CN105187110A - 用于在多小区多用户大规模天线***中的解码方法 - Google Patents

Abstract

本发明涉及一种用于在多小区多用户大规模天线***中的解码方法。本发明充分利用大规模天线***，随着天线数的无限增加，用户间的非相关干扰和加性噪声会随着天线数的增加而消失，在不估计信道状态信息的情况下直接解码的方法。

Description

用于在多小区多用户大规模天线***中的解码方法

技术领域

本发明属于无线通信技术领域，特别涉及无线通信多天线技术领域，具体是一种用于在多小区多用户大规模天线***中的解码方法。

背景技术

多用户多输入多输出(MU-MIMO)无线通信***在当今通信领域已得到广泛应用，它能提供改善频谱效率和无线链路传输性能的巨大潜力。一般来说，每个用户与基站(BS)之间的信道需要正交，这就使得他们之间的通信需处在不同时频资源上，从信息论的观点上看显然不是最佳的。如果不同用户与基站之间的通信能在同一时频资源上进行，就可以得到更高的频谱使用率，但这需要复杂的解码技术来消除用户间干扰。MU-MIMO技术在实际的蜂窝通信***中不仅会受到小区内用户间干扰，位于小区边缘的用户还会受到来自邻小区的小区间干扰。

大规模天线***不同于一般的MIMO***，基站拥有大量天线，同时在同一频段上服务于多个用户终端。根据大数定理，不同用户与基站之间的信道趋于正交，这样小区内用户间的干扰就可以用简单的线性解码来消除，因此提高了频谱效率。大规模天线***中，由于巨大的天线数目及多个用户同时同频通信，选择一个低解码复杂度的解码器显得尤为重要。线性解码器如最小均方误差(MMSE)和迫零(ZF)解码器，其解码复杂度相对于ML解码已大大降低，但是他们都需要求信道矩阵的逆矩阵，当天线数很大时计算复杂度还是比较高。

发明内容

为了进一步减小解码的复杂度，本发明提出了一种信号在多小区多用户大规模天线***中直接解码方法，即充分利用大规模天线***，随着天线数的无限增加，用户间的非相关干扰和加性噪声会随着天线数的增加而消失，在不估计信道状态信息的情况下直接解码的方法。

本发明提供了一种用于在多小区多用户大规模天线***中的解码方法。

假定***模型为：

$Y=\sqrt{\mathrm{\ρ}}HBX+W---\left(1\right)$

其中，设***有L个小区，每个小区有一个基站和K个单天线用户，每个基站装有M根天线，M要远远大于所有用户数LK。假定***的相干时间为T+τ，再假定每个用户发送长为T+τ的信息序列，假定τ＝K，且序列前端均包含有长为τ的训练序列头，则发送信号可表示成KL×(T+τ)的发送信号矩阵X，某小区基站接收信号可表示成M×(T+τ)的接收信号矩阵Y。ρ为信噪比,B＝diag([β₁₁,…,β_1K,β₂₁,…,β_LK])为对角矩阵，β_ij(1≤i≤L,1≤j≤K)表示第i个小区第j个用户到基站的大尺度衰落因子，W表示随机噪声。

下面以第i(1≤i≤L)个小区为例说明解码方法。

第一步：发送训练序列接收的信号

$Y_0=\sqrt{{\mathrm{\ρ}}_0}HB\mathrm{\Φ}+W_0---\left(2\right)$

其中，Y₀∈C^M×K，是发送训练序列时接收到的信号；ρ₀是训练序列的信噪比；H是M×KL的复矩阵，它的元素是均值为零，方差为1的复高斯的随机变量，且两两相互独立。其中I_K是K×K的单位矩阵，而上标t表示矩阵的转置，符号表示矩阵Φ中有L个单位矩阵I_K。这样，Φ是KL×K的矩阵。W₀是M×K的噪声矩阵，它的元素是均值为零，方差为1的独立的复高斯变量，且两两相互独立。B＝diag([β₁₁,…,β_1K,β₂₁,…,β_LK])，是LK×LK的对角矩阵。

第二步：发送信号接收到的信号

$Y_1=\sqrt{{\mathrm{\ρ}}_1}HBS+W_1---\left(3\right)$

其中，Y₁∈C^M×1，是发送信号的接收信号；ρ₁是接收数据的信噪比；S＝[s₁₁,…,s_1K,s₂₁,…,s_LK]^t为发送的数据，s_ij(1≤i≤L,1≤j≤K)表示第i个小区的第j个用户发送的数据，它的每个元素均匀地独立地取某个QAM(正交幅度调制信号)，S是LK×1的矩阵；W₁是加性高斯白噪声，是M×1的噪声矩阵，它的元素是均值为零，方差为1的独立的复高斯变量，且两两相互独立。

第三步：解码过程，具体如下：

令对于给定的j(1≤j≤K)，第j个用户的解码方法为

$\begin{array}{cc}{\hat{s}}_{ij}=\arg \underset{s_{ij}\∈S_i}{\min }\left|{\tilde{y}}_j-\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}{\mathrm{\β}}_{ij}^2{s}_{ij}\right|& 1\≤j\≤K\end{array}---\left(4\right)$

本发明的有益效果：充分利用大规模天线***，随着天线数的无限增加，用户间的非相关干扰和加性噪声会随着天线数的增加而消失，在不估计信道状态信息的情况下直接解码，进一步减小解码的复杂度。

附图说明

图1为本发明在实施例的情况下，关于解码误比特率的仿真图。

具体实施方式

下面介绍该设计方法的理论依据：

假定***模型为：

$Y=\sqrt{\mathrm{\ρ}}HBX+W---\left(5\right)$

其中，设***有L个小区，每个小区有一个基站和K个单天线用户，每个基站装有M根天线，M要远远大于所有用户数LK。假定***的相干时间为T+τ，再假定每个用户发送长为T+τ的信息序列，假定τ＝K，且序列前端均包含有长为τ的训练序列头，则发送信号可表示成KL×(T+τ)的发送信号矩阵X，某小区基站接收信号可表示成M×(T+τ)的接收信号矩阵Y。ρ为信噪比,B＝diag([β₁₁,…,β_1K,β₂₁,…,β_LK])为对角矩阵，β_ij(1≤i≤L,1≤j≤K)表示第i个小区第j个用户到基站的大尺度衰落因子，W表示随机噪声。

下面以第i(1≤i≤L)个小区为例说明解码方法。

第一步：发送训练序列接收的信号

$Y_0=\sqrt{{\mathrm{\ρ}}_0}HB\mathrm{\Φ}+W_0---\left(6\right)$

其中，Y₀∈C^M×K，是发送训练序列时接收到的信号；ρ₀是训练序列的信噪比；H是M×KL的复矩阵，它的元素是均值为零，方差为1的复高斯的随机变量，且两两相互独立。其中I_K，是K×K的单位矩阵，而上标t表示矩阵的转置。这样，Φ是KL×K的矩阵。W₀是M×K的噪声矩阵，它的元素是均值为零，方差为1的独立的复高斯变量，且两两相互独立。B＝diag([β₁₁,…,β_1K,β₂₁,…,β_LK])，是LK×LK的对角矩阵。

第二步：发送信号接收到的信号

$Y_1=\sqrt{{\mathrm{\ρ}}_1}HBS+W_1---\left(7\right)$

其中，Y₁∈C^M×1，是发送信号的接收信号；ρ₁是接收数据的信噪比；S＝[s₁₁,…,s_1K,s₂₁,…,s_LK]^t为发送的数据，它的每个元素均匀地独立地取某个QAM(正交幅度调制信号)，S是LK×1的矩阵；W₁是加性高斯白噪声，是M×1的噪声矩阵，它的元素是均值为零，方差为1的独立的复高斯变量，且两两相互独立。

第三步：解码过程

1、联合公式(6)、(7)，可得如下

$\begin{array}{c}\left({Y_0}^H{Y}_1\right)/M=\frac{1}{M}(\sqrt{{\mathrm{\ρ}}_0}{\mathrm{\Φ}}^H{B}^H{H}^H+{W_0}^H)(\sqrt{{\mathrm{\ρ}}_1}HBS+W_1)\\ =\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}{\mathrm{\Φ}}^H{B}^H\frac{H^{H}H}{M}BS+\sqrt{{\mathrm{\ρ}}_1}\frac{{W_0}^{H}H}{M}BS\\ +\sqrt{{\mathrm{\ρ}}_0}{\mathrm{\Φ}}^H{B}^H\frac{H^H{W}_1}{M}+\frac{{W_0}^H{W}_1}{M}\\ \≈\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}{\mathrm{\Φ}}^H{B}^{H}BS\end{array}---\left(8\right)$

其中，(·)^H表示矩阵的复共轭矩阵；在MIMO***中，当M远大于LK且M→∞时，有 $\underset{M\→\∞}{\lim }\frac{{W_0}^{H}H}{M}=0;\underset{M\→\∞}{\lim }{H}^{H}H=\mathrm{MI};\underset{M\→\∞}{\lim }\frac{H^H{W}_1}{M}=0;\underset{M\→\∞}{\lim }\frac{{W_0}^H{W}_1}{M}=0$ 几乎处处成立。

2、由公式(8)可知，信道状态信息可被消去，进一步分析可知

$\begin{array}{c}{\mathrm{\Φ}}^H{B}^{H}BS=\[I_K,I_K,\mathrm{...},I_K\]diag(\[{\mathrm{\β}}_{11}^2,\mathrm{...},{\mathrm{\β}}_{1K}^2,{\mathrm{\β}}_{21}^2,\mathrm{...},{\mathrm{\β}}_{LK}^2\]){\[s_{11},\mathrm{...},s_{1K},s_{21},\mathrm{...},s_{LK}\]}^t\\ =\[B_1^2,B_2^2,\mathrm{...},B_L^2\]{\[s_1,\mathrm{...},s_L\]}^t=\[B_1^2{s}_1+B_2^2{s}_2+\mathrm{...}+B_L^2{s}_L\]\\ =\left[\begin{array}{c}{\mathrm{\β}}_{11}^2{s}_{11}+{\mathrm{\β}}_{21}^2{s}_{21}+\mathrm{...}+{\mathrm{\β}}_{L1}^2{s}_{L1}\\ \mathrm{...}\\ {\mathrm{\β}}_{1K}^2{s}_{1K}+{\mathrm{\β}}_{2K}^2{s}_{2K}+\mathrm{...}+{\mathrm{\β}}_{LK}^2{s}_{LK}\end{array}\right]\end{array}---\left(9\right)$

其中：s_i＝(s_i1,…,s_iK)^t1≤i≤L，表示第i个小区的发送信号；(·)^t表示矩阵的转置。

3、将公式(9)代入到公式(8)中，且令可得：

$\tilde{Y}=\left({Y_0}^H{Y}_1\right)/M\≈\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}{\mathrm{\Φ}}^H{B}^{H}BS---\left(10\right)$

将中的每项展开可得：

$\{\begin{array}{c}{\tilde{y}}_1=\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}({\mathrm{\β}}_{11}^2{s}_{11}+{\mathrm{\β}}_{21}^2{s}_{21}+...+{\mathrm{\β}}_{L1}^2{s}_{L1})\\ \mathrm{...}\\ {\tilde{y}}_K=\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}({\mathrm{\β}}_{1K}^2{s}_{1K}+{\mathrm{\β}}_{2K}^2{s}_{2K}+...+{\mathrm{\β}}_{LK}^2{s}_{LK})\end{array}---\left(11\right)$

其中第j个分量可以表示为：

$\begin{array}{cc}{\tilde{y}}_j=\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}({\mathrm{\β}}_{1j}^2{s}_{1j}+{\mathrm{\β}}_{2j}^2{s}_{2j}+...+{\mathrm{\β}}_{Lj}^2{s}_{Lj})& 1\≤j\≤K\end{array}---\left(12\right)$

对于给定的i(1≤i≤L)和j(1≤j≤K)，将其他L-1个小区的干扰信号当做噪声处理，可以由公式(12)解出第i个小区的第j个用户的信息s_ij。

4、所以可得解码方法为

$\begin{array}{cc}{\hat{s}}_{ij}=\arg \underset{s_{ij}\∈S_i}{\min }\left|{\tilde{y}}_j-\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}{\mathrm{\β}}_{ij}^2{s}_{ij}\right|& 1\≤j\≤K---\left(13\right)\end{array}$

实施例

如图1所示，假设***有2个小区，每个小区有一个基站和2个单天线用户，每个基站装有128根天线。下面以第一个小区为例。

步骤1：令训练序列Φ＝[I₂,I₂]^t，其中I₂是2×2的单位矩阵，Φ是4×2的矩阵；假定B＝diag([1,1,0.4,0.4])，是4×4的对角矩阵。则可得发送训练序列接收到的信号为

$Y_0=\sqrt{{\mathrm{\ρ}}_0}HB\mathrm{\Φ}+W_0---\left(14\right)$

其中，Y₀∈C^128×2；H是128×4的复矩阵，它的元素是均值为零，方差为1的复高斯的随机变量；W₀是128×2的高斯白噪声噪声矩阵，它的元素是均值为零，方差为1的独立的复高斯变量，且两两相互独立。

步骤2：取发送的数据S＝[s₁₁,s₁₂,s₂₁,s₂₂]^t，是4×1的矩阵，其中每个元素均匀地取4-QAM。其它的条件如同步骤1。则可得发送信号接收到的信号为

$Y_1=\sqrt{{\mathrm{\ρ}}_1}HBS+W_1---\left(15\right)$

其中，Y₁∈C^128×1；W₁是128×1的高斯白噪声噪声矩阵，它的元素是均值为零，方差为1的独立的复高斯变量，且两两相互独立。

步骤3：令并将公式(14)、(15)代入可得

$\begin{array}{c}\tilde{Y}=\left({Y_0}^H{Y}_1\right)/M\\ \≈\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}{\mathrm{\Φ}}^H{B}^{H}BS+\tilde{W}\\ =\left[\begin{array}{c}\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}({\mathrm{\β}}_{11}^2{s}_{11}+{\mathrm{\β}}_{21}^2{s}_{21})\\ \sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}({\mathrm{\β}}_{12}^2{s}_{12}+{\mathrm{\β}}_{22}^2{s}_{22})\end{array}\right]\end{array}---\left(16\right)$

第j个分量可以表示为

$\begin{array}{cc}{\tilde{y}}_j=\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}({\mathrm{\β}}_{1j}^2{s}_{1j}+{\mathrm{\β}}_{2j}^2{s}_{2j})& 1\≤j\≤2\end{array}---\left(17\right)$

步骤4：在公式(17)中，对于给定的j(1≤j≤2)，将第2个小区的干扰信号当做噪声处理，可以解出第1个小区的第j(1≤j≤2)个用户的信息s_1j。于是可得解码方法为

$\begin{array}{cc}{\hat{s}}_{1j}=\arg \underset{s_{1j}\∈S_1}{\min }\left|{\tilde{y}}_j-\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}{\mathrm{\β}}_{1j}^2{s}_{1j}\right|& 1\≤j\≤2\end{array}---\left(18\right)$

通过仿真，得到该解码方法的性能分析如图1所示。

本领域的普通技术人员应当认识到，以上实例仅是用来说明本发明，而并非作为对本发明的限定，只要在本发明的范围内，对以上实施例的变化，变形都将落在本发明的保护范围。

Claims (1)

1.用于在多小区多用户大规模天线***中的解码方法，设定***模型为：

$Y=\sqrt{\mathrm{\ρ}}HBX+W---\left(1\right)$

其中，***有L个小区，每个小区有一个基站和K个单天线用户，每个基站装有M根天线，M要远远大于所有用户数LK；设定***的相干时间为T+τ，再设定每个用户发送长为T+τ的信息序列，设定τ＝K，且序列前端均包含有长为τ的训练序列头，则发送信号可表示成KL×(T+τ)的发送信号矩阵X，某小区基站接收信号可表示成M×(T+τ)的接收信号矩阵Y；ρ为信噪比,B＝diag([β₁₁,…,β_1K,β₂₁,…,β_LK])为对角矩阵，β_ij表示第i个小区第j个用户到基站的大尺度衰落因子，W表示随机噪声，1≤i≤L,1≤j≤K；

其特征在于该方法包括以下步骤：

第一步：发送训练序列接收的信号

$Y_0=\sqrt{{\mathrm{\ρ}}_0}HB\mathrm{\Φ}+W_0---\left(2\right)$ 其中，Y₀∈C^M×K，是发送训练序列时接收到的信号；ρ₀是训练序列的信噪比；H是M×KL的复矩阵，它的元素是均值为零，方差为1的复高斯的随机变量，且两两相互独立；其中I_K是K×K的单位矩阵，而上标t表示矩阵的转置，符号表示矩阵Φ中有L个单位矩阵I_K；这样，Φ是KL×K的矩阵；W₀是M×K的噪声矩阵，它的元素是均值为零，方差为1的独立的复高斯变量，且两两相互独立；B＝diag([β₁₁,…,β_1K,β₂₁,…,β_LK])，是LK×LK的对角矩阵；

第二步：发送信号接收到的信号

$Y_1=\sqrt{{\mathrm{\ρ}}_1}HBS+W_1---\left(3\right)$

其中，Y₁∈C^M×1，是发送信号的接收信号；ρ₁是接收数据的信噪比；

S＝[s₁₁,…,s_1K,s₂₁,…,s_LK]^t为发送的数据，s_ij(1≤i≤L,1≤j≤K)表示第i个小区的第j个用户发送的数据，它的每个元素均匀地独立地取某个QAM，S是LK×1的矩阵；W₁是加性高斯白噪声，是M×1的噪声矩阵，它的元素是均值为零，方差为1的独立的复高斯变量，且两两相互独立；

第三步：解码过程，具体如下：

令对于给定的j，第j个用户的解码为

${\hat{s}}_{ij}=\arg \underset{s_{ij}\∈S_i}{\min }\left|{\tilde{y}}_j-\sqrt{{\mathrm{\ρ}}_0{\mathrm{\ρ}}_1}{\mathrm{\β}}_{ij}^2{s}_{ij}\right|---\left(4\right).$