CN103326819B - 一种共信道干扰的抑制方法 - Google Patents

Abstract

本发明提供一种共信道干扰的抑制方法，所述方法包括：S1：获取基站到用户的信道矩阵和相邻小区基站到用户的信道矩阵，并计算小区间干扰加噪声的协方差矩阵；S2：对小区间干扰加噪声的协方差矩阵进行变换，并计算用户的接收矩阵，所述接收矩阵用于用户在接收基站发送的信号之前对接收信号进行处理；S3：根据所述接收矩阵计算第二预处理矩阵。本发明通过提供一种共信道干扰的抑制方法，防止了基站对相邻小区用户弱干扰的放大，并且缓解了***误码性能差的问题。

Description

一种共信道干扰的抑制方法

技术领域

本发明涉及无线通信网络技术领域，特别涉及一种共信道干扰的抑制方法。

背景技术

在下行MU-MIMO***中，每个基站和每个用户可以同时配置多根天线，并且一个基站可以向每个用户传输多个数据流。单用户MIMO在信道相关性较强时，***的频谱效率会急剧降低，多用户MIMO技术可以把不同的数据流同时、同频传给不同的用户，而不同的用户之间的相关性较小，因而MU-MIMO技术提高的***的频段效率。因为这个优势，MU-MIMO技术被认为是下一代移动通信的关键技术之一，受到3GPP、IEEE802.16m等国际标准的重点关注。

由于下行MU-MIMO通信，每个基站同时、同频可以给多个用户传输多个数据流，因此不同的数据流之间存在共信道干扰(Co-ChannelInterference,CCI)，具体来说每个用户收到的干扰可以分为三类，即小区间干扰（Inter-CellInterference,ICI）、本小区内用户间的干扰（Inter-UserInterference,IUI）和该用户自身接收到不同数据流之间的干扰（Inter-StreamInterference,ISI）。

在实际***中，由于信道估计、信道量化和信道反馈的过程都会存在一定的误差，同时上行信道反馈的资源也是有限的，这些因素导致了***获取的信道状态信息是不完善的，非完善信道状态信息量化或获取是一个重要的研究方向。

已有研究表明，可以采用非线性预编码技术中的脏纸编码（DirtyPaperCoding,DPC）技术获得最大***容量，但是脏纸编码的***复杂度很高，很难应用到实际***中。为了解决非线性***复杂度较高这个问题，学者提出多种复杂度较低的线性预编码技术，典型算法有块对角化（BlockDiagonalization,BD）算法，信漏噪声比（Signaltoleakageandnoiseratio,SLNR）算法，算法的具体介绍如下：

在下行多小区MU-MIMO***中，为了叙述简单，假定共有J个基站，每个基站都有N条天线，每个基站都有K个用户，每个用户统一配置M个天线。第i个基站，第k个用户的接收信号y_k,i为：

$y_{k,i}=\sqrt{{\mathrm{\ρ}}_{k,i}}{H}_{k,i}{W}_{k,i}{x}_{k,i}+\underset{l=1,l\≠k}{\overset{K_i-1}{\mathrm{\Σ}}}\sqrt{{\mathrm{\μ}}_{k,i}}{H}_{k,i}{W}_{l,i}{x}_{l,i}+\underset{\underset{j\≠i}{j=0}}{\overset{J}{\mathrm{\Σ}}}\underset{\stackrel{\‾}{k}}{\overset{K_j}{\mathrm{\Σ}}}\sqrt{{\mathrm{\μ}}_{k,j}}{H}_{k,j}{W}_{\stackrel{\‾}{k},j}{x}_{\stackrel{\‾}{k},j}+n_{k,j}---\left(1\right)$

其中i∈{1,2,…K}，k∈{1,…,J},ρ_k,i为基站i到它的服务用户k的大尺度信号衰落因子，ρ_k,i=P_k,iP_loss，P_k,i为基站i给该基站服务用户k分配的功率，P_loss为基站i到用户k的大尺度衰落和阴影衰落；符号x_k,i代表基站i发送给用户k的信号；μ_l,i（l≠k）对于基站i的用户k来说，为本小区干扰因子，用户l和用户k在同一小区内，基站i由于向服务用户l和用户k同时、同频发射有用信号，因此会造成同一小区用户间的干扰；P_l,i代表基站i分配给用户的发送功率，为基站i到用户k的路损和阴影衰落；针对基站i的用户k来说，为对应的邻小区干扰因子；本文中，为标注邻小区用户的符号； 为基站j分配给它的服务用户的功率，为基站j到用户k路损和阴影损耗，需要说明的是用户k为基站i的服务用户，本文中的k，标注的均为基站i的服务用户；H_k,i为基站i到用户k的信道矩阵；W_k,i代表基站i向用户k发射信号时的预编码矩阵；为小区内干扰，为小区间干扰。为了下文叙述方便，我们令 $z_{k,i}=\underset{j=0j\≠i}{\overset{J}{\mathrm{\Σ}}}\underset{\stackrel{\‾}{k}}{\overset{K_j}{\mathrm{\Σ}}}\sqrt{{\mathrm{\μ}}_{k,j}}{H}_{k,j}{W}_{\stackrel{\‾}{k},j}{x}_{\stackrel{\‾}{k},j}+n_{k,i},$ 于是（1）式可以表述如下：

$y_{k,i}=\sqrt{{\mathrm{\ρ}}_{k,i}}{H}_{k,i}{W}_{k,i}{x}_{k,i}+\underset{l=1,l\≠k}{\overset{K_i-1}{\mathrm{\Σ}}}\sqrt{{\mathrm{\μ}}_{k,i}}{H}_{k,i}{W}_{l,i}{x}_{l,i}+z_{k,i}---\left(2\right)$

基于联合接收机和发射机的预编码策略，在接收机采用线性解码器恢复信号，则（2）左右两边都乘以解预编码矩阵G_k,i。接收信号经过处理后，表达式为：

$r_{k,i}=\sqrt{{\mathrm{\ρ}}_{k,i}}{G}_{k,i}{H}_{k,i}{W}_{k,i}{x}_{k,i}+G_{k,i}\underset{l=1,l\≠k}{\overset{M_1}{\mathrm{\Σ}}}\sqrt{{\mathrm{\μ}}_{k,i}}{H}_{k,i}{W}_{l,i}{x}_{l,i}+G_{k,i}{z}_{k,i}---\left(3\right)$

传统BD算法的基本思想是设计预编码矩阵消除IUI，即设计预编码矩阵W_k,i，使之满足下式：

$H_{k,i}{W}_{l,i}=0,\∀l\≠k---\left(4\right)$

传统BD算法，可以完全消除小区内的干扰，但是并不能消除或抑制小区间的干扰，针对小区间干扰的问题，有学者提出了一种基于信号泄露噪声比（SignalLeakageNoiseRatio，SLNR）最大化的BD算法的改进算法，抑制了小区间干扰。设计的预编码矩阵如下：

W_k,i=V_k,iC_k,i(5)

V_k,i位于矩阵的零空间中，即可满足（4）式，可以消除小区内用户之间的干扰。为了抑制基站对邻小区用户的干扰，提出一种信号泄露噪声比SLNR的概念，用户的SLNR为，

${\mathrm{SLNR}}_{k,i}=\frac{\left(H_{k,i}{V}_{k,i}{C}_{k,i}\right){\left(H_{k,i}{V}_{k,i}{C}_{k,i}\right)}^H}{E\left\{n_{k,i}{n}_{k,i}^H\right\}+\underset{\stackrel{\‾}{k}}{\overset{{\mathrm{\Ω}}_i}{\mathrm{\Σ}}}\left(H_{\stackrel{\‾}{k},i}{W}_{\stackrel{\‾}{k},i}\right){\left(H_{\stackrel{\‾}{k},i}{W}_{\stackrel{\‾}{k},i}\right)}^H}---\left(6\right)$

其中n_k,i为基站i的用户k的噪声信号，为n_k,i的共轭矩阵，Ω_i为基站i的邻小区用户的集合，基站i到邻小区用户的信道矩阵，为邻小区用户的发射信号的预编码矩阵。当（6）式最大的时候，小区间用户的干扰最小，因此设计C_k,i使信号噪声泄露噪声比SLNR_k,i最大，设计如下：

$\left\{\begin{array}{c}{C}_{k,i}^{\mathrm{opt}}=\arg \underset{C_{k,i}\∈C^{N\×m}}{\max }\frac{\mathrm{Tr}\left(C_{k,i}^H(H_{k,i}{V}_{k,i}{)}^H{H}_{k,i}{V}_{k,i}{C}_{k,i}\right)}{\mathrm{Tr}\left[C_{k,i}^H(M_{k,i}{\mathrm{\σ}}_0^2+{\stackrel{\‾}{H}}_{\stackrel{\‾}{k},i}^H{\stackrel{\‾}{H}}_{\stackrel{\‾}{k},i})C_{k,i}\right]}\\ s.t.C_{k,i}^H{V}_{k.i}^H{H}_{k,i}^H{H}_{k,i}{V}_{k.i}{C}_{k,i}=D_{k,i}=\mathrm{diag}(d_{k,i,l},\·\·\·d_{k,i,M})\end{array}\right.---\left(7\right)$

其中，Ω_i为基站i相邻小区用户个数的集合。如果相邻小区用户数目过大时，需要反馈大量的信道状态信息（Channelstateinformation,CSI）信息，学者提出Ω_i为收到基站i干扰较大的用户的集合。但这样话，并不能抑制基站i对相邻小区Ω_i集合外的用户的干扰。根据广义奇异值分解理论（GeneralizedSingularValueDecomposition,GSVD），Ck,i满足于（8）式时可以解决（7）式的优化问题。

$\left\{\begin{array}{c}{C}_{k,i}^H{V}_{k.i}^H{H}_{k,i}^H{H}_{k,i}{V}_{k.i}{C}_{k,i}=D_{k,i}=\mathrm{diag}(d_{k,i,l},\·\·\·d_{k,i,M})\\ C_{k,i}^H(M_{k,i}{\mathrm{\σ}}_0^2+{\stackrel{\‾}{H}}_{\stackrel{\‾}{k},i}^H{\stackrel{\‾}{H}}_{\stackrel{\‾}{k},i})C_{k,i}=I\end{array}\right.---\left(8\right)$

基于信号泄露噪声比最大化的BD改进算法，消除了小区内用户间的干扰，并且通过使信号泄露噪声比最大，降低了对相邻小区用户的干扰，但是需要指出的是，在设计预编码矩阵和解预编码矩阵的时候，关注的是***的吞吐量，忽略了***的误码性能。

发明内容

（一）解决的技术问题

本发明解决的技术问题是基于SLNR的BD改进方案忽略***的误码性能。

（二）技术方案

本发明提供了一种共信道干扰的抑制方法，所述方法包括：

S1：获取基站到用户的信道矩阵和相邻小区基站到用户的信道矩阵，并计算小区间干扰加噪声的协方差矩阵；

S2：对小区间干扰加噪声的协方差矩阵进行变换，并计算用户的接收矩阵，所述接收矩阵用于当用户在接收基站发送的信号之前对接收信号进行处理；

S3：根据所述接收矩阵计算第二预处理矩阵，所述第二预处理矩阵满足下式，

$\left\{\begin{array}{c}{C}_{k,i}^H{\left(A_{k,i}{H}_{k,i}{V}_{k,i}\right)}^H{A}_{k,i}{H}_{k,i}{V}_{k,i}{C}_{k,i}=\mathrm{diag}({\mathrm{\α}}_1^2,\·\·\·,{\mathrm{\α}}_m^2)\\ C_{k,i}^H(M_{k,i}{\mathrm{\σ}}_0^2+{\stackrel{\‾}{H}}_{\stackrel{\‾}{k},i}^H{{\stackrel{\‾}{H}}_{\stackrel{\‾}{k},i}}_{})C_{k,i}=\mathrm{diag}({\mathrm{\β}}_1^2,\·\·\·,{\mathrm{\β}}_m^2)\end{array}\right.,$

且，α和β的约束关系为 $\left\{\begin{array}{c}1>{\mathrm{\&alpha;}}_1\&GreaterEqual;\&CenterDot;\&CenterDot;\&CenterDot;\&GreaterEqual;{\mathrm{\&alpha;}}_m>0\\ 0<{\mathrm{\&beta;}}_1\&le;\&CenterDot;\&CenterDot;\&CenterDot;\&le;{\mathrm{\&beta;}}_m<1\\ {\mathrm{\&alpha;}}_i^2+{\mathrm{\&beta;}}_i^2=1,i=1,\&CenterDot;\&CenterDot;\&CenterDot;,m\end{array}\right.,$

其中，k为本小区接收用户，i为本小区基站，C_k,i为基站i到用户k的第二预处理矩阵，为C_k,i的共轭转置，A_k,i为基站i到用户k的接收矩阵，H_k,i为基站i到用户k的信道矩阵，V_k,i为基站i到用户k的第一预处理矩阵，α_m和β_m为广义奇异值对，M_k,i为用户天线的个数，Hk,i为用户等效级联矩阵，Ω_i为基站i相邻小区用户个数的集合；m为基站i到用户k的数据流的个数。

优选地，步骤S1中在获取基站到用户的信道矩阵和相邻小区基站到用户的信道矩阵之后还包括：计算所述第一预处理矩阵V_k,i，所述第一预处理矩阵V_k,i满足则

其中，H_l,i为基站i到用户l的信道矩阵，用户l为用户k所在小区内除用户k之外的用户，为零奇异值对应的右奇异值向量。

优选地，计算具体包括：

S11：构造用户级联矩阵 ${\stackrel{\&OverBar;}{H}}_{k,i}={[H_{1,i}^H,H_{2,i}^H,H_{k-1,i}^H\&CenterDot;\&CenterDot;\&CenterDot;H_{k+1,i}^H,H_{K_i,i}^H]}^H;$

S12：将H_l,i 进行变换，得到成

S13：将奇异值分解为 ${\stackrel{\&OverBar;}{H}}_{k,i}=U_{k,i}\left[{\mathrm{\&Lambda;}}_{k,i}0\right]{\left[V_{k.i}^{\left(1\right)}{V}_{k.i}^{\left(0\right)}\right]}^H,$ 通过计算得到

其中，U_k,i为左奇异值向量，Λ_k,i为奇异值矩阵，为非零奇异值对应的右奇异值向量。

优选地，所述第一预处理矩阵V_k,i与所述第二预处理矩阵C_k,i的乘积为预编码矩阵，所述预编码矩阵用于当基站向用户发送信号时对发送信号进行预处理。

优选地，步骤S2中对小区间干扰加噪声的协方差矩阵进行变换具体包括：

小区间干扰加噪声的协方差矩阵为：

$E\left\{z_{k,i}{z}_{k,i}^H\right\}=(\underset{j=0j\&NotEqual;i}{\overset{J}{\mathrm{\&Sigma;}}}\underset{\stackrel{\&OverBar;}{k}=0}{\overset{K}{\mathrm{\&Sigma;}}}{H}_{k,j}{W}_{\stackrel{\&OverBar;}{k},j}(H_{k,j}{W}_{\stackrel{\&OverBar;}{k},j}{)}^H+{\mathrm{\&sigma;}}_0^{2}I),$

对小区间干扰加噪声的协方差矩阵进行变换为：

${(\underset{j=0j\&NotEqual;i}{\overset{J}{\mathrm{\&Sigma;}}}\underset{\stackrel{\&OverBar;}{k}=0}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\stackrel{\&OverBar;}{k},j}{H}_{k,j}{W}_{\stackrel{\&OverBar;}{k},j}{\left(H_{k,j}{W}_{\stackrel{\&OverBar;}{k},j}\right)}^H+{\mathrm{\&sigma;}}_0^{2}I)}^{-1}=A_{k,i}^H{A}_{k,i},$

${\mathrm{\&mu;}}_{\stackrel{\&OverBar;}{k},j}=P_{\stackrel{\&OverBar;}{k},j}{P}_{k,j}^{\mathrm{loss}}$

则所述用户的接收矩阵为A_k,i；

其中，z_k,i为小区间干扰和噪声之和，为z_k,i的共轭转置，H_k,j为基站j到用户k的信道矩阵，为基站j到用户的预编码矩阵，用户为用户k所在小区的邻小区j内的用户，是噪声方差，针对基站i的用户k来说，为用户k所在小区的邻小区干扰因子，为基站j到用户的功率，为基站j到用户k路损和阴影损耗。

优选地，步骤S3还包括当时，所述第二预处理矩阵满足下式：

$\left\{\begin{array}{c}{C}_{k,i}^H(A_{k,i}{H}_{k,i}{V}_{k,i}{)}^H{A}_{k,i}{H}_{k,i}{V}_{k,i}{C}_{k,i}=I\\ C_{k,i}^H(M_{k,i}{\mathrm{\&sigma;}}_0^2+{\stackrel{\&OverBar;}{H}}_{\stackrel{\&OverBar;}{k},i}^H{\stackrel{\&OverBar;}{H}}_{\stackrel{\&OverBar;}{k},i})C_{k,i}=\mathrm{diag}({\mathrm{\&lambda;}}_1^2,\&CenterDot;\&CenterDot;\&CenterDot;{\mathrm{\&lambda;}}_i^2,\&CenterDot;\&CenterDot;\&CenterDot;,{\mathrm{\&lambda;}}_m^2)\end{array}\right.,$

其中，I和λ_i为广义奇异值对。

优选地，当基站向用户发送信号x_k,i时对发送信号进行预处理，则得到所述接收信号为V_k,iC_k,ix_k,i。

优选地，对所述接收信号进行处理，得到处理后的接收信号为V_k,iC_k,ix_k,iA_k,i。

（三）有益效果

本发明通过提供一种共信道干扰的抑制方法，防止了基站对相邻小区用户弱干扰的放大，并且缓解了***误码性能差的问题。

附图说明

图1是提供的方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

实施例1：

本发明提供了一种共信道干扰的抑制方法，如图1所示，所述方法包括：

S1：获取基站到用户的信道矩阵和相邻小区基站到用户的信道矩阵，并计算小区间干扰加噪声的协方差矩阵；

S2：对小区间干扰加噪声的协方差矩阵进行变换，并计算用户的接收矩阵，所述接收矩阵用于当用户在接收基站发送的信号之前对接收信号进行处理；

S3：根据所述接收矩阵计算第二预处理矩阵，所述第二预处理矩阵满足下式，

$\left\{\begin{array}{c}{C}_{k,i}^H(A_{k,i}{H}_{k,i}{V}_{k,i}{)}^H{A}_{k,i}{H}_{k,i}{V}_{k,i}{C}_{k,i}=\mathrm{diag}({\mathrm{\&alpha;}}_1^2,\&CenterDot;\&CenterDot;\&CenterDot;,{\mathrm{\&alpha;}}_m^2)\\ C_{k,i}^H(M_{k,i}{\mathrm{\&sigma;}}_0^2+{\stackrel{\&OverBar;}{H}}_{\stackrel{\&OverBar;}{k},i}^H{\stackrel{\&OverBar;}{H}}_{\stackrel{\&OverBar;}{k},i})C_{k,i}=\mathrm{diag}({\mathrm{\&beta;}}_1^2,\&CenterDot;\&CenterDot;\&CenterDot;,{\mathrm{\&beta;}}_m^2)\end{array}\right.---\left(9\right)$

且，α和β的约束关系为 $\left\{\begin{array}{c}1>{\mathrm{\&alpha;}}_1\&GreaterEqual;\&CenterDot;\&CenterDot;\&CenterDot;\&GreaterEqual;{\mathrm{\&alpha;}}_m>0\\ 0<{\mathrm{\&beta;}}_1\&le;\&CenterDot;\&CenterDot;\&CenterDot;\&le;{\mathrm{\&beta;}}_m<1\\ {\mathrm{\&alpha;}}_i^2+{\mathrm{\&beta;}}_i^2=1,i=1,\&CenterDot;\&CenterDot;\&CenterDot;,m\end{array}\right.,$

其中，k为本小区接收用户，i为本小区基站，C_k,i为基站i到用户k的第二预处理矩阵，为C_k,i的共轭转置，A_k,i为基站i到用户k的接收矩阵，H_k,i为基站i到用户k的信道矩阵，V_k,i为基站i到用户k的第一预处理矩阵，α_m和β_m为广义奇异值对，M_k,i为用户天线的个数，为用户等效级联矩阵，Ω_i为基站i相邻小区用户个数的集合；m为基站i到用户k的数据流的个数。

在多个小区多用户MIMO网络结构下，用户的接收信号（接收端处理前的信号）为：

公式（10）与公式（1）相同，此处省略公式内符号的含义。

对接收信号进行处理，

$r_{k,i}=\sqrt{{\mathrm{\&rho;}}_{k,i}}{G}_{k,i}{H}_{k,i}{W}_{k,i}{x}_{k,i}+G_{k,i}\underset{l=1,l\&NotEqual;k}{\overset{K_i-1}{\mathrm{\&Sigma;}}}\sqrt{{\mathrm{\&mu;}}_{k,i}}{H}_{k,i}{W}_{l,i}{x}_{l,i}+G_{k,i}\underset{\underset{j\&NotEqual;i}{j=0}}{\overset{J}{\mathrm{\&Sigma;}}}\underset{\stackrel{\&OverBar;}{k}}{\overset{K_j}{\mathrm{\&Sigma;}}}\sqrt{{\mathrm{\&mu;}}_{k,j}}{H}_{k,j}{W}_{\stackrel{\&OverBar;}{k},j}{x}_{\stackrel{\&OverBar;}{k},j}+G_{k,i}{n}_{k,j}---\left(11\right)$

式中，G_k,i是基站i的服务用户k的信号接收矩阵。

基站i向用户k发送信号之前对发送信号进行处理，设置基站i到用户k的预编码矩阵为W_k,i=V_k,iC_k,i。

其中，设置预处理矩阵V_k,i的步骤如下：

为了消除小区内用户间干扰,需要使V满足下式，

$H_{k,i}{V}_{l,i}=0,\&ForAll;l\&NotEqual;k---\left(12\right)$

其中，H_k,i为基站i到用户k的信道矩阵，由基站获取，V_l,i为基站i到它的服务用户l的第一项预编码矩阵，基站可以通过上行信道，测量到本基站内所有用户的信道状态信息，并且用于下行信号预编码处理。我们构造用户的级联矩阵，

${\stackrel{\&OverBar;}{H}}_{k,i}={[H_{1,i}^H\&CenterDot;\&CenterDot;\&CenterDot;H_{k-1,i}^H{H}_{k+1,i}^H\&CenterDot;\&CenterDot;\&CenterDot;H_{K,i}^H]}^H---\left(13\right)$

将（13）式改写为以下形式：

${\stackrel{\&OverBar;}{H}}_{k,i}{V}_{l,i}=0---\left(14\right)$

我们对进行奇异值分解，分解后得到其中的U_k,i和Λ_k,i分别是的左奇异矩阵和奇异值矩阵；和分别表示的右奇异矩阵中对应非0奇异值的向量和对应0奇异值的向量，并且满足设置第一预处理矩阵为

用户的接收矩阵G_k,i和第二预处理矩阵C_k,i的联合设计如下：

令z_k,i它的协方差矩阵可以表示为：

$E\left\{z_{k,i}{z}_{k,i}^H\right\}=(\underset{j=0j\&NotEqual;i}{\overset{J}{\mathrm{\&Sigma;}}}\underset{\stackrel{\&OverBar;}{k}=0}{\overset{K}{\mathrm{\&Sigma;}}}{H}_{k,j}{W}_{\stackrel{\&OverBar;}{k},j}(H_{k,j}{W}_{\stackrel{\&OverBar;}{k},j}{)}^H+{\mathrm{\&sigma;}}_0^{2}I).$

对协方差矩阵做如下变换：

${(\underset{j=0j\&NotEqual;i}{\overset{J}{\mathrm{\&Sigma;}}}\underset{\stackrel{\&OverBar;}{k}=0}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{k,j}{H}_{k,j}{W}_{\stackrel{\&OverBar;}{k},j}{\left(H_{k,j}{W}_{\stackrel{\&OverBar;}{k},j}\right)}^H+{\mathrm{\&sigma;}}_0^{2}I)}^{-1}=A_{k,i}^H{A}_{k,i}---\left(15\right)$

则用户的接收矩阵为G_k,i=A_k,i。

则所述用户的接收矩阵为A_k,i；

其中，z_k,i为小区间干扰和噪声之和，为z_k,i的共轭转置，H_k,j为基站j到用户k的信道矩阵，为基站j到用户的预编码矩阵，利用现有的BD改进算法求得，比如基于BD的改进算法。用户为用户k所在小区的邻小区j内的用户，是噪声方差，针对基站i的用户k来说， 为用户k所在小区的邻小区干扰因子，为基站j到用户的功率，为基站j到用户k路损和阴影损耗。

C_k,i的理论分析过程如下：

根据广义奇异值分解理论，对于非奇异值矩阵M∈C^p×m和N∈C^p×m存在酉矩阵U、V和非奇异值矩阵Q满足

$\left\{\begin{array}{c}{\left(\mathrm{UMQ}\right)}^H\mathrm{UMQ}=Q^H{M}^H\mathrm{MQ}=\mathrm{diag}({\mathrm{\&alpha;}}_1^2,\&CenterDot;\&CenterDot;\&CenterDot;,{\mathrm{\&alpha;}}_m^2)\\ {\left(\mathrm{VNQ}\right)}^H\mathrm{VNQ}=Q^H{N}^H\mathrm{NQ}=\mathrm{diag}({\mathrm{\&beta;}}_1^2,\&CenterDot;\&CenterDot;\&CenterDot;,{\mathrm{\&beta;}}_m^2)\end{array}\right.---\left(16\right)$

其中α和β约束关系是 $\left\{\begin{array}{c}1>{\mathrm{\&alpha;}}_1\&GreaterEqual;\&CenterDot;\&CenterDot;\&CenterDot;\&GreaterEqual;{\mathrm{\&alpha;}}_m>0\\ 0<{\mathrm{\&beta;}}_1\&le;\&CenterDot;\&CenterDot;\&CenterDot;\&le;{\mathrm{\&beta;}}_m<1\\ {\mathrm{\&alpha;}}_i^2+{\mathrm{\&beta;}}_i^2=1,i=1,\&CenterDot;\&CenterDot;\&CenterDot;,m\end{array}\right..$

根据广义奇异值分解理论，当时，C_k,i满足（9）式，否则，按照（17）式计算C_k,i，其中，广义奇异值为

$\left\{\begin{array}{c}{C}_{k,i}^H(A_{k,i}{H}_{k,i}{V}_{k,i}{)}^H{A}_{k,i}{H}_{k,i}{V}_{k,i}{C}_{k,i}=I\\ C_{k,i}^H(M_{k,i}{\mathrm{\&sigma;}}_0^2+{\stackrel{\&OverBar;}{H}}_{\stackrel{\&OverBar;}{k},i}^H{\stackrel{\&OverBar;}{H}}_{\stackrel{\&OverBar;}{k},i})C_{k,i}=\mathrm{diag}({\mathrm{\&lambda;}}_1^2,\&CenterDot;\&CenterDot;\&CenterDot;{\mathrm{\&lambda;}}_i^2,\&CenterDot;\&CenterDot;\&CenterDot;,{\mathrm{\&lambda;}}_m^2)\end{array}\right.---\left(17\right)$

本发明通过设计预编码矩阵完全消除了小区内用户间的干扰，并且抑制了基站对相邻小区用户的强干扰，设计接收端矩阵解决了基站对相邻小区用户弱干扰的放大问题。放松了SLNR最大化的条件限制，以较小***容量的损失换取***误码性能的提高，平衡了用户不同数据流之间的信道增益，保证了用户的服务质量。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (8)

1.一种共信道干扰的抑制方法，其特征在于，所述方法包括：

S1：获取基站到用户的信道矩阵和相邻小区基站到用户的信道矩阵，并计算小区间干扰加噪声的协方差矩阵；

S2：对小区间干扰加噪声的协方差矩阵进行变换，并计算用户的接收矩阵，所述接收矩阵用于用户在接收基站发送的信号之前对接收信号进行处理；

S3：根据所述接收矩阵计算第二预处理矩阵，所述第二预处理矩阵满足下式，

$\left\{\begin{array}{c}{C}_{k,i}^H{\left(A_{k,i}{H}_{k,i}{V}_{k,i}\right)}^H{A}_{k,i}{H}_{k,i}{V}_{k,i}{C}_{k,i}=diag({\mathrm{\&alpha;}}_1^2,...,{\mathrm{\&alpha;}}_m^2)\\ C_{k,i}^H(M_{k,i}{\mathrm{\&sigma;}}_0^2+{\stackrel{\&OverBar;}{H}}_{\stackrel{\&OverBar;}{k},i}^H{\stackrel{\&OverBar;}{H}}_{\stackrel{\&OverBar;}{k},i})C_{k,i}=diag({\mathrm{\&beta;}}_1^2,...,{\mathrm{\&beta;}}_m^2)\end{array}\right.,$

且，α和β的约束关系为 $\left\{\begin{array}{c}1>{\mathrm{\&alpha;}}_1\&GreaterEqual;...\&GreaterEqual;{\mathrm{\&alpha;}}_m>0\\ 0<{\mathrm{\&beta;}}_1\&le;...\&le;{\mathrm{\&beta;}}_m<1\\ {\mathrm{\&alpha;}}_i^2+{\mathrm{\&beta;}}_i^2=1,i=1,...,m\end{array}\right.,$

其中，k为本小区接收用户，i为本小区基站，C_k,i为基站i到用户k的第二预处理矩阵，为C_k,i的共轭转置，A_k,i为基站i到用户k的接收矩阵，H_k,i为基站i到用户k的信道矩阵，V_k,i为基站i到用户k的第一预处理矩阵，α_m和β_m为广义奇异值对，M_k,i为用户天线的个数，是噪声方差，为用户等效级联矩阵，表示相邻小区的用户， 是基站i到相邻小区的第1个用户的信道矩阵的共轭转置矩阵，是基站i到相邻小区的第2个用户的信道矩阵的共轭转置矩阵，是用户等效级联矩阵的共轭转置矩阵，Ω_i为基站i相邻小区用户个数的集合；m为基站i到用户k的数据流的个数。

2.根据权利要求1所述的方法，其特征在于，步骤S1中在获取基站到用户的信道矩阵和相邻小区基站到用户的信道矩阵之后还包括：计算所述第一预处理矩阵V_k,i，所述第一预处理矩阵V_k,i满足 $H_{l,i}{V}_{k,i}^{\left(0\right)}=0,\&ForAll;k\&NotEqual;l,$ 则 $V_{k,i}=V_{k,i}^{\left(0\right)};$

其中，H_l,i为基站i到用户l的信道矩阵，用户l为用户k所在小区内除用户k之外的用户，为零奇异值对应的右奇异值向量。

3.根据权利要求2所述的方法，其特征在于，计算具体包括：

S11：构造用户级联矩阵 ${\stackrel{\&OverBar;}{H}}_{k,i}=\&lsqb;H_{1,i}^H,H_{2,i}^H,H_{k-1,i}^H...H_{k+1,i}^H,H_{K_i,i}^H\&rsqb;H;$

S12：将 $H_{l,i}{V}_{k,i}^{\left(0\right)}=0,\&ForAll;k\&NotEqual;l$ 进行变换，得到成 ${\stackrel{\&OverBar;}{H}}_{k,i}{V}_{k,i}^{\left(0\right)}=0;$

S13：将奇异值分解为通过计算得到

其中，U_k,i为左奇异值向量，Λ_k,i为奇异值矩阵，为非零奇异值对应的右奇异值向量。

4.根据权利要求1所述的方法，其特征在于，所述第一预处理矩阵V_k,i与所述第二预处理矩阵C_k,i的乘积为预编码矩阵，所述预编码矩阵用于当基站向用户发送信号时对发送信号进行预处理。

5.根据权利要求1所述的方法，其特征在于，步骤S2中对小区间干扰加噪声的协方差矩阵进行变换具体包括：

小区间干扰加噪声的协方差矩阵为：

$E\left\{z_{k,i}{z}_{k,i}^H\right\}=(\underset{j=0j\&NotEqual;i}{\overset{J}{\&Sigma;}}\underset{\stackrel{\&OverBar;}{k}=0}{\overset{K}{\&Sigma;}}{H}_{k,j}{W}_{\stackrel{\&OverBar;}{k},j}{\left(H_{k,j}{W}_{\stackrel{\&OverBar;}{k},j}\right)}^H+{\mathrm{\&sigma;}}_0^{2}I),$

对小区间干扰加噪声的协方差矩阵进行变换为：

${(\underset{j=0j\&NotEqual;i}{\overset{J}{\&Sigma;}}\underset{\stackrel{\&OverBar;}{k}=0}{\overset{K}{\&Sigma;}}{H}_{\stackrel{\&OverBar;}{k},j}{W}_{\stackrel{\&OverBar;}{k},j}{\left(H_{k,j}{W}_{\stackrel{\&OverBar;}{k},j}\right)}^H+{\mathrm{\&sigma;}}_0^{2}I)}^{-1}=A_{k,i}^H{A}_{k,i},$

${\mathrm{\&mu;}}_{\stackrel{\&OverBar;}{k},j}=P_{\stackrel{\&OverBar;}{k},j}{P}_{k,j}^{loss}$

则所述用户的接收矩阵为A_k,i；

其中，z_k,i为小区间干扰和噪声之和，为z_k,i的共轭转置，H_k,j为基站j到用户k的信道矩阵，为基站j到用户的预编码矩阵，用户为用户k所在小区的邻小区j内的用户，是噪声方差，针对基站i的用户k来说，为用户k所在小区的邻小区干扰因子，为基站j到用户的功率，为基站j到用户k路损和阴影损耗。

6.根据权利要求1所述的方法，其特征在于，步骤S3还包括当时，所述第二预处理矩阵满足下式：

$\left\{\begin{array}{c}{C}_{k,i}^H{\left(A_{k,i}{H}_{k,i}{V}_{k,i}\right)}^H{A}_{k,i}{H}_{k,i}{V}_{k,i}{C}_{k,i}=I\\ C_{k,i}^H(M_{k,i}{\mathrm{\&sigma;}}_0^2+{\stackrel{\&OverBar;}{H}}_{\stackrel{\&OverBar;}{k},i}^H{\stackrel{\&OverBar;}{H}}_{\stackrel{\&OverBar;}{k},i})C_{k,i}=diag({\mathrm{\&lambda;}}_1^2,...,{\mathrm{\&lambda;}}_i^2,\mathrm{...},{\mathrm{\&lambda;}}_m^2)\end{array}\right.,$

其中，I和λ_i为广义奇异值对，

7.根据权利要求1～6任一项所述的方法，其特征在于，当基站向用户发送信号x_k,i时对发送信号进行预处理，则得到所述接收信号为V_k,iC_k,ix_k,i。

8.根据权利要求7所述的方法，其特征在于，对所述接收信号进行处理，得到处理后的接收信号为V_k,iC_k,ix_k,iA_k,i。