CN110365463A - 大规模mimo***两次聚类划归的导频分配方法 - Google Patents
大规模mimo***两次聚类划归的导频分配方法 Download PDFInfo
- Publication number
- CN110365463A CN110365463A CN201910712004.5A CN201910712004A CN110365463A CN 110365463 A CN110365463 A CN 110365463A CN 201910712004 A CN201910712004 A CN 201910712004A CN 110365463 A CN110365463 A CN 110365463A
- Authority
- CN
- China
- Prior art keywords
- cell
- user
- users
- clustering
- pilot
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005562 fading Methods 0.000 claims abstract description 31
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 29
- 238000004088 simulation Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002401 inhibitory effect Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种大规模MIMO***两次聚类划归的导频分配方法,导频分配方法的步骤具体为:步骤1、L小区基站各自计算所在小区内所有用户的大尺度衰落因子;步骤2、L小区基站计算用户一次聚类阈值,并依据用户一次聚类阈值对本小区所有用户进行一次聚类划归;步骤3、L个小区基站计算用户二次聚类阈值;步骤4、L个小区基站根据用户二次聚类阈值对本小区中一次聚类边缘类的所有用户类别进行再次划归;步骤5、L个小区基站对二次聚类中心类用户排序;步骤6、导频集合划分;步骤7、导频分配;有益效果:减小中心组用户性能损失的前提下改善边缘组用户的服务质量(Quality of Service.QoS);有效抑制了导频污染。
Description
技术领域
本发明涉及技术领域,具体的说是一种大规模MIMO***两次聚类划归的导频分配方法。
背景技术
大规模MIMO(multiple-input multiple-output,MIMO)技术通过在基站侧配置大规模天线阵列,利用空间自由度来提高***的频谱效率和能量效率。发挥大规模MIMO技术优势的关键之一,是基站必须获知精确的信道状态信息(channel state information,CSI)。
在多小区多用户大规模MIMO***中,受限于信道相干时间,小区间导频复用不可避免,由此形成的导频污染(pilot contamination,PC)严重影响信道估计精度,合理分配导频是抑制导频污染的关键。
现有技术中,有很多文献提到了相关技术,例如:
在文献一(Muppirisetty L S,Wymeersch H,Karout J,et al.Location-AidedPilot Contamination Elimination for Massive MIMO Systems[C]//2015IEEE GlobalCommunications Conference(GLOBECOM),San Diego,CA,2015:1-5)中,提出根据信号到达角(angle of arrival,AoA)信息,为空间互不重叠的用户分配相同导频序列,能提高信道估计精度,并减少导频开销,但需要估计用户上行信道的二阶统计量。
在文献二(Zhu Xudong,Dai Linglong,Wang Zhaocheng,et al.Weighted GraphColoring Based Pilot Decontamination for Multicell Massive MIMO Systems[J],IEEE Transactions on Vehicular Technology,2017,66(3):2829-2834.)和文献三(DaoH T,Kim S.Vertex Graph-Coloring-Based Pilot Assignment with Location-BasedChannel Estimation for Massive MIMO Systems[J],IEEE Access,2018,6:4599-4607.)中提出,首先构建用户之间的干扰图,然后基于图着色执行导频分配,其中文献二仅考虑大尺度衰落因子,文献三联合AoA和用户与目标小区基站间的距离确定边权值,再通过小区间协作分配导频,但当用户数增多时,复杂度较高。
在文献四(Kim K,Lee J,Choi J.Deep Learning Based Pilot AllocationScheme(DL-PAS)for 5G Massive MIMO System[J],IEEE Communications Letters,2018,22(4):828-831.)中,提出一种基于深度学习的导频分配算法,将穷举搜索获得的最佳导频分配结果作为训练集训练深度神经网络,输入特征为用户位置信息,输出标签为导频分配结果,但是当用户分布快变时,训练过程会非常频繁。
在文献五(霍智斌.大规模MIMO***中的干扰消除方法研究[D].北京:北京邮电大学,2018.)中,提出一种基于粒子群优化的导频分配算法,以最大可达和速率为目标寻找最优导频分配结果。
文献六(Fernandes F,Ashikhmin A,Marzetta T L.Inter-Cell Interferencein Noncooperative TDD Large Scale Antenna Systems[J],IEEE Journal on SelectedAreas in Communications,2013,31(2):192-201.)和文献七(Chang Wenson,HuaYunkuei,Liao Shufong.Partial Overlapped Time-Shifted Pilots for Massive MIMOSystems[J],IEEE Communications Letters,2017,21(11):2480-2483.)中,采用异步传输模式,约定使用相同导频的用户在不同时隙发送上行导频,在同一时隙接收下行数据。该方案在时域隔离导频干扰,但可能引入额外的数据干扰。
文献八(Zhu Xudong,Wang Zhaocheng,Qian Chen,et al.Soft Pilot Reuse andMulticell Block Diagonalization Precoding for Massive MIMO Systems[J],IEEETransactions on Vehicular Technology,2016,65(5):3285-3298.)提出一种基于软导频复用(soft pilot reuse,SPR)的导频分配算法,将小区用户划分为中心组用户和边缘组用户,针对不同用户采取不同的导频分配策略,能提高信道质量差的边缘组用户的信道估计精度,但该策略对中心组用户采用随机复用导频的方法,不可避免的会造成性能损失,且导频开销随边缘用户数增加而增加。
文献九(Chang Wenson,Chan Hanwei,Hua Yunkuei.Weighted Graph ColoringBased Soft Pilot Reuse for TDD Massive MIMO Systems[J],IEEE Transactions onVehicular Technology,2018,67(7):6272-6285.)提出一种联合软导频复用和图着色的导频分配算法,但需要小区间协作,信息交互开销大。
综上所述,有必要提出一种方法来克服上述问题。
发明内容
针对上述问题,本发明提供了一种大规模MIMO***两次聚类划归的导频分配方法,尽量减小中心组用户性能损失的前提下改善边缘组用户的服务质量(Quality ofService.QoS);有效抑制导频污染。
为达到上述目的,本发明采用的具体技术方案如下:
一种大规模MIMO***两次聚类划归的导频分配方法,包括MIMO***,该MIMO***设置有L个小区,每个小区呈正六边形蜂窝状,正六边形的等效半径为R;且在每个小区内均配置有一个基站并覆盖有K个单天线用户,每个基站配置有M根天线,其中K<<M;其特征在于:
导频分配方法的步骤具体为:
步骤1、L小区基站各自计算所在小区内所有用户的大尺度衰落因子;
小区l基站利用接收到的上行导频信号辅助估计本小区所有用户的大尺度衰落因子βlkl:
其中βlkl表示小区l内的用户k到本小区基站的信道的大尺度衰落因子,由传输路径损失和阴影衰落两部分构成,l=1,…,L;k=1,…,K;
zl,k,l表示阴影衰落,其对数10×log(zl,k,l)是服从均值为0,方差为的高斯分布,即
dl,k,l表示小区l内用户k到本小区基站的距离;
α表示路径损失指数;
步骤2、L小区基站计算用户一次聚类阈值,并依据用户一次聚类阈值对本小区所有用户进行一次聚类划归;
小区l计算本小区用户一次聚类阈值的计算公式为:
其中,l=1,…,L,ε表示用户一次聚类参数,取决于***性能需求和用户规模,根据经验设置;
将小区l内用户k的大尺度衰落因子βl,k,l与本小区用户一次聚类阈值进行比较,如果用户k的大尺度衰落因子βl,k,l大于等于则该用户划归一次聚类中心类否则该用户划归一次聚类边缘类
步骤3、L个小区基站计算用户二次聚类阈值;
小区l确定本小区用户二次聚类阈值
其中,l=1,…,L,R表示正六边形小区的等效半径,δ表示空间距离调节参数,取决于***性能需求和小区等效半径,根据经验设置;
步骤4、L个小区基站根据用户二次聚类阈值对本小区中一次聚类边缘类的所有用户类别进行再次划归,具体为:
选定目标小区i,对该目标小区的相邻小区l′i中一次聚类边缘类所有用户的类别进行调整,i∈[1,L];l′i∈[1,L],i≠l′i
若相邻小区l′i内的一次聚类边缘类用户k′与目标小区i基站的距离大于用户二次聚类阈值则将该用户调整划归至聚类中心类;否则该用户继续留在聚类边缘类,将小区l′i内的所有用户最终聚合为二次聚类中心类和二次聚类边缘类
步骤5、L个小区基站对二次聚类中心类用户排序;
以小区l的基站位置为原点建立极坐标系,L个小区基站分别计算本小区内二次聚类中心类的所有用户的极角,并根据极角大小升序排列,得到排序结果其中,
步骤6、导频集合划分;
将导频集合Φ划分为中心类用户导频集合Φc和边缘类用户导频集合Φe;
其中,中心类用户导频集合Φc中的正交导频数量为边缘类用户导频集合Φe中的正交导频数量为则L个小区K用户MIMO***所需的总正交导频数量为N=Nc+Ne;
步骤7、导频分配;
对于小区l中二次聚类中心类中的用户,该小区基站l按照步骤5对用户的排序结果依次从中心类用户导频集合Φc中选择并为其分配一个导频,所有小区的所有二次聚类中心类用户复用导频集合Φc,l=1,…,L;
对于小区l中二次聚类边缘类中的用户,从边缘类用户导频集合Φe中选择并为其分配一个不可复用的导频,l=1,…,L。
通过上述步骤,首先依据小区平均大尺度衰落因子将每个小区用户划分为一次聚类边缘类用户和一次聚类中心类用户,然后对边缘用户进行二次聚类划归,考虑一次聚类划归的边缘用户与基站间的空间距离,确定形成最终的二次聚类中心类用户和二次聚类边缘类用户。
针对每个小区的二次聚类中心类用户由于所受污染较小,根据极角大小进行升序排列,并依照此顺序寻找用户复用导频;而为各小区所受污染较为严重的边缘组用户分配正交导频,在尽量减小中心组用户性能损失的前提下改善边缘组用户的服务质量(Qualityof Service.QoS);有效抑制导频污染。
再进一步的技术方案为:在步骤4中,中心目标小区i的所有用户均为中心组用户包围小区li'的中心组用户进行复用。
本发明的有益效果:第一、本发明通过对***中的用户进行聚类划归,打破传统对所有用户按照同一规则分配导频的方式,根据用户所受干扰程度进行区别对待,提高***性能;第二、本发明联合大尺度衰落与空间距离设定用户聚类阈值,确保聚类的有效性,减小导频开销,增加***可容纳的用户数;第三、本发明在进行聚类划归时,可根据实际通信场景需求动态调整聚类参数和聚类阈值,适应性好;第四、本发明对受污染较轻的中心组用户按照极角大小进行排序,并依照此顺序寻找用户复用导频,有效抑制导频复用带来的干扰,确保聚类中心类用户的高信道质量性能不发生损失;第五、本发明对受污染较严重的聚类边缘类用户分配正交导频,提高低速率边缘组用户的性能,保障其QoS确保信道估计精度。
附图说明
图1为本发明的大规模MIMO***模型图;
图2为本发明的导频分配结果示意图;
图3导频开销随分组参数ε变化曲线;
图4中心目标小区可达和速率随参数ε变化曲线;
图5为不同算法下基站天线数与上行链路可达和速率仿真结果坐标图;
图6为本发明导频分配流程图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
从图1可以看出,一种大规模MIMO***两次聚类划归的导频分配方法,包括MIMO***,该MIMO***设置有L个小区,每个小区呈正六边形蜂窝状,正六边形的等效半径为R;且在每个小区内均配置有一个基站并覆盖有K个单天线用户,每个基站配置有M根天线,其中K<<M。
MIMO***中,假定基站天线之间满足独立同分布,小区i中所有用户与小区l基站天线间的信道传播矩阵表示为:
其中,Gil=[gi1l,gi2l,…,giKl]为M×K维小尺度衰落矩阵;为K×K维大尺度衰落对角阵;hikl为小区i中用户k到小区l基站的信道传播向量,具体表示为:
其中,gikl=[gikl1,gikl2,…,giklM]T,hiklm,giklm分别为小区i中用户k到小区l基站天线m的信道系数和小尺度衰落因子,大尺度衰落因子βikl由传输路径损失和阴影衰落构成,表示为:
其中,zikl表示阴影衰落,其对数服从0均值,方差为的正态分布,即dikl表示小区i中用户k到小区l基站的距离,α表示路径损失指数。
在基于TDD的多小区多用户大规模MIMO***中,基站利用导频辅助执行信道估计,进而利用估计获取的CSI执行接收检测和发射预编码。假设***的可用正交导频集合ψ=[ψ1,ψ2,…,ψN]满足其中τ≥K表示导频序列长度。在上行导频传输阶段,小区l基站接收导频信号矩阵为:
式中,pp表示导频发射功率,Yl p表示M×τ阶接收导频信号矩阵,表示M×τ阶加性高斯白噪声矩阵。假设基站采用最小二乘法(least square,LS)执行信道估计,则有:
在上行数据传输阶段,小区l基站接收数据信号向量为:
式中,pd表示数据发射功率,sik表示小区i中用户k发送的上行数据符号,表示加性高斯白噪声向量。基站利用估计获得的信道状态信息,采用匹配滤波(matching filter,MF)执行接收检测,可得:
根据随机几何理论,当基站天线数M→∞时,利用大规模MIMO的信道强化效应,可将小区l中对用户k的上行接收信干噪比表示为:
此时,小区l的上行链路可达和速率为:
其中,μp表示导频开销系数,E{·}表示取数学期望。由此可知,小区l的上行链路可达和速率受限于式(8)中的分母项,即相邻小区导频复用造成的导频污染。
结合表一,为仿真参数表格。在本实施例中,设定正六边形的等效半径为R=500m;K=10;L=7。从图2可以看出,MIMO***设置有7个小区。并分别标号1、2、3、4、5、6、7。
参数名称 | 取值大小 |
小区数L | 7 |
每小区用户数K | 10 |
基站天线数M | 8≤M≤512 |
小区半径R | 500m |
聚类参数ε | 0.1≤ε≤1 |
空间距离调节参数δ | 200m |
阴影衰落σ<sub>sh</sub> | 8dB |
路径损失指数α | 3 |
导频发射功率p<sub>p</sub> | 30dBm |
数据发射功率p<sub>d</sub> | 30dBm |
导频开销系数μ<sub>p</sub> | 0.1 |
结合图6流程图,导频分配方法的步骤具体为:
步骤1、L小区基站各自计算所在小区内所有用户的大尺度衰落因子;
小区l基站利用接收到的上行导频信号辅助估计本小区所有用户的大尺度衰落因子βlkl:
其中βlkl表示小区l内的用户k到本小区基站的信道的大尺度衰落因子,由传输路径损失和阴影衰落两部分构成,l=1,2,…7;k=1,2,…10;L≥2。
zl,k,l表示阴影衰落,其对数10×log(zl,k,l)是服从均值为0,方差为的高斯分布,即取值详见表1.
dl,k,l表示小区l内用户k到本小区基站的距离;
α表示路径损失指数;可通过经验值进行估算,在本实施例中,取值详见表1.
步骤2、L小区基站计算用户一次聚类阈值,并依据用户一次聚类阈值对本小区所有用户进行一次聚类划归;
小区l计算本小区用户一次聚类阈值的计算公式为:
其中,l=1,…,7,ε表示用户一次聚类参数,取决于***性能需求和用户规模,根据经验设置,具体取值范围详见表1。
在本实施例中,选取分组参数ε=0.1。
将小区l内用户k的大尺度衰落因子βl,k,l与本小区用户一次聚类阈值进行比较,如果用户k的大尺度衰落因子βl,k,l大于等于则该用户划归一次聚类中心类否则该用户划归一次聚类边缘类
步骤3、各小区基站计算用户二次聚类阈值;
小区l确定本小区用户二次聚类阈值
其中,l=1,…,L,R表示正六边形小区的等效半径,δ表示空间距离调节参数,取决于***性能需求和小区等效半径,根据经验设置;
在本实施例中,设置空间距离调节参数δ=200m,小区半径R=500m。
步骤4、L个小区基站根据用户二次聚类阈值对本小区中一次聚类边缘类的所有用户类别进行再次划归,具体为:
选定目标小区i,对该目标小区的相邻小区l′i中一次聚类边缘类所有用户的类别进行调整,i∈[1,L];l′i∈[1,L],i≠l′i
若相邻小区l′i内的一次聚类边缘类用户k′与目标小区i基站的距离大于用户二次聚类阈值则将该用户调整划归至聚类中心类;否则该用户继续留在聚类边缘类,将小区l′i内的所有用户最终聚合为二次聚类中心类和二次聚类边缘类
结合图1可以看出,在本实施例中,设定中间一个小区(即编号为1的小区)为中心目标小区,即i=1.其余的六个小区为相邻小区。
边缘组用户二次筛选结果如图2所示,图中▲表示基站。
在步骤4中,L个小区基站根据用户二次聚类阈值对本小区中一次聚类边缘类的所有用户类别进行再次划归,具体为:
选定目标小区i,对该目标小区的相邻小区l′i中一次聚类边缘类所有用户的类别进行调整,i∈[1,7];l′i∈[1,7],i≠l′i
若相邻小区l′i内的一次聚类边缘类用户k′与目标小区i基站的距离大于用户二次聚类阈值则将该用户调整划归至聚类中心类;否则该用户继续留在聚类边缘类,将小区l′i内的所有用户最终聚合为二次聚类中心类和二次聚类边缘类
作为其他实施方式,不对边缘类用户进行二次判断时,即不存在步骤4,直接将一次聚类中心类划分为二次聚类中心类一次聚类边缘类划分为二次聚类边缘类则为基于用户分组的导频分配算法(user grouping based pilot allocationalgorithm,UGPA)。
在本实施例中,采用了步骤4,即对边缘组用户进行二次判断的方法为改进用户分组的导频分配算法(improved user grouping based pilot allocation algorithm,IUGPA)。
步骤5、L个小区基站对二次聚类中心类用户排序;
以小区l的基站位置为原点建立极坐标系,L个小区基站分别计算本小区内二次聚类中心类的所有用户的极角,并根据极角大小升序排列,得到排序结果其中,
步骤6、导频集合划分;
将导频集合Φ划分为中心类用户导频集合Φc和边缘类用户导频集合Φe;
其中,中心类用户导频集合Φc中的正交导频数量为边缘类用户导频集合Φe中的正交导频数量为则L个小区K用户MIMO***所需的总正交导频数量为N=Nc+Ne=7+6=13;结合图2可以看出,阴影部分就是所需要的正交导频数。结合图2可以看出,在本实施例中,中心目标小区中,全部为聚类中心类用户,聚类边缘类用户为0;相邻小区在阴影之外的为聚类中心类用户。
步骤7、导频分配;
对于小区l中二次聚类中心类中的用户,基站l按照步骤5对用户的排序结果顺序从中心类用户导频集合Φc中选择并为其分配一个导频,所有小区的所有二次聚类中心类用户复用导频集合Φc,l=1,…,L;
对于小区l中二次聚类边缘类中的用户,从边缘类用户导频集合Φe中选择并为其分配一个不可复用的导频,l=1,…,L。
在本实施例中,结合基于软导频复用(soft pilot reuse,SPR)算法(详见文献:Zhu Xudong,Wang Zhaocheng,Qian Chen,et al.Soft Pilot Reuse and MulticellBlock Diagonalization Precoding for Massive MIMO Systems[J],IEEE Transactionson Vehicular Technology,2016,65(5):3285-3298.)、提出的基于用户分组的导频分配算法(user grouping based pilot allocation algorithm,UGPA)和本发明提出改进用户分组的导频分配算法(improved user grouping based pilot allocation algorithm,IUGPA)进行比较,UGPA和IUGPA差别在于:对边缘类用户进行了二次聚类,UGPA忽略了相邻小区用户间的干扰。为了进一步减小导频开销,提高上行链路可达和速率,依据容忍可控干扰量对UGPA算法进行改进,联合大尺度衰落和用户与基站间的空间距离优化聚类参数,故提出改进的基于用户分组的导频分配算法(improved UGPA,IUGPA)。采用蒙特卡洛(MonteCarlo)法仿真分析,比较SPR算法与UGPA算法和IUGPA算法的性能。仿真结果为1000次平均,具体仿真参数如表1所示。
图2为导频分配结果示意图,仅展示导频方法,不表示本实施例的实际结果。图中序号表示每个用户使用的导频序列号,阴影区表示为需要分配正交导频的区域,通过示意图我们可以看出,使用相同导频的中心组用户均在距离上保持一定间隔,同时仅有少部分受污染较严重的边缘组用户使用不可复用的正交导频组,在无需大额导频数量的前提下有效抑制了导频污染,提高***性能。
用户聚类结果将直接影响导频开销和上行链路可达和速率。为此,首先通过仿真确定最佳聚类参数ε。图3和4分别为基站配置天线数M=128时,聚类参数ε∈[0.1,1]对导频开销和上行链路中心目标小区可达和速率的影响。
由图3可知,SPR算法与UGPA算法的导频开销重叠,且随着聚类参数ε的增大,两种算法的导频开销逐渐增大。这是由于二者的聚类规则一致和聚类边缘类用户数量增多造成的。IUGPA算法对边缘类用户进行二次聚类,根据经验设置空间距离调节参数δ=200,导频开销仅为13%~16%。这是由于通过对边缘类用户进行二次聚类,将相邻小区中心区域设定为80%,边缘区域设定为20%,即仅将距离中心目标小区700m范围内的相邻小区用户视为二次聚类边缘类用户,减少了聚类边缘类用户数量所致。
图4进一步给出了导频开销对中心目标小区上行链路可达和速率的影响。由图可知,随着聚类参数ε的增大,通过为边缘类用户分配正交导频来提高信道估计精度,进而提升边缘类用户的数据传输速率,已不能弥补对中心类用户信道估计精度下降造成的传输速率损失,导致SPR算法和UGPA算法的上行链路可达和速率不断下降,而IUGPA算法在执行用户聚类时,引入用户空间距离调节参数δ=200,其上行链路可达和速率基本无损失,验证了该算法的性能优势。因此,在***性能与导频开销之间折中,选取合适的聚类参数尤为重要,并选取ε=0.1作为接下来仿真的最佳一次聚类参数值。
图5所示为设置聚类参数ε=0.1时,上行链路中心目标小区可达和速率随基站配置天线数M的变化曲线。由图可知,三种算法下可达和速率均随天线数的增加而增大,其中,UGPA算法优于SPR算法,IUGPA算法优于UGPA算法。以基站配置天线数M=256为例,执行IUGPA算法获得的中心目标小区可达和速率约为33.39Hz/bps,相比SPR提高了28.7%;而UGPA算法通过优化聚类中心类用户的导频复用策略,相比SPR算法提高了3.9%。
对于聚类参数一定的条件,不同的导频分配方法,上行链路中心目标小区可达和速率随基站配置天线数的增多不断增加。本发明方法优于传统分组方法和一次聚类方法,主要是因为本发明方法对边缘类用户执行二次聚类,同时对执行导频复用的聚类中心类用户在空间上保持一定间隔,使得可达和速率增加。
应当指出的是,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换,也应属于本发明的保护范围。
Claims (2)
1.一种大规模MIMO***两次聚类划归的导频分配方法,包括MIMO***,该MIMO***设置有L个小区,每个小区呈正六边形蜂窝状,正六边形的等效半径为R;且在每个小区内均配置有一个基站并覆盖有K个单天线用户,每个基站配置有M根天线,其中K<<M;其特征在于:
导频分配方法的步骤具体为:
步骤1、L小区基站各自计算所在小区内所有用户的大尺度衰落因子;
小区l基站利用接收到的上行导频信号辅助估计本小区所有用户的大尺度衰落因子βlkl:
其中βlkl表示小区l内的用户k到本小区基站的信道的大尺度衰落因子,由传输路径损失和阴影衰落两部分构成,l=1,…,L;k=1,…,K;
zl,k,l表示阴影衰落,其对数10×log(zl,k,l)是服从均值为0,方差为的高斯分布,即
dl,k,l表示小区l内用户k到本小区基站的距离;
α表示路径损失指数;
步骤2、L小区基站计算用户一次聚类阈值,并依据用户一次聚类阈值对本小区所有用户进行一次聚类划归;
小区l计算本小区用户一次聚类阈值的计算公式为:
其中,l=1,…,L,ε表示用户一次聚类参数,取决于***性能需求和用户规模,根据经验设置;
将小区l内用户k的大尺度衰落因子βl,k,l与本小区用户一次聚类阈值进行比较,如果用户k的大尺度衰落因子βl,k,l大于等于则该用户划归一次聚类中心类否则该用户划归一次聚类边缘类
步骤3、L个小区基站计算用户二次聚类阈值;
小区l确定本小区用户二次聚类阈值
其中,l=1,…,L,R表示正六边形小区的等效半径,δ表示空间距离调节参数,取决于***性能需求和小区等效半径,根据经验设置;
步骤4、L个小区基站根据用户二次聚类阈值对本小区中一次聚类边缘类的所有用户类别进行再次划归,具体为:
选定目标小区i,对该目标小区的相邻小区l′i中一次聚类边缘类所有用户的类别进行调整,i∈[1,L];l′i∈[1,L],i≠l′i
若相邻小区l′i内的一次聚类边缘类用户k′与目标小区i基站的距离大于用户二次聚类阈值则将该用户调整划归至聚类中心类;否则该用户继续留在聚类边缘类,将小区l′i内的所有用户最终聚合为二次聚类中心类和二次聚类边缘类
步骤5、L个小区基站对二次聚类中心类用户排序;
以小区l的基站位置为原点建立极坐标系,L个小区基站分别计算本小区内二次聚类中心类的所有用户的极角,并根据极角大小升序排列,得到排序结果其中,
步骤6、导频集合划分;
将导频集合Φ划分为中心类用户导频集合Φc和边缘类用户导频集合Φe;
其中,中心类用户导频集合Φc中的正交导频数量为边缘类用户导频集合Φe中的正交导频数量为则L个小区K用户MIMO***所需的总正交导频数量为N=Nc+Ne;
步骤7、导频分配;
对于小区l中二次聚类中心类中的用户,该小区基站l按照步骤5对用户的排序结果依次从中心类用户导频集合Φc中选择并为其分配一个导频,所有小区的所有二次聚类中心类用户复用导频集合Φc,l=1,…,L;
对于小区l中二次聚类边缘类中的用户,从边缘类用户导频集合Φe中选择并为其分配一个不可复用的导频,l=1,…,L。
2.根据权利要求1所述的一种大规模MIMO***两次聚类划归的导频分配方法,其特征在于:在步骤4中,选择中心目标小区i条件是,该小区用于处于待分组状态;所述相邻小区li'的用户处于待分组状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910712004.5A CN110365463B (zh) | 2019-08-02 | 2019-08-02 | 大规模mimo***两次聚类划归的导频分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910712004.5A CN110365463B (zh) | 2019-08-02 | 2019-08-02 | 大规模mimo***两次聚类划归的导频分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110365463A true CN110365463A (zh) | 2019-10-22 |
CN110365463B CN110365463B (zh) | 2020-06-09 |
Family
ID=68222086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910712004.5A Expired - Fee Related CN110365463B (zh) | 2019-08-02 | 2019-08-02 | 大规模mimo***两次聚类划归的导频分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110365463B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110912670A (zh) * | 2019-11-19 | 2020-03-24 | 重庆邮电大学 | 基于k均值聚类的大规模mimo导频分配方法及装置 |
CN110943819A (zh) * | 2019-10-30 | 2020-03-31 | 深圳供电局有限公司 | 导频分配方法和装置、计算机设备、计算机可读存储介质 |
CN111262678A (zh) * | 2020-01-17 | 2020-06-09 | 北京科技大学 | 一种massive MIMO***下多小区多用户导频分配方法 |
CN111371540A (zh) * | 2020-03-19 | 2020-07-03 | 东北电力大学 | 基于用户分组的大规模mimo***导频分配方法 |
CN113411105A (zh) * | 2021-05-06 | 2021-09-17 | 杭州电子科技大学 | 一种无小区大规模天线***的ap选择方法 |
CN115642998A (zh) * | 2022-12-26 | 2023-01-24 | 浙大城市学院 | 一种毫米波频段联合通信与定位的导频分配方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170195934A1 (en) * | 2014-05-15 | 2017-07-06 | Lg Electronics Inc. | Method and apparatus for calculating feedback information for 3d mimo in wireless communication system |
CN107547184A (zh) * | 2017-07-06 | 2018-01-05 | 重庆邮电大学 | 一种大规模mimo***中的动态导频分配方法 |
CN107888367A (zh) * | 2017-11-24 | 2018-04-06 | 重庆邮电大学 | 大规模mimo***中基于用户分类的动态导频分配方法 |
CN109088715A (zh) * | 2018-09-19 | 2018-12-25 | 中国联合网络通信集团有限公司 | 导频分配方法及装置 |
-
2019
- 2019-08-02 CN CN201910712004.5A patent/CN110365463B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170195934A1 (en) * | 2014-05-15 | 2017-07-06 | Lg Electronics Inc. | Method and apparatus for calculating feedback information for 3d mimo in wireless communication system |
CN107547184A (zh) * | 2017-07-06 | 2018-01-05 | 重庆邮电大学 | 一种大规模mimo***中的动态导频分配方法 |
CN107888367A (zh) * | 2017-11-24 | 2018-04-06 | 重庆邮电大学 | 大规模mimo***中基于用户分类的动态导频分配方法 |
CN109088715A (zh) * | 2018-09-19 | 2018-12-25 | 中国联合网络通信集团有限公司 | 导频分配方法及装置 |
Non-Patent Citations (1)
Title |
---|
高贺: "大规模MIMO***中的导频分配算法研究", 《北京邮电大学硕士学位论文》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110943819A (zh) * | 2019-10-30 | 2020-03-31 | 深圳供电局有限公司 | 导频分配方法和装置、计算机设备、计算机可读存储介质 |
CN110943819B (zh) * | 2019-10-30 | 2022-08-30 | 深圳供电局有限公司 | 导频分配方法和装置、计算机设备、计算机可读存储介质 |
CN110912670A (zh) * | 2019-11-19 | 2020-03-24 | 重庆邮电大学 | 基于k均值聚类的大规模mimo导频分配方法及装置 |
CN111262678A (zh) * | 2020-01-17 | 2020-06-09 | 北京科技大学 | 一种massive MIMO***下多小区多用户导频分配方法 |
CN111262678B (zh) * | 2020-01-17 | 2021-04-27 | 北京科技大学 | 一种massive MIMO***下多小区多用户导频分配方法 |
CN111371540A (zh) * | 2020-03-19 | 2020-07-03 | 东北电力大学 | 基于用户分组的大规模mimo***导频分配方法 |
CN111371540B (zh) * | 2020-03-19 | 2022-05-27 | 东北电力大学 | 基于用户分组的大规模mimo***导频分配方法 |
CN113411105A (zh) * | 2021-05-06 | 2021-09-17 | 杭州电子科技大学 | 一种无小区大规模天线***的ap选择方法 |
CN115642998A (zh) * | 2022-12-26 | 2023-01-24 | 浙大城市学院 | 一种毫米波频段联合通信与定位的导频分配方法 |
CN115642998B (zh) * | 2022-12-26 | 2023-03-28 | 浙大城市学院 | 一种毫米波频段联合通信与定位的导频分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110365463B (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110365463B (zh) | 大规模mimo***两次聚类划归的导频分配方法 | |
CN109005551B (zh) | 一种非理想信道状态信息的多用户noma下行功率分配方法 | |
CN110086555B (zh) | 一种大规模mimo***中的分组导频分配方法及其分配装置 | |
CN110011777B (zh) | 大规模mimo***中基于用户位置和分类的导频分配方法 | |
CN110932764B (zh) | 一种mimo-noma下行通信***的用户匹配和功率分配方法 | |
CN111132264B (zh) | 多用户mimo-noma***下行链路的用户分簇方法 | |
CN106850173B (zh) | 一种基于大规模mimo的多小区导频分配方法 | |
CN106452714B (zh) | 一种多小区多用户大规模mimo***的导频分配方法 | |
CN109890075B (zh) | 一种大规模mimo***导频污染的抑制方法、*** | |
CN106027214B (zh) | 一种多小区大规模mimo***导频分配方法 | |
CN107994933B (zh) | 认知mimo网络中次用户***容量的优化方法 | |
CN107404375B (zh) | 一种非规则多点海域通信网络中时空协同传输优化方法 | |
CN117498900A (zh) | 去蜂窝大规模mimo通感一体化***的资源分配装置及方法 | |
CN106330278B (zh) | 基于用户达波角的信道估计和功率控制相结合的传输方法 | |
Hu et al. | Pilot decontamination in multi-cell massive MIMO systems via combining semi-blind channel estimation with pilot assignment | |
CN105163328B (zh) | 一种偏移导频位置分配方法和装置 | |
Xia et al. | Cellular structuring and clustering for distributed antenna systems | |
CN113938360A (zh) | 一种基于指纹定位的分布式mimo***协方差矩阵估计方法 | |
CN110113083B (zh) | 三维大规模mimo下基于用户划分的信道估计方法 | |
Sarker et al. | Uplink power allocation scheme for user-centric cell-free massive MIMO systems | |
CN112243283B (zh) | 基于成功传输概率的Cell-Free Massive MIMO网络分簇计算方法 | |
CN111953463B (zh) | 一种基于用户分簇的导频分配方法 | |
CN111262678B (zh) | 一种massive MIMO***下多小区多用户导频分配方法 | |
Li et al. | A Pilot Assignment Scheme for Single-Cell Massive MIMO Circumstances. | |
Taleb et al. | Pilot contamination mitigation in massive mimo cloud radio access networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200609 |