mathrm{\Σ}}}\frac{p_j}{L_j}{U}_j{U}_j^H\right]}_{i,i}$ (公式17)

使得 ${\left[\underset{j=1}{\overset{K}{\mathrm{\Σ}}}\frac{p_j}{L_j}{U}_j{U}_j^H\right]}_{i,i}\≤P_i,i=1,...,N_t$ (公式18)

$\frac{\frac{p_i}{L_i}{\left|\right|V_i^H{H}_i{U}_j\left|\right|}_F^2}{{\mathrm{\Σ}}_{j\≠i}\frac{p_j}{L_j}{\left|\right|V_i^H{H}_i{U}_j\left|\right|}_F^2+L_i{\mathrm{\σ}}_i^2}\≥{\mathrm{\γ}}_i,i=1,...,K$ (公式19)

图2是显示在信号与干扰加噪声比目标限制下，用于决定功率最小化的迭代步骤的处理流程。第一，如步骤42所示，将矩阵V_k初始化为随机矩阵，以及λ_k＝0，并且将矩阵U初始化为发送最小均方误差滤波器（也就是说，将发送波束成形器初始化为发送最小均方误差滤波器）。如步骤44所示，使用用于下行链路功率分配中的BcPA_inv函数计算矩阵p。如步骤46所示，使用用于下行链路接收最大信号与干扰加噪声比波束成形的BcRxMSINR函数来计算矩阵V。如步骤48所示，使用用于上行链路功率分配中的MacPA_inv函数来计算矩阵q。如步骤50所示，使用用于次梯度（Subgradient）方法中的SubgradLambda函数来计算矩阵λ。如步骤52所示，使用用于上行链路接收最大信号与干扰加噪声比波束成形的MacRxMSINR函数计算矩阵U。如步骤54所示，重复步骤44-52来迭代地更新下行链路功率分配、下行链路接收波束成形器、上行链路功率分配、多个拉格朗日乘子、以及上行链路接收波束成形器，直至收敛（或者视为下行链路功率分配以及上行链路接收波束成形器收敛）或者达到最大迭代数。收敛的定义是当前迭代与前一迭代的最小所需功率差在一个很小的数量范围ε中变化。

如上述讨论的，用于下行链路功率分配与信号与干扰加噪声比目标中的BcPA_inv函数定义如下：

${\mathrm{\Φ}}_{k,j}=\mathrm{trace}\left(V_k^H{H}_k{U}_j{U}_j^H{H}_k^H{V}_k^H\right)/L_k,$ 其中k≠j(公式20)

Ф_k，j＝0，其中k＝j(公式21)

$D=\mathrm{diag}\left[\right[\mathrm{trace}\left(V_1^H{H}_1{U}_1{U}_1^H{H}_1^H{V}_1^H\right)/\left(L_1{\mathrm{\γ}}_1\right),.......,\mathrm{trace}\left(V_K^H{H}_K{U}_K{U}_K^H{H}_K^H{V}_K^H\right)/\left(L_K{\mathrm{\γ}}_K\right)\left]\right]$

(公式22)

$\mathrm{\σ}={[L_1{\mathrm{\σ}}_1^2,.....,L_K{\mathrm{\σ}}_K^2]}^T$ (公式23)

p＝(D-Φ)^-1σ(公式24)

如上述讨论的，用于下行链路接收最大信号与干扰加噪声比波束成形的BcRxMSINR函数定义如下：

$R_{s,k}=\frac{p_k}{L_k}{H}_k{U}_k{U}_k^H{H}_k^H$ (公式25)

$R_{n,k}={\mathrm{\σ}}^2{I}_{N_r,k}+{\mathrm{\Σ}}_{j\≠k}\frac{p_j}{L_j}{H}_k{U}_j{U}_j^H{H}_k^H$ (公式26)

V_k＝eig(R_s，k,R_n，k)(公式27)

如上述讨论的，用于上行链路功率分配与干扰加噪声比目标中的MacPA_inv函数定义如下：

${\mathrm{\Φ}}_{k,j}=\mathrm{trace}\left(V_k^H{H}_k{U}_j{U}_j^H{H}_k^H{V}_k^H\right)$ 其中k≠j(公式28)

Ф_k，j＝0其中k＝j(公式29)

(公式30)

$\mathrm{\σ}=[\mathrm{trace}\left(U_1^H(I_{N_t}+\mathrm{\Λ})U_1\right),...,\mathrm{trace}{\left(U_K^H(I_{N_t}+\mathrm{\Λ})U_k\right)]}^T$ (公式31)

p＝(D-Φ^T)^-1σ(公式32)

如上述讨论的，用于更新Λ的次梯度（Subgradient）方法中的SubgradLambda函数定义如下：

${\left[p^{\mathrm{ant}}\right]}_i={\left[{\mathrm{\Σ}}_{k=1}^K\frac{p_k}{L_k}{U}_k{U}_k^H\right]}_{i,i}$ 其中i＝1....N_t(公式33)

${\mathrm{\λ}}_i=\max (0,{\mathrm{\λ}}_i-\mathrm{\α}({\left[p^{\mathrm{ant}}\right]}_i-P_i)),$

(公式34)

${\mathrm{\λ}}_j={\mathrm{\λ}}_j/\left({\min }_{i=1}^{N_t}{\mathrm{\λ}}_i\right),$ 假如λ_i＞1，

(公式35)

如上述讨论的，用于上行链路接收最大信号与干扰加噪声比波束成形的MacRxMSINR函数定义如下：

$R_{s,k}=q_k{H}_k^H{V}_k{V}_k^H{H}_k$ (公式36)

$R_{n,k}=(I_{N_t}+\mathrm{\Λ})+{\mathrm{\Σ}}_{j\≠k}{q}_j{H}_j^H{V}_j{V}_j^H{H}_j$ (公式37)

U_k＝eig(R_s，k,R_n，k)(公式38)

当给定加总功率限制时最大化信号与干扰加噪声比，则一定得到：

$\underset{p,U}{\max }\underset{k}{\min }{\mathrm{SINR}}_k/{\mathrm{\γ}}_k$ (公式39)

使得

$\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}{\left[{\mathrm{\Σ}}_{j=1}^K\frac{p_j}{L_j}{U}_j{U}_j^H\right]}_{i,i}\≤P_{\max }$ (公式40)

${\left[{\mathrm{\Σ}}_{j=1}^K\frac{p_j}{L_j}{U}_j{U}_j^H\right]}_{i,i}\≤P_i,i=1,....,N_t$ (公式41)

图3是显示在加总功率限制下，用于使信号与干扰加噪声比最大化的步骤的处理流程。第一，如步骤72所示，将矩阵V_k初始化为随机矩阵，以及λ_k＝0并且将矩阵U初始化为发送最小均方误差滤波器。（也就是说，将发送波束成形器初始化为发送最小均方误差滤波器。）如步骤74所示，使用用于分配总功率给每一用户的BcPA_sump函数计算矩阵p和最大平衡等级C，以达到最大平衡等级C。如步骤76所示，使用用于下行链路接收最大信号与干扰加噪声比波束成形的BcRxMSINR函数来计算矩阵V。如步骤78所示，使用关系γ＝Cγ来计算目前可获得的信号与干扰加噪声比目标。如步骤80所示，使用用于上行链路功率分配中的MacPA_inv函数来计算矩阵q。如步骤82所示，使用用于次梯度（Subgradient）方法中的SubgradLambda函数来计算矩阵λ。如步骤84所示，使用用于上行链路接收最大信号与干扰加噪声比波束成形的MacRxMSINR函数计算矩阵U。如步骤86所示，重复步骤74-84来迭代地更新下行链路功率分配、下行链路接收波束成形器、上行链路功率分配、多个拉格朗日乘子、以及上行链路接收波束成形器，直至收敛（或者视为下行链路功率分配以及上行链路接收波束成形器收敛）或者达到最大迭代数。收敛的定义是当前迭代与前一迭代的平衡等级C小于一个很小的常数ε。

如上述讨论的，使用加总功率限制，用于下行链路功率分配的BcPA_sump函数以如下关系定义：

${\mathrm{\Φ}}_{k,j}=\mathrm{trace}\left(V_k^H{H}_k{U}_j{U}_j^H{H}_k^H{V}_k^H\right)$ 其中k≠j(公式42)

Φ_k，j＝0其中k＝j(公式43)

(公式44)

$\mathrm{\σ}={[\mathrm{trace}\left(U_1^H(I_{N_t}+\mathrm{\Λ})U_1\right),...,\mathrm{trace}\left(U_K^H(I_{N_t}+\mathrm{\Λ})U_K\right)]}^T$ (公式45)

${\left[\mathrm{\β}\right]}_k=\frac{1}{L_k}{\mathrm{\Σ}}_{i=1}^{N_t}{\left[U_k{U}_k^H\right]}_{i,i}$ (公式46)

$\mathrm{\Ψ}=\left[\begin{array}{cc}{D}^{-1}\mathrm{\Φ}& D^{-1}\mathrm{\σ}\\ \frac{1}{P_{\max }}{\mathrm{\β}}^T{D}^{-1}\mathrm{\Φ}& \frac{1}{P_{\max }}{\mathrm{\β}}^T{D}^{-1}\mathrm{\σ}\end{array}\right]$ (公式47)

p^ext＝eig(Ψ)(特征向量对应于最大特征值)(公式48)

正规化p^ext使得[p^ext]_K+1=1，然后使p＝[[p^ext]₁,.....,[p^ext]_K]^T.

函数BcRxMSINR,MacPA_inv,SubgradLambda,以及MacRxMSINR与图2中所描述的函数相同。

***实，与其他方法（例如迫零法、块对角化法）相比，本发明所提出的方法需要最少的功率。此外，信号泄漏噪声比法与本发明所提出的方法皆不能够保证有可行性解决方法。特别的，本发明所提出的方案在某些情况下不收敛。出现这种现象是因为，信号泄漏噪声比法和本发明所提出的方法允许干扰为非零。由此，当本发明所提出的方法（或者信号泄漏噪声比法）不可行时，基站能够返回使用块对角化法。即使考虑此可行性，本发明所提出的方法仍优于其他方法，特别是在低到中的信噪比范围中。

本发明利用最大信号与干扰加噪声比滤波来将最小均方误差方法扩展，以支持多数据流。本发明提出用于基于非码本的预编码器设计的两种算法。其一为在信号与干扰加噪声比的目标限制下，最小化每一用户的总发送功率；另一为在加总功率限制下，最大化信号与干扰加噪声比至目标比率。数字仿真显示相比于其他现有技术的方案，例如迫零法、块对角化法以及信号泄漏噪声比法，本发明达到了更好的效果。

本发明虽以较佳实施方式揭露如上，然其并非用以限定本发明的范围，任何本领域的技术人员，在不脱离本发明的精神和范围内，当可做些许的更动与润饰，因此本发明的保护范围当视权利要求所界定者为准。

Claims (18)

1.一种无线通信***，包含：

基站，接收选择性地提供给多个预编码器的多个输入信号，该预编码器执行对该多个输入信号的预编码，以及输出第一信号，该基站包含在信号与干扰加噪声比的目标限制下最小化每一天线的总发送功率、或者在加总功率限制下最大化信号与干扰加噪声比的算法，以决定功率分配并得到高效的预编码器，以及该基站向多个移动接收器单元输出该第一信号。

2.如权利要求1所述的无线通信***，其特征在于，该基站包含至少一天线，用于发送该第一信号。

3.如权利要求1所述的无线通信***，其特征在于，该多个移动接收器单元包含接收波束成形器。

4.如权利要求3所述的无线通信***，其特征在于，该接收波束成形器包含均衡器、最小均方误差滤波器与最大信号与干扰加噪声比滤波器其中至少之

5.如权利要求3所述的无线通信***，其特征在于，该接收波束成形器接收该第一信号，并且输出分别相关于该各移动接收器单元的多个线性估计。

6.如权利要求1所述的无线通信***，其特征在于，该算法使用拉格朗日对偶。

7.如权利要求1所述的无线通信***，其特征在于，该算法将发送波束成形器初始化为发送最小均方误差滤波器。

8.如权利要求1所述的无线通信***，其特征在于，该算法迭代地更新下行链路功率分配、下行链路接收波束成形器、上行链路功率分配、多个拉格朗日乘子、以及上行链路接收波束成形器。

9.如权利要求1所述的无线通信***，其特征在于，当下行链路功率分配以及上行链路接收波束成形器收敛或者达到最大迭代数时，该算法停止。

10.一种执行无线通信***操作的方法，包含：

使用基站来接收选择性地提供给多个预编码器的多个输入信号，该预编码器执行对该多个输入信号的预编码，以及输出第一信号，该基站包含在信号与干扰加噪声比的目标限制下最小化每一天线的总发送功率、或者在加总功率限制下最大化信号与干扰加噪声比的算法，以决定功率分配并得到高效的预编码器，以及该基站向多个移动接收器单元输出该第一信号。

11.如权利要求10所述的执行无线通信***操作的方法，其特征在于，该基站包含至少一天线，用于发送该第一信号。

12.如权利要求10所述的执行无线通信***操作的方法，其特征在于，该多个移动接收器单元包含接收波束成形器。

13.如权利要求12所述的执行无线通信***操作的方法，其特征在于，该接收波束成形器包含均衡器、最小均方误差滤波器与最大信号与干扰加噪声比滤波器其中至少之一。

14.如权利要求12所述的执行无线通信***操作的方法，其特征在于，该接收波束成形器接收该第一信号，并且输出分别相关于该各移动接收器单元的多个线性估计。

15.如权利要求10所述的执行无线通信***操作的方法，其特征在于，该算法使用拉格朗日对偶。

16.如权利要求10所述的执行无线通信***操作的方法，其特征在于，该算法将发送波束成形器初始化为发送最小均方误差滤波器。

17.如权利要求10所述的执行无线通信***操作的方法，其特征在于，该算法迭代地更新下行链路功率分配、多个下行链路接收波束成形器、上行链路功率分配、多个拉格朗日乘子、以及多个上行链路接收波束成形器。

18.如权利要求10所述的执行无线通信***操作的方法，其特征在于，当下行链路功率分配以及上行链路接收波束成形器收敛或者达到最大迭代数时，该算法停止。

Images