3D大规模MIMO***中联合的垂直波束控制及功率分配方法
技术领域:
本发明属于无线通信技术领域,具体涉及一种3D大规模MIMO***中联合的垂直波束控制及功率分配方法。
背景技术:
2010年底,贝尔实验室的科学家Thomas L.Marzetta提出了大规模MIMO(Large Scale MIMO或Massive MIMO)的概念,配备数百根天线的基站同时为数十个使用相同时频资源的用户服务。研究表明,当基站天线数很大时,原本随机的变量趋向于确定值,因此简单的信号处理方法就可有效地减小用户间干扰;另外,当基站天线规模很大时,等效信噪比随着基站天线数线性增长,这意味着天线数越多要获得相同的等效信噪比所需发射功率可以越小,因此大规模MIMO技术可以大大降低上下行链路的发送功率,符合“绿色通信”的要求。大规模MIMO已经被看作是第5代移动通信的关键技术之一,成为无线通信领域近年来的研究热点。
已有研究表明,当基站天线数趋于无穷大时,不相关的干扰和噪声都可以被平均掉,限制***性能的决定性因素仅剩下导频污染。所以,如何有效地抑制导频污染、减小由导频污染造成的性能损失,成为大规模MIMO***设计要解决的一个关键问题。已有的导频污染抑制方法可以划分为以下几个方面:高精度的信道估计、鲁棒的预编码、导频结构设计和导频优化分配。在信道估计方面,人们提出了基于特征分解的信道估计算法、贝叶斯信道估计算法等;在鲁棒的预编码算法方面,包括通过基站间协作的预编码算法、基于MMSE准则的鲁棒预编码算法等;在导频结构设计方面,分为时移的导频结构和冗余的导频结构;在导频优化分配方面,包括以最小化信道估计均方误差为目标的导频优化分配方案和以***总吞吐量为效用函数的导频分配方案等。但是以上技术都仅考虑了天线水平维度特性对***性能的影响。在实际***中考虑到天线尺寸的限制以及天线数量众多的问题,面阵等3D(three-dimensional)天线阵列成为适用于大规模MIMO***的实用天线阵列,而3D天线阵列所带来的垂直面上的自由度为进一步改善***性能提供了新的契机。
利用有源天线,令基站的3D天线阵列同时形成多个垂直波束,可实现小区的垂直***,通过增加基站同时服务的用户数量或通过精确的波束调整提高用户的信干噪比(SINR),来提升***的总体性能。然而,实际***中基站的天线数目可以很大,但总是有限的,在此情况下,不相关的干扰和噪声不能被理想地消除掉,仍会对***性能造成严重的影响。引入垂直***技术后,不仅会带来扇区间干扰问题,还可能会增强小区间干扰。通过下倾角优化、功率分配、协调波束赋形以及与联合传输结合的垂直波束优化等处理,可以有效地抑制干扰对***性能的影响。然而,目前的研究大多还是在理想信道状态信息(CSI)的假设下进行的,并未涉及到在天线数量较大、服务用户数较多时***性能会受到导频污染限制的问题,尤其是在当每个垂直扇区内服务用户数较多时可能需要在扇区间复用导频的情况下,导频污染问题变得更加严峻。
发明内容:
本发明的目的在于针对采用天线面阵结构的大规模MIMO***的垂直***场景,提供了一种3D大规模MIMO***中联合的垂直波束控制及功率分配方法,该方法一方面间接地减轻导频污染对***性能的恶化影响,另一方面有效地协调***中存在的各种干扰以降低干扰影响。
与现有技术相比,本发明采用如下的技术方案:
3D大规模MIMO***中联合的垂直波束控制及功率分配方法,包括以下步骤:
1)在上行信道估计阶段,根据用户位置分布将协作簇中的每个小区划分两个虚拟的垂直扇区,并让两个垂直扇区复用一组相同的导频序列,以增加每个基站同时服务的用户数量,其中,信道估计采用LS估计算法;
2)在下行数据传输阶段,第一步,各小区根据用户位置分布设置两个固定的天线下倾角,每个小区形成两个垂直扇区,分别为近扇区和远扇区,并初始化各用户所属的扇区;第二步,基于上行信道估计的结果以及每小区用户所属扇区的初始化结果,以最大比传输为下行预编码算法,最大化和速率为目标,联合优化各小区近扇区的3D天线阵列加权矢量wl0、发送功率pl0,以及远扇区的3D天线阵列加权矢量wl1、发送功率pl1;第三步,根据用户在所在小区近扇区和远扇区的优化后的波束增益大小,将用户重新划分到该小区中波束增益较大的扇区;重复第一步至第三步,直至用户所属扇区情况不变;至此,完成3D大规模MIMO***中联合的垂直波束控制及功率分配。
本发明进一步改进在于,具体包括以下步骤:
1)上行信道估计:根据用户位置分布,将每个小区划分为两个虚拟垂直扇区,每个小区使用一个垂直波束接收两个虚拟扇区内所有用户发送的上行导频信号,并进行LS信道估计,对于小区l中的近扇区用户k0,其LS信道估计结果为
2)下行垂直波束赋形及功率分配联合优化:对于小区l中的用户k,基于上行信道估计信息进行最大比传输,可以得到该用户和速率Rlk的表达式;其中,优化目标为最大化协作簇中所有用户的和速率,优化对象为每个小区近扇区的3D天线阵列加权矢量wl0、发送功率pl0,以及远扇区的3D天线阵列加权矢量wl1、发送功率pl1,即优化问题为
其中:为小区l中近扇区用户k0的和速率,为小区l中远扇区用户k1的和速率,L为协作簇中小区总数,Kl0为小区l中近扇区总的用户数,Kl0为小区l中远扇区总的用户数;
为降低小区间干扰并满足总功率限制,设置优化问题的限制条件为扇区间波束的相关性小于阈值ρmax且两个扇区的总发射功率不超过P;
3)为降低优化问题求解的复杂度,使用粒子群算法进行迭代求解;
第一步:初始化每个小区近扇区的3D天线阵列加权矢量wl0、发送功率pl0,以及远扇区的3D天线阵列加权矢量wl1、发送功率pl1,设定每个小区近扇区的3D天线阵列加权矢量wl0的更新速度为vw,l0、发送功率pl0的更新速度为vp,l0,设定每个小区远扇区的3D天线阵列加权矢量wl1的更新速度为vw,l1、发送功率pl1的更新速度为vp,l1;
第二步:设置***总的和速率为效用函数,以最大化效用函数为目标不断更新每个小区近扇区的3D天线阵列加权矢量wl0、发送功率pl0,以及远扇区的3D天线阵列加权矢量wl1、发送功率pl1;
第三步:若到达最大迭代次数或相邻两次迭代的效用函数差值小于预先设定的常数δ,迭代过程停止,其中,常数δ小于0.01;
根据迭代出的每个小区近扇区的3D天线阵列加权矢量wl0和每个小区远扇区的3D天线阵列加权矢量wl1分别计算服务近扇区和远扇区的阵列天线增益,其中小区l中的用户i在基站l的近扇区阵列天线增益为A(θD,l0,θlli),θD,l0为服务小区l近扇区天线的下倾角,θlli小区l中的用户i到基站l的俯仰角,小区l中的用户i在基站l的远扇区阵列天线增益为A(θD,l1,θlli),θD,l1为服务小区l远扇区天线的下倾角;小区l中的用户i在基站l的近扇区阵列天线增益为A(θD,l0,θlli),θD,l0为服务小区l近扇区天线的下倾角;
4)根据用户在每个扇区的波束增益大小重新划分用户所属扇区,调整过程如下:
若A(θD,l0,θlli)≥A(θD,l1,θlli),则该用户为近扇区用户;
若则该用户为远扇区用户;
重复步骤2)至4),若用户所属扇区情况不发生改变,则停止,得到最终每个小区近扇区的3D天线阵列加权矢量wl0、发送功率pl0,以及远扇区的3D天线阵列加权矢量wl1、发送功率pl1。
本发明进一步改进在于,步骤1)中,小区l中的近扇区用户k0的LS信道估计结果为:
式中:yl基站l接收到的信号,其计算公式为:
其中:K为每个小区服务的用户总数,L为协作簇中小区总数,Ψk为近扇区用户k0和远扇区用户k1发送的上行1×τ维的相同的导频序列,为小区l近扇区用户k0到基站l的信道矩阵,为小区l远扇区用户k1到基站l的信道矩阵,为小区j近扇区用户k0到基站l的信道矩阵,为小区j远扇区用户k1到基站l的信道矩阵,A(·)为基站的3D天线方向图,θD,l为基站l天线阵的下倾角,为小区l中近扇区用户k0看向基站l的仰角,为小区l中远扇区用户k1看向基站l的仰角,为小区j中近扇区用户k0看向基站l的仰角,为小区j中远扇区用户k1看向基站l的仰角,zl为基站l的加性高斯白噪声,且N0为噪声功率谱密度,I为单位阵;
表示Ψk的共轭转置。
本发明进一步改进在于,步骤2)中,优化问题具体形式为:
式中:和分别表示小区l近扇区和远扇区中用户的平均仰角;
优化问题中包含两个限制条件:C1表示在每小区两个扇区天线波束之间的相关性小于门限值的前提,同时保证调整加权向量w后基站发送功率保持不变;
C2表示每小区两个扇区的总功率小于基站的总功率P;
Br(θ)∈CM×1是基站天线阵列的方向图,M是基站天线数;
p(θ)表示用户分布的概率密度函数;
ρ表示每小区两个扇区天线波束之间的相关性系数;
表示当天线下倾角为时,小区l的近扇区的天线阵列加权向量,表示的共轭转置;表示当天线下倾角为时,小区l的远扇区的天线阵列加权向量,表示的共轭转置;
pl0表示小区l近扇区的基站服务功率,pl1表示小区l远扇区的基站服务功率。
本发明进一步改进在于,步骤3)中,初始化每个小区近扇区的3D天线阵列加权矢量wl0和其更新速度vw,l0,其计算公式如下:
式中:ε~U(0,1),d为两个天线元素的间距,且d=dy=dz,dy和dz分别表示天线水平间距和垂直间距;
m和n表示面天线阵第m行第n列天线阵元;
为(n-1)NV+m个元素的第j个粒子的时刻1时的更新速度,为(n-1)NV+m个元素的第j个粒子的时刻0时的初始位置,NV表示天线阵列垂直天线个数;
λ表示用户发送波束的波长;
初始化每个小区近扇区的发送功率pl0,其计算公式如下:
式中:为Pl0第j个粒子的时刻1时的更新速度,为Pl0第j个粒子的时刻0时的初始位置;
初始化每个小区远扇区的3D天线阵列加权矢量wl1和更新速度为vw,l1,其计算公式如下:
式中:为(n-1)NV+m个元素的第j个粒子的时刻1时的更新速度;
为(n-1)NV+m个元素的第j个粒子的时刻0时的初始位置;
时刻τ每个粒子的迭代更新的计算公式如下:
其中:vj(τ)第j个粒子时刻τ的更新速度,xj(τ)第j个粒子时刻τ的位置,c1、c2是正常数,称之为学习因子;r1、r2为[0,1]中均匀分布的随机数,a是惯性权重因子;pj(τ-1)为第j个粒子时刻τ-1的局部最优值,pg(τ-1)为所有粒子在时刻τ-1的全局最优值。
本发明进一步改进在于,步骤4)中,
式中:为当天线阵列下倾角为θD,l0时,小区l近扇区天线阵列的加权向量;Br(θlli)∈CM×1,是基站天线阵列的方向图,Br(θlli)第(n-1)NV+m个元素为Br,m,n(θlli),表示第m行第n列天线阵元的增益,其表达式为
式中:为单个天线阵元的垂直方向图,θ3dB表示半功率角,θD表示天线阵列的下倾角,θlli为小区l中的用户i到基站l的俯仰角,dy和dz表示天线水平间距和垂直间距;
式中:为当天线阵列下倾角为θD,l1时,远扇区天线阵列的加权向量。
与现有技术相比,本发明具有如下的技术效果:
本发明考虑到大规模MIMO***中天线阵列为面阵的实际问题,将3DMIMO引入到大规模MIMO***中。通过利用天线阵列的3D特性,考虑优化天线加权向量和每个扇区的功率分配,有效协调了3D大规模MIMO***中存在的扇区间以及小区间干扰,从而间接抑制了导频污染对***性能的影响,提升了***的频谱效率。
附图说明:
图1为3D大规模MIMO***模型的示意图;
图2为信道估计误差对比图;
图3为r=0.5时小区平均频谱效率对比图;
图4为r=5/6时小区平均频谱效率对比图。
具体实施方式:
下面结合附图和实施例对本发明作进一步详细说明。
考虑3D大规模MIMO传输场景,协作簇中共有7个水平扇区,采用面阵结构的天线阵列,每个水平小区服务12个单天线用户,仿真基站天线数从20到100的实例,将本发明方法与传统的2D大规模MIMO***,固定下倾角方法的3D大规模MIMO***以及只调节下倾角和功率方法的3D大规模MIMO***进行比较,以展现本发明所能达到的效果,如图1所示。
从图2中可以看出,使用垂直扇区化技术将每个小区划分为两个垂直扇区并在垂直扇区间复用一组相同的导频后,导频污染会比传统大规模MIMO***更加严重,信道估计误差会增加。同时,扇区间的导频复用因子越小,即使用相同导频序列的用户数越多,导频污染越严重,信道估计误差越高。
图3和图4对比了4种场景下的小区平均频谱效率随天线数的变化情况,分别是传统2D大规模MIMO***,3D大规模MIMO***中固定每个扇区的下倾角、下倾角功率联合优化以及我们提出的天线加权向量功率联合优化方案。从图3中可以看出,当r=0.5,即扇区间完全复用导频时,导频污染最为严重,传统大规模MIMO***和使用垂直扇区化技术固定下倾角和功率平均分配时,***的小区平均频谱效率都比较差,而通过优化下倾角和功率***的小区平均频谱效率比传统的2D大规模***好,而我们提出的天线加权向量功率联合优化方案可以达到最好的小区平均频谱效率。从图3中可以看出,当r=5/6,由于扇区间部分复用导频使得导频污染相对于传统大规模MIMO***严重,导频长度增加,因此3D大规模MIMO***中的小区平均频谱效率有所下降,但是我们提出的方案依然可以达到最好的***性能。
实施例
考虑一个3D大规模MIMO***,L个水平扇区构成一个协作簇,每个水平扇区由一个阵子数为M(垂直方向Nv根,水平方向Nt根)的面阵天线服务,其中M的个数可达数百根。每个水平扇区同时服务K(K<<M)个单天线用户,用户均匀分布。利用机械下倾角,每个小区被划分两个垂直扇区,用θl0和θl1分别表示第l个小区服务近扇区和远扇区的天线下倾角,如图1所示。基站的总功率为P,服务第l个小区的近扇区功率为Pl0,远扇区的功率为Pl1,用户的上行传输功率为pr。
采用块衰落信道模型,快衰落系数在T个OFDM符号的相干间隔内保持不变。小区l中的用户k到目标基站j的M×1维上行信道矢量可以表示为其中βjlk表示大尺度衰落系数,包括路径损耗和阴影衰落,hjlk表示小尺度衰落系数,hjlk的每个元素都服从均值为0、方差为1的复高斯分布。天线阵列的总增益为A(·),和分别表示小区j内用户i0处对应的来自基站l的近扇区和远扇区波束增益,其中θD,l为基站l天线阵的下倾角(俯仰角),θllk为小区l中用户k看向基站l的仰角。
本发明所提出的3D协调波束赋形和功率分配联合优化方案来间接抑制导频污染的技术手段如下:
1.上行信道估计
由于本发明主要关注垂直扇区化处理,因此假设天线在水平面各方向的增益均为1。在上行信道估计时,根据用户分布的地理位置虚拟地将用户划分为近扇区用户和远扇区用户,并在两组用户之间复用同一组正交导频。而基站天线只设置一个下倾角,即基站使用一个垂直波束接收两个扇区所有用户发送的导频信号。假设各扇区内用户数相同,均为K′,且各小区的近扇区用户k0和远扇区用户k1使用相同的1×τ维导频序列Ψk(K′≤τ≤K),我们定义扇区间的导频复用因子为则当时,基站l接收到的信号为
其中:A(·)为基站的3D天线方向图(假设移动台的3D天线方向图为1),θD,l为基站l天线阵的下倾角(俯仰角),θllk为小区l中用户k看向基站l的仰角。zl为基站l的加性高斯白噪声,且(N0为噪声功率谱密度);
式(1)中阵列天线增益定义为
其中:是天线阵列M×1维的加权矢量,Br(θ)∈CM×1是基站天线阵列的方向图,Br(θ)的第(n-1)NV+m个元素为Br,m,n(θ),表示第m行第n列天线阵元的增益,其表达式为
式(3)中为单个天线阵元的垂直方向图,θ3dB表示半功率角,dy和dz表示天线水平间距和垂直间距。
在各基站天线俯仰角和各用户仰角已知的假设下,小区l中的近扇区用户k0的LS信道估计结果为:
由式(4)可以看出,信道的LS估计结果中不仅包含目标用户的信道信息,也包含本小区其他垂直扇区和其他小区各垂直扇区中使用相同导频的所有用户的信道信息,可见在垂直扇区化后由于使用相同导频的用户更多也更密集,使得导频污染相比传统大规模MIMO***更为严重,信道估计精度的下降可能会一定程度上抵消由垂直扇区***带来的***和速率性能的提升。
2.下行数据传输
在TDD传输模式下,下行信道是上行信道的转置。另,这里不再假设各扇区内服务用户数相同。基站端采用最大比传输,则小区j近扇区的用户i0接收到的下行信号为
其中,Pl0和Pl1分别表示小区l的近扇区和远扇区发送功率,表示基站l发送给小区l中用户k0的数据符号,为加性高斯白噪声。和分别表示小区j内用户i0处对应的来自基站l的近扇区和远扇区波束增益。
为了计算用户和速率的表达式,记则式(21)改写为
其中,第一项为期望信号,第二项为小区内扇区内用户间干扰,第三项为小区内扇区间干扰,第四项为小区间干扰,第五项为噪声。
假设各用户数据符号相互独立且功率为1,并且噪声功率归一化,并将导频开销考虑在内,则由式(24)可以计算小区j的近扇区用户i0的瞬时速率表达式为
在各用户信道估计结果已知前提下,与各扇区的发送功率和有关。
3.天线阵列加权向量与功率分配联合优化问题
基于以上分析,我们的优化问题建立成:以***中所有用户的和速率最大为优化目标,以各扇区天线加权矢量和功率分配为优化对象,具体形式为
式(8)中的wl0和wl1为小区l近扇区和远扇区的天线加权矢量。和分别表示小区l近扇区和远扇区中用户的平均仰角。优化问题中包含两个限制条件:C1表示在每小区两个扇区天线波束之间的相关性小于门限值的前提,同时保证调整加权向量w后基站发送功率保持不变;C2表示每小区两个扇区的总功率小于P。
式(8)的优化问题为非线性非凸优化问题。传统的求解思路是先固定加权向量,按KKT条件分配功率,然后再固定波束功率对加权向量进行优化,如此交替,通过多次迭代来得到最终解,由于式(8)的计算形式很复杂,因此该求解过程计算复杂度过高。这里为了降低复杂度,可以采用粒子群算法,来寻找“够用”的次优解。求解步骤如下:
(a)初始化:根据用户的分布情况选择合适的临界下倾角,将用户划分到两个扇区,计算每个扇区内用户的平均仰角和初始化每个变量每个粒子的初始位置和更新速度。
Pl0的第j个粒子的更新速度和初始位置可以初始化为:
wl0的第(n-1)NV+m个元素的第j个粒子的更新速度和初始位置可以初始化为:
wl1的第(n-1)NV+m个元素的第j个粒子的更新速度和初始位置可以初始化为:
其中ε~U(0,1),d=dv=dz为两个天线元素的间距。
(b)迭代:按照粒子群的迭代公式更新每个粒子更新速度和位置。
其中c1、c2是正常数,称之为学习因子;r1、r2为[0,1]中均匀分布的随机数,a是惯性权重因子。pj为第j个粒子的局部最优值,pg为全局最优值。
(c)判断每个小区每个扇区的波束加权向量是否满足相关性条件限制,若不满足,令ρmax=ρmax+0.01,重新迭代更新。判断服务每个扇区的功率是否在取值范围内,若超出范围,重新更新。
(d)定义评价函数fm为***总的和速率,粒子的局部最优值和全局最优值可以通过fm计算得到。
(e)若到达最大迭代次数或相邻两次迭代的效用函数差值小于δ(预先设定的较小常数),停止。
4.用户所属扇区自适应调整
以上优化处理是在小区内用户属于近扇区还是远扇区已经划分好的情况下进行的。理论上,每个用户均应该被天线增益较大的下行波束服务。因此,我们考虑在完成上述优化处理、调整了各扇区天线波束方向和发送功率后,再对用户的归属扇区进行调整,保证所有用户均被天线增益较大的下行波束服务。对于小区l中的用户i,其调整过程如下:
●若A(θD,l0,θlli)≥A(θD,l1,θlli),则该用户为近扇区用户;
●若A(θD,l0,θlli)<A(θD,l1,θlli),则该用户为远扇区用户。
以上调整后,若用户的扇区归属发生了变化,则重新执行式(8)的优化,反之则优化结束。
下面给出各方案的具体计算复杂度对比:
使用粒子群算法的下倾角和功率联合优化的复杂度为O(S2M2),其中S为粒子个数,我们所提出的天线及权向量与功率联合优化的复杂为O(CS2M3),其中C为用户所属扇区调整的次数。
综上所述本发明方案在一定计算复杂度的情况下,提升了***的性能。同时本方案在优化问题中考虑了上行信道估计的问题,与3DMIMO理想CSI的假设不同,间接地抑制了大规模MIMO***中的导频污染问题。