CN104113366A - 一种针对Massive MIMO通信***能量有效的天线选择方法 - Google Patents

Abstract

本发明公开了一种针对Massive MIMO通信***能量有效的天线选择方法。首先确定各个用户的大尺度衰落因子，并从中选择出最优的大尺度衰落因子，然后确定最优的发送天线数目和相应的子集。本发明基于全面考虑收发端的功率消耗，分析并给出了Massive MIMO能量效率最优的天线选择方法，使得Massive MIMO***的能量效率有极大提高；在基站天线数远远大于可服务终端数的情况下，所给出的预编码矩阵将信道容量的表达式由对数行列式形式转化成了加和对数形式，极大地简化了能量效率的求解问题；对能量效率的各个参数，发射端天线数目及子集和可服务移动终端子集进行了与联合优化等价的分布优化，极大地降低了Massive MIMO***的计算复杂度。

Description

一种针对Massive MIMO通信***能量有效的天线选择方法

技术领域

本发明属于无线通信技术领域，尤其涉及一种针对Massive MIMO通信***能量有效的天线选择方法。

背景技术

MIMO(Multiple Input Multiple Output)技术，即多输入多输出技术，被视为是未来通信***中实现信息高速传输的关键技术之一。MIMO技术的发展经历了点对点MIMO，多用户MIMO以及到现在的Massive MIMO，每一次的发展都对通信界产生了重大的影响。MassiveMIMO带来的好处有当基站天线数趋于无穷时，快衰落影响以及其他不相关噪声的影响都会消失，从而使得吞吐量和可服务的移动终端数与小区尺度无关，并且使得频谱效率与带宽无关以及每比特传输的能量趋于零。

与传统的MIMO通信***有关能量效率的方法不同，本发明是关于基站有几百根、甚至上千根天线，而移动终端数远远小于基站天线数的Massive MIMO通信***中的高能量效率的天线选择方法。传统设计无线通信***主要集中于提高***的吞吐量，而如今由于通信中能量消耗的问题愈加严重，设计高性能的能量效率的通信***越来越紧迫。在Massive MIMO通信***中，***的吞吐量有了很大的提高，但是Massive MIMO***中，发送天线个数很多。发送/接收天线数目越多，所使用的射频链路也越多，而每个射频链路包括功率放大器，A/D转换，混频器和滤波器等，由于这些器件都需要消耗能量，所以天线数越多，能量消耗越大。因此很有必要进行天线选择，从而降低能量消耗的同时提高***的能量效率。此外，降低能耗同时也符合Green Touch组织的目标宗旨。

由于Massive MIMO是近几年来刚兴起的技术，有关Massive MIMO能量效率的问题还没有取得太大的进展，虽然也取得了部分研究成果，但主要是集中在通过天线选择来提高***的能量效率方面，这些研究成果在对能量效率的求解过程中对信道的分析都不够充分，有的只考虑了信道的小尺度衰落，有的则只考虑大尺度衰落，并且对整个通信***的能耗问题考虑的也不够全面，因此所提出方法的优化参数较为单一，比如只对发送天线个数进行优化，且复杂度较高。

基于上述问题，本发明提出一种针对Massive MIMO通信***能量有效的天线选择方法。该方法对三个参数，即发射天线个数、发送天线子集、可服务终端子集，进行了与联合优化等价的分步优化，复杂度很低。首先，根据预编码矩阵确定整个***的信道容量。然后，确定Massive MIMO通信***中的功率消耗模型，特别是符合大规模天线的功率消耗特点的基带功率消耗模型。最后，对发射天线数、发送天线子集、可服务移动终端子集进行联合优化。本发明的有益效果是：在考虑发送端射频链路功耗，基带DSP功耗，接收射频链路功率消耗的链路模型中，分析并给出了Massive MIMO能量效率最优的天线选择方法，使得Massive MIMO***的能量效率有极大的提高；在基站天线数远远大于移动终端数的情况下，所给出的预编码矩阵将信道容量的表达式由对数行列式形式转化成了加和对数形式，极大地简化了能量效率的求解问题；对能量效率的各个参数，发射端天线数目及子集和可服务移动终端子集进行了与联合优化等价的分布优化，极大地降低了Massive MIMO***的复杂度。

发明内容

本发明能够在计算复杂度不高的情况下，通过天线选择的方式提高整个***的能量效率。在TDD下行链路中，使用OFDM技术，通过对发送天线数、发送天线子集、可服务移动终端子集的联合优化来最大化***的能量效率。

本发明提出了一种针对Massive MIMO通信***能量有效的天线选择方法，其中涉及了一种联合优化发送天线数、发送天线子集、可服务终端子集以最大化***能量效率的技术方案，其包括：

步骤1：根据接收信号确定预编码矩阵及信道容量模型：

步骤2：建立功率消耗模型，并基于所述信道容量模型和所述功率消耗模型建立能量效率模型。

步骤3，对所述能量效率模型进行与联合优化等价的分布优化，得到最优发送天线个数和最优可服务移动终端子集。

步骤4，根据所述最优可服务移动终端子集和所述信道容量模型确定***信道容量的门限值，其中该门限值对应的发送天线个数为10倍的最优可服务移动终端个数；

步骤5，根据所述最优发送天线个数和最优可服务移动终端子集计算相应的信道容量；判断该信道容量是否大于给定的信道容量门限值；如果大于，则进行步骤6；如果不大于，则进行步骤7。

步骤6，将最优发送天线个数重新赋值为信道容量门限对应的天线个数，即10倍的可服务移动终端个数，并利用重新赋值的最优发送天线个数计算最优能量效率。

步骤7，根据步骤203确定的最优发送天线个数直接计算最优能量效率。

本发明的技术方案主要有以下的优点：

(1)、所建立的模型综合考虑了基站端、接收端射频链路的功率消耗，对基带的功率消耗使用了专门用于大规模集成电路的功率消耗模型，在此基础上对Massive MIMO通信***的能量效率进行了优化，极大地提高了***的能量效率。

(2)、在基站天线数远远大于可服务移动终端数的情况下，所使用的预编码矩阵将信道容量的表达式由对数行列式形式转化成了加和对数形式，极大地简化了能量效率的求解问题；

(3)、对能量效率中各个参数进行了与联合优化等价的分步优化，从而在不增加计算复杂度的情况下获得同样好的性能。

附图说明

下面将通过参照附图详细描述本发明的示例性实施例，使本领域的普通技术人员更清楚本发明的上述及其它特征和优点：

图1是本发明一个实施例的具体流程图。

具体实施方式

下面通过实施例，对本发明进行详细阐述。

图1为本发明一个实施例的具体方法流程，主要包括以下步骤。

在步骤201中，根据接收信号确定预编码矩阵及信道容量：

一般通信***中接收信号yf和预编码矩阵F的定义分别为：

$y_f=\sqrt{{\mathrm{\ρ}}_f}{G}^{T}F{q}_f+n_f,$

$F=\frac{1}{\sqrt{M}}{G}^{*}{D}_{\mathrm{\β}}^{-1/2},$

其中，ρ_f成比例于发送信噪比；()^T表示求转置；()^*表示求共轭；q_f是发送的信号矢量，且满足E{||q_f||²}＝1；n_f是高斯白噪声，其中的元素是均值为0、方差为1的高斯随机变量。

G为上行用导频序列估计出来的信道矩阵，由小尺度衰落矩阵H和大尺度衰落矩阵D_β构成，即小尺度衰落矩阵中的元素服从均值为0、方差为1复高斯分布。D_β＝diag(β₁,...,β_K)是大尺度衰落矩阵，其中的元素β_k表示大尺度衰落因子，大尺度衰落主要包括阴影衰落和路径损耗，k∈(1,2,...,K)，K表示可服务的移动终端个数，M为发送天线个数。

在本发明的Massive MIMO***中，由于发送天线数M远远大于可服务的移动终端数K，此时接收信号变为

$y_{\mathrm{fM}>>K}=\sqrt{{\mathrm{\ρ}}_{f}M}{D}_{\mathrm{\β}}^{1/2}{q}_f+n_f$

上式中用到了近似表达式

${\left(\frac{G^T{G}^{*}}{M}\right)}_{M>>K}=D_{\mathrm{\β}}^{1/2}{\left(\frac{H^T{H}^{*}}{M}\right)}_{M>>K}{D}_{\mathrm{\β}}^{1/2}\≈D_{\mathrm{\β}}$

此时信道容量为：

$C_{M>>K}=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\log }_2(1+{\mathrm{M\ρ}}_f{\mathrm{\β}}_k)$

在步骤202中，建立功率消耗模型，确定***消耗的总功率，并根据信道容量和***消耗的总功率计算***的能量效率。

能量效率定义为信道容量除以***消耗的总功率，即

${\mathrm{EE}}_{M>>K}=\frac{C_{M>>K}}{P_{\mathrm{sum}}}$

***的功率消耗模型为

P_sum＝η·P_t+M·(P_ct+P′_bb)+K·P_cr

η是功率放大器效率；P_t是基站发射功率；P_ct和P_cr分别表示发送端和接收端RF链路所消耗的功率；P′_bb是每根发送天线等效的基带处理功率。

P′_bb的表达式为：

$\begin{array}{c}{P}_{\mathrm{bb}}^{\′}=\frac{\mathrm{\χ}\left(\mathrm{Gflpos}\right)}{\mathrm{\ρ}(\mathrm{Gfplops}/W)}=\\ \mathrm{MB}\·[\left(\frac{T_u}{T_s}\right){\log }_2\left(T_{u}B\right)+\left(\frac{T_u}{T_s}\right)(1-\frac{T_p}{T_{\mathrm{sl}}})K+\left(\frac{T_u}{T_s}\right)\left(\frac{T_p}{T_{\mathrm{sl}}}\right){\log }_2\left(\frac{T_u{T}_p}{T_s{T}_d}\right)+\left(\frac{T_d}{T_{\mathrm{sl}}}\right)K^2]\end{array}$

上式中χ(Gflops)是Massive MIMO***中重要计算的总计算次数，ρ(Gfplop/W)表示大规模集成电路的处理效率，B表示***带宽，T_u表示一个OFDM符号中有用符号的持续时间，T_s表示一个OFDM符号的持续时间，T_p表示一个时隙中导频序列所用的OFDM符号，T_sl表示每个时隙的持续时间，T_d表示多径时延扩展。

在步骤203中，对能量效率进行与联合优化等价的分布优化，得到最优发送天线个数和最优的可服务移动终端子集。假设最优的可服务的移动终端数为N_r，N_r≤K，此时整个***的优化目标为

式中表示最优的发送天线个数，表示最优发送天线子集，表示最优可服务移动终端子集，C_T表示***所要求的信道容量门限值。

具体地，先找出最优的即所有大尺度衰落因子中最大的前N_r个。接下来，再令求出最优的

接下来进行联合优化等价于分布优化的证明。由EE的表达式可知，在使用所给出的预编码矩阵及发送天线数目远远大于可服务移动终端数目时，EE的值与发送天线子集无关，即如果确定了最优的发送天线个数后，可以通过随机选择来确定最优的发送天线子集。此时EE是发送天线个数M和可服务移动终端子集的函数，即此时要同时选择出和来最大化EE。由于EE的最大值EE^*是的单增函数，所以我们可以进行分步优化，即先找出最优的也即是所有大尺度衰落因子中最大的前N_r个，然后再令求出最优的

关于EE的最大值EE^*是的单增函数的证明如下：从EE的表达式可以看出，EE是N_t的凸函数，是的拟凸函数，因此最优点在处取得。因此最优的N_t满足

$\underset{k=1}{\overset{N_r}{\mathrm{\Σ}}}(P_{\mathrm{ct}}+P_{\mathrm{bb}}^{\′})\ln (1+N_t^{\mathrm{opt}}{\mathrm{\ρ}}_f{\mathrm{\β}}_k)=\underset{k=1}{\overset{N_r}{\mathrm{\Σ}}}\frac{{\mathrm{\ρ}}_f{\mathrm{\β}}_k[\mathrm{\η}{P}_t+N_t^{\mathrm{opt}}(P_{\mathrm{ct}}+P_{\mathrm{bb}}^{\′})+N_r{P}_{\mathrm{cr}}]}{1+N_t^{\mathrm{opt}}{\mathrm{\ρ}}_f{\mathrm{\β}}_k}$

然后可以得到

$\frac{\∂N_t^{\mathrm{opt}}}{\∂{\mathrm{\β}}_k}=\frac{1}{p_f{\mathrm{\β}}_k^2}\·\frac{\mathrm{\η}{P}_t+N_r{P}_{\mathrm{cr}}-{N_t^{\mathrm{opt}}}^2(P_{\mathrm{ct}}+P_{\mathrm{bb}}^{\′}{p}_f{\mathrm{\β}}_k)}{\mathrm{\η}{P}_t+N_t^{\mathrm{opt}}+N_r{P}_{\mathrm{cr}}}$

此时EE的最大值

${\mathrm{EE}}^{*}({\mathrm{\β}}_1,...{\mathrm{\β}}_{N_r})=\underset{k=1}{\overset{N_r}{\mathrm{\Σ}}}\frac{1}{\ln 2\·p_{\mathrm{ct}}\·\left(\frac{1}{p_f{\mathrm{\β}}_k+N_t^{\mathrm{opt}}({\mathrm{\β}}_1,...{\mathrm{\β}}_{N_r})}\right)}$

然后可以得到

$\begin{array}{c}\frac{{\∂\mathrm{EE}}^{*}({\mathrm{\β}}_1,...{\mathrm{\β}}_{N_r})}{\∂{\mathrm{\β}}_k}=\frac{N_t^{\mathrm{opt}}({\mathrm{\β}}_1,...{\mathrm{\β}}_{N_r})}{\ln 2\·p_{\mathrm{ct}}\·[1+p_f{\mathrm{\β}}_k{N}_t^{\mathrm{opt}}({\mathrm{\β}}_1,...{\mathrm{\β}}_{N_r}){]}^2}\\ \·\frac{1+N_t^{\mathrm{opt}}({\mathrm{\β}}_1,...{\mathrm{\β}}_{N_r})p_{\mathrm{ct}}{\mathrm{\β}}_k{p}_f}{\mathrm{\η}{p}_t+N_t^{\mathrm{opt}}({\mathrm{\β}}_1,...{\mathrm{\β}}_{N_r})+N_r{p}_{\mathrm{ct}}+p_{\mathrm{ct}}}>0\end{array}$

k＝1,...N_r

即EE的最大值是的单增函数。

在步骤204中，根据步骤203得到的最优的可服务移动终端子集确定***信道容量的门限值，其中该门限值对应的发送天线个数为10倍的最优的可服务移动终端个数，而不是步骤203中确定的最优发送天线个数。即，***信道容量的门限值C_T为

$C_T=\underset{k=1}{\overset{N_r}{\mathrm{\Σ}}}{\log }_2(1+10N_r{\mathrm{\ρ}}_f{\mathrm{\β}}_k)$

在步骤205中，根据步骤203确定的最优发送天线个数和最优可服务移动终端子集计算相应的信道容量，即最优能量效率对应的信道容量，即：

$C^{\mathrm{opt}}=\underset{k=1}{\overset{N_r}{\mathrm{\Σ}}}{\log }_2(1+N_t^{\mathrm{opt}}{\mathrm{\ρ}}_f{\mathrm{\β}}_k)$

判断该信道容量是否大于给定的信道容量门限值。如果大于，则进行步骤206；如果不大于，则进行步骤207。

在步骤206中，把最优发送天线个数重新赋值为信道容量门限对应的天线个数，即10倍的可服务移动终端个数，并利用重新赋值的最优发送天线个数计算最优的能量效率EE^opt，由此可得：

${\mathrm{EE}}^{\mathrm{opt}}=\frac{\underset{k=1}{\overset{N_r}{\mathrm{\Σ}}}{\log }_2(1+10N_r{\mathrm{\ρ}}_f{\mathrm{\β}}_k)}{\mathrm{\η}{P}_t+10N_r(P_{\mathrm{ct}}+P_{\mathrm{bb}}^{\′})+N_r{P}_{\mathrm{cr}}}$

在步骤207中，根据步骤203确定的最优发送天线个数直接计算最优的能量效率EE^opt，由此可得：

${\mathrm{EE}}^{\mathrm{opt}}=\frac{\underset{k=1}{\overset{N_r}{\mathrm{\Σ}}}{\log }_2(1+N_t^{\mathrm{opt}}{\mathrm{\ρ}}_f{\mathrm{\β}}_k)}{\mathrm{\η}{P}_t+N_t^{\mathrm{opt}}(P_{\mathrm{ct}}+P_{\mathrm{bb}}^{\′})+N_r{P}_{\mathrm{cr}}}$

Claims (8)

1.一种针对Massive MIMO***的能量有效的天线选择方法，其包括：

步骤1：根据接收信号确定预编码矩阵及信道容量模型：

步骤2：建立功率消耗模型，并基于所述信道容量模型和所述功率消耗模型建立能量效率模型。

步骤3，对所述能量效率模型进行与联合优化等价的分布优化，得到最优发送天线个数和最优可服务移动终端子集。

步骤4，根据所述最优可服务移动终端子集和所述信道容量模型确定***信道容量的门限值，其中该门限值对应的发送天线个数为10倍的最优可服务移动终端个数；

步骤5，根据所述最优发送天线个数和最优可服务移动终端子集计算相应的信道容量；判断该信道容量是否大于给定的信道容量门限值；如果大于，则进行步骤6；如果不大于，则进行步骤7。

步骤6，将最优发送天线个数重新赋值为信道容量门限对应的天线个数，即10倍的可服务移动终端个数，并利用重新赋值的最优发送天线个数计算最优能量效率。

步骤7，根据步骤203确定的最优发送天线个数直接计算最优能量效率。

2.根据权利要求1所述的方法，其特征在于发送天线个数M远远大于可服务的移动终端数K，所述接收信号为

$y_{\mathrm{fM}>>K}=\sqrt{{\mathrm{\ρ}}_{f}M}{D}_{\mathrm{\β}}^{1/2}{q}_f+n_f$

所述预编码矩阵为：

$F=\frac{1}{\sqrt{M}}{G}^{*}{D}_{\mathrm{\β}}^{-1/2},$

所述信道容量模型为：

$C_{M>>K}=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\log }_2(1+{\mathrm{M\ρ}}_f{\mathrm{\β}}_k)$

其中，ρ_f成比例于发送信噪比；q_f是发送的信号矢量，且满足E{||q_f||²}＝1；n_f是高斯白噪声，其中的元素是均值为0且方差为1的高斯随机变量；G为上行用导频序列估计出来的信道矩阵，由小尺度衰落矩阵H和大尺度衰落矩阵D_β构成，即小尺度衰落矩阵H中的元素服从均值为0且方差为1复高斯分布；D_β＝diag(β₁,...,β_K)是大尺度衰落矩阵，其中的元素β_k为大尺度衰落因子，k∈(1,2,...,K)。

3.根据权利要求2所述的方法，其特征在于所述功率消耗模型为：

所述功率消耗模型为：

P_sum＝η·P_t+M·(P_ct+P′_bb)+K·P_cr

所述能量效率模型为

${\mathrm{EE}}_{M>>K}=\frac{C_{M>>K}}{P_{\mathrm{sum}}}$

其中，η是功率放大器效率；P_t是基站发射功率；P_ct和P_cr分别表示发送端和接收端RF链路所消耗的功率；P'_bb是每根发送天线等效的基带处理功率。

4.根据权利要求3所述的方法，其特征在于所述分布优化的目标为：

所述得到最优发送天线个数和最优可服务移动终端子集具体为：先找出最优的即所有大尺度衰落因子中最大的前N_r个；再令求出最优的

其中为最优发送天线个数，为最优发送天线子集；N_r为最优可服务移动终端数，N_r≤K，为最优可服务移动终端子集；EE^*是能量效率模型的最大值。

5.根据权利要求4所述的方法，其特征在于所述信道容量的门限值为：

$C_T=\underset{k=1}{\overset{N_r}{\mathrm{\Σ}}}{\log }_2(1+10N_r{\mathrm{\ρ}}_f{\mathrm{\β}}_k)$

6.根据权利要求4所述的方法，其特征在于根据所述最优发送天线个数和最优可服务移动终端子集计算相应的信道容量为：

$C^{\mathrm{opt}}=\underset{k=1}{\overset{N_r}{\mathrm{\Σ}}}{\log }_2(1+N_t^{\mathrm{opt}}{\mathrm{\ρ}}_f{\mathrm{\β}}_k)$

7.根据权利要求5所述的方法，其特征在于所述步骤6中计算最优能量效率具体为：

${\mathrm{EE}}^{\mathrm{opt}}=\frac{\underset{k=1}{\overset{N_r}{\mathrm{\Σ}}}{\log }_2(1+10N_r{\mathrm{\ρ}}_f{\mathrm{\β}}_k)}{\mathrm{\η}{P}_t+{10N}_r(P_{\mathrm{ct}}+P_{\mathrm{bb}}^{\′})+N_r{P}_{\mathrm{cr}}}$

8.根据权利要求6所述的方法，其特征在于所述步骤7中计算最优能量效率具体为：

${\mathrm{EE}}^{\mathrm{opt}}=\frac{\underset{k=1}{\overset{N_r}{\mathrm{\Σ}}}{\log }_2(1+N_t^{\mathrm{opt}}{\mathrm{\ρ}}_f{\mathrm{\β}}_k)}{\mathrm{\η}{P}_t+N_t^{\mathrm{opt}}(P_{\mathrm{ct}}+P_{\mathrm{bb}}^{\′})+N_r{P}_{\mathrm{cr}}}$