CN111313946A - 一种基于低精度adc的大规模mimo能效优化方法 - Google Patents

Abstract

本发明一种基于低精度ADC的大规模MIMO能效优化方法，通过联合优化基站天线数、单用户发射功率和量化精度，并限制单个用户的发射功率和数据传输速率，以此建立起能效优化的目标函数。根据分数规划理论将分式形式的目标函数转换为等价的减式形式，实现非凸问题到凸问题的转化，并利用拉格朗日函数将有约束的凸优化问题转换为无约束问题，采用Dinkelbach算法对基站天线数、单用户发射功率和量化精度进行循环迭代优化，以达到能效最大化。通过采用本发明中的动态功率分配方案，可以在满足用户最高发射功率限制和最低数据传输速率的要求下，根据用户信道条件的差异动态分配单个用户的发射功率，资源得到更加合理的分配。

Description

一种基于低精度ADC的大规模MIMO能效优化方法

技术领域

本发明属于信息与通信工程技术领域，涉及无线通信***中的大规模MIMO技术，具体是一种基于低精度ADC的大规模MIMO能效优化方法。

背景技术

大规模多输入多输出(MIMO)技术是现代无线通信网络中的关键技术之一，其主要特点是在基站(BS)端配备几十甚至几百根天线，从而深入挖掘空间资源并提高空间自由度，在同一时频段同时服务多个用户终端，能够有效地改善***能量效率(EE)和频谱效率(SE)，因此受到学术界和工业界的广泛关注。虽然大规模MIMO可以提高***性能，但是依然面对着全新的问题：大量数据的处理、昂贵的硬件成本和总功耗高。解决上述问题的方法之一就是降低数模转换器(ADC)的量化精度，这使得成本低、功耗低和复杂度低。

针对配有低精度ADC的大规模MIMO上行链路***，基站采用MRC接收且具有完美信道状态信息，现有研究大多数是考虑频谱效率的优化，并且采用等功率分配，造成能量的浪费。由于1bit量化可以降低功耗引起了很多学者的研究，但是没有考虑到天线数增加带来的功耗问题，忽略了对能效的影响。

发明内容

为了解决上述问题，本发明提出一种动态功率分配的资源分配算法，根据用户的信道条件不同对每个用户的发射功率进行分配，并得到最优量化精度值，以达到***能效最大化。

为了实现上述技术目的，本发明采用以下技术方案：

一种基于低精度ADC的大规模MIMO能效优化方法，包括以下步骤：

S1，联合优化基站天线数、单用户发射功率和量化精度，并限制单个用户的发射功率和数据传输速率，建立能效优化的目标函数；

S2，根据分数规划理论将分式形式的目标函数转换为等价的减式形式，实现非凸问题到凸问题的转化，并利用拉格朗日函数将有约束的凸优化问题转换为无约束问题；

S3，采用Dinkelbach算法对基站天线数、单用户发射功率和量化精度进行循环迭代优化，达到能效最大化。

作为本发明的优选方案之一，步骤S1具体为：

S11，采用加性量化噪声模型对量化过程建模：

量化器输出为：

其中P＝diag{p₁,p₂,…,p_K}是用户发射功率分配矩阵，G表示基站和用户之间的M×K维信道矩阵，x表示K×1维用户发射信号向量，n～CN(0,I)是加性高斯白噪声向量，n_q是与y统计不相关的加性高斯量化噪声向量；α＝1-ρ，ρ是信号与量化噪声比的倒数；

S12，计算上行可达和速率

基站采用最大比合并接收，信号被处理为：

r＝G^Hy_q (2)

则第k个用户的接收信号为：

其中，g_k是G的第k列向量；式(3)等号右边依次为期望信号、用户间干扰、***噪声干扰、量化噪声干扰；

则上行可达和速率表示为：

S13，建立功耗模型

其中，P_TX为功率放大消耗，η∈(0,1]表示功率放大效率；

为收发链路消耗，

和

为固定常数值，P_BS为每根天线上除了ADC之外的其他功耗，P_UE表示每个单天线用户的电路元件功耗，P_LP＝(B/L)2MKb为线性处理过程的功耗,B为***运行带宽，L为基站端的计算效率，P_site为其他特定功耗；

S14，建立目标函数

考虑限制单个用户的发射功率和数据传输速率，目标函数表述如下：

其中目标函数为最大化***能效，C1、C2为两个约束条件，C1是对发射功率的限制，C2是对用户速率的要求。

作为本发明的优选方案之一，步骤S2具体为：

利用分数规划理论，将式(7)中的目标函数分式形式转化为等价的减式形式：

其中q是一个辅助变量；

使用拉格朗日对偶函数将有约束的凸问题转化为无约束问题：

其中λ＝[λ₁，λ₂，…λ_K],μ＝[μ₁,μ₂,…μ_K]为拉格朗日乘子，且λ_k≥0，μ_k≥0。

作为本发明的优选方案之一，步骤S3具体为：

利用库恩塔克条件求得最优天线数和最优发射功率的表达式：

其中，

表示向上取整；

采用次梯度算法更新迭代拉格朗日乘子:

其中[x]⁺＝max{0,x}，Δλ和Δμ表示迭代步长，基于Dinkelbach算法循环迭代优化b,p_k,M。

本发明与现有技术相比，有益效果是：

本发明针对配有低精度ADC的单小区大规模MIMO上行通信***能效为优化目标建立优化模型，通过合理分配天线数、用户发射功率和量化精度使得***能量效率最大化。

通过采用本发明中的动态功率分配方案，可以在满足用户最高发射功率限制和最低数据传输速率的要求下，根据用户信道条件的差异动态分配单个用户的发射功率，并且发明中考虑了量化精度、基站天线数和发射功率的联合优化，可以得到最优量化精度值，使得资源更加合理的分配。研究表明，所提方案可以有效降低基站天线数和用户发射功率，过高或过低的量化精度都会造成能效较低，因此应该采用‘最优’量化精度。相比于以往算法，本发明有效提高了***能效。

附图说明

图1为本发明所述方法主要流程图；

图2为本发明所述方法具体实现步骤示意图。

图3为本发明所适用的低精度ADC大规模MIMO上行***接收模型结构。

图4为本发明方法和等功率分配算法在不同量化精度下能量效率对比的仿真图。

图5为本发明方法和两种量化精度算法在不同用户数下能量效率对比的仿真图。

图6为本发明方法与1bit量化算法、等功率分配算法在不同用户数下的天线数对比的仿真图。

具体实施方式

以下将结合附图和附表对本发明的技术方案作进一步解释说明。

如图1所示，本发明所述基于低精度ADC的大规模MIMO能效优化方法，主要分为以下步骤：

S1，联合优化基站天线数、单用户发射功率和量化精度，并限制单个用户的发射功率和数据传输速率，建立能效优化的目标函数；

S2，根据分数规划理论将分式形式的目标函数转换为等价的减式形式，实现非凸问题到凸问题的转化，并利用拉格朗日函数将有约束的凸优化问题转换为无约束问题；

S3，采用Dinkelbach算法对基站天线数、单用户发射功率和量化精度进行循环迭代优化，达到能效最大化。

如图2所示，具体实现步骤和算法流程如下：

S1：确定***模型并进行问题描述

S11，***模型

考虑配有低精度ADC的单小区大规模MIMO上行通信***，基站配有M根天线并具有完美信道状态信息，服务均匀分布在基站周围的K个单天线用户(M>>K)。采用加性量化噪声模型(AQNM)对量化过程建模，则量化器输出为：

其中P＝diag{p₁,p₂,…,p_K}是用户发射功率分配矩阵，G表示基站和用户之间的M×K维信道矩阵，x表示K×1维用户发射信号向量，n～CN(0,I)是加性高斯白噪声向量，n_q是与y统计不相关的加性高斯量化噪声向量。α＝1-ρ，ρ是信号与量化噪声比的倒数。定义b表示量化精度，当b≤5时ρ对应的值在表1中列出，当b＞5时，

b	1	2	3	4	5
						ρ	0.3634	0.1175	0.03454	0.009497	0.002499

表1量化精度b对应的ρ值

S12，上行可达和速率

基站采用最大比合并(MRC)接收，则信号被处理为：

r＝G^Hy_q (2)

则第k个用户的接收信号为：

其中，g_k是G的第k列向量。式(3)等号右边依次为期望信号、用户间干扰、***噪声干扰、量化噪声干扰。则上行可达和速率表示为：

当信道条件较好时，信干噪比远远大于1，则上行可达和速率可以近似为：

S13，功耗模型

功耗需考虑低精度ADC带来的能量损耗，即建模为：

其中P_TX为功率放大消耗，η∈(0,1]表示功率放大效率。

为收发链路消耗，

和

为固定常数值，P_BS每根天线上除了ADC之外的其他功耗，如混频器，滤波器等，P_UE表示每个单天线用户的电路元件功耗，包括放大器，振荡器，混频器和滤波器等。P_LP＝(B/L)2MKb为线性处理过程的功耗,B为***运行带宽，L为基站端的计算效率。P_site为其他特定功耗，如回程操作、功率供给等。

S14，目标函数

为了保证用户的通信质量，本发明考虑限制单个用户的发射功率和数据传输速率，因此目标函数可以表述如下：

其中目标函数为最大化***能效，C1、C2为两个约束条件，C1是对发射功率的限制，C2是对用户速率的要求。

S2：目标函数的转化

利用分数规划理论，将式(7)中的目标函数分式形式转化为等价的减式形式：

其中q是一个辅助变量。

式(8)是一个凸优化问题，可以利用凸优化理论求解目标函数的极值问题。使用拉格朗日对偶函数将有约束的凸问题转化为无约束问题：

其中λ＝[λ₁，λ₂，…λ_K],μ＝[μ₁,μ₂,…μ_K]为拉格朗日乘子，且λ_k≥0，μ_k≥0。

式(9)的对偶问题表示为:

S3：基于动态功率分配的资源分配算法

利用库恩塔克条件(Karush-Kuhn-Tucker Conditions,KKT)条件可求得最优天线数和最优发射功率的表达式：

其中

表示向上取整。

式(11)是p_k的间接表达式，式右边可用Q(p_k)表示，可以证明Q(p_k)具有非负性、可扩展性和单调性的函数，因此在迭代过程中令

(其中n表示迭代次数)，算法可以快速收敛至局部最优点。

采用次梯度算法更新迭代拉格朗日乘子:

μ(n+1)＝[μ(n)-Δμ(p_max-p_k)]⁺ (14)

其中[x]⁺＝max{0,x}，Δλ和Δμ表示迭代步长，基于Dinkelbach算法循环迭代优化b,p_k,M。

表2为该发明算法在仿真中所需要的***参数值

表2

由表2可知，本发明算法设置了***参数和算法初始值，针对特定***需求可将参数按要求进行重新设置。

图3为低精度ADC大规模MIMO上行链路***模型。基站通过天线接收用户发送的信息，并对其进行处理，基站的每根天线配有一个低精度ADC。

图4给出了用户数K＝10和K＝20两种情况下的能效对比。从图中可以看出，随着量化精度的提高，***能效先随之提高，然后逐渐下降。这是由于随着量化精度的提高，***频谱效率也随之提高，当量化精度增大到一定值时，对应的α值趋向于固定值1，其频谱效率将不再提高并逐渐稳定，但是其***功耗还随着量化精度值呈指数型增长，因此***能效开始降低。从图中还可以看出，当用户数相等时，所提算法的能效优于等功率分配算法，并且随着用户数的增加，所提算法的优势更加明显。这是由于当用户数变化时，所提算法中的每个用户分配功率值会随之不断更新，而等功率算法一直均分用户发射功率

图5给出了能效随用户数的变化情况。从图中可以看出，所提算法由于循环迭代量化精度值，确定使得能效最优的精度值约为3～5bit，而1bit或2bit量化虽然可以降低量化功耗，但是需要增加天线数弥补低精度带来的损失，忽略了天线数对能效的影响。而本文通过优化天线数，使得资源更加合理分配。还可以观察到，随着精度的增长能效出现先上升后下降的情况，这正是因为量化精度的增加到一定值时导致频谱效率趋于稳定，而***功耗还在增长。并且高精度性能对硬件要求较高，成本高且复杂度高。

图6给出了天线数随用户数变化情况。从图中看出所提算法的天线数小于等功率分配算法和1bit量化算法，这是由于等功率分配算法没有考虑用户发射功率的更新，而1bit量化算法需要更多的天线数弥补低精度带来的损失，所提算法同时迭代更新了量化精度、天线数、发射功率，选择了中等量化精度值(3～5bit),并更新了基站天线数，从而使得天线数较少。

应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims (4)

1.一种基于低精度ADC的大规模MIMO能效优化方法，其特征在于，包括以下步骤：

S1，联合优化基站天线数、单用户发射功率和量化精度，并限制单个用户的发射功率和数据传输速率，建立能效优化的目标函数；

S2，根据分数规划理论将分式形式的目标函数转换为等价的减式形式，实现非凸问题到凸问题的转化，并利用拉格朗日函数将有约束的凸优化问题转换为无约束问题；

S3，采用Dinkelbach算法对基站天线数、单用户发射功率和量化精度进行循环迭代优化，达到能效最大化。

2.根据权利要求1所述的方法，其特征在于：步骤S1具体为：

S11，采用加性量化噪声模型对量化过程建模：

量化器输出为：

其中P＝diag{p₁,p₂,…,p_K}是用户发射功率分配矩阵，G表示基站和用户之间的M×K维信道矩阵，x表示K×1维用户发射信号向量，n～CN(0,I)是加性高斯白噪声向量，n_q是与y统计不相关的加性高斯量化噪声向量；α＝1-ρ，ρ是信号与量化噪声比的倒数；

S12，计算上行可达和速率

基站采用最大比合并接收，信号被处理为：

r＝G^Hy_q (2)

则第k个用户的接收信号为：

其中，g_k是G的第k列向量；式(3)等号右边依次为期望信号、用户间干扰、***噪声干扰、量化噪声干扰；

则上行可达和速率表示为：

S13，建立功耗模型

其中，P_TX为功率放大消耗，η∈(0,1]表示功率放大效率；

为收发链路消耗，θ∈[10^-8，10^-7]和

为固定常数值，P_BS为每根天线上除了ADC之外的其他功耗，P_UE表示每个单天线用户的电路元件功耗，P_LP＝(B/L)2MKb为线性处理过程的功耗,B为***运行带宽，L为基站端的计算效率，P_site为其他特定功耗；

S14，建立目标函数

考虑限制单个用户的发射功率和数据传输速率，目标函数表述如下：

其中目标函数为最大化***能效，C1、C2为两个约束条件，C1是对发射功率的限制，C2是对用户速率的要求。

3.根据权利要求2所述的方法，其特征在于，步骤S2具体为：

利用分数规划理论，将式(7)中的目标函数分式形式转化为等价的减式形式：

其中q是一个辅助变量；

使用拉格朗日对偶函数将有约束的凸问题转化为无约束问题：

其中λ＝[λ₁，λ₂，…λ_K],μ＝[μ₁,μ₂,…μ_K]为拉格朗日乘子，且λ_k≥0，μ_k≥0。

4.根据权利要求3所述的方法，其特征在于，步骤S3具体为：

利用库恩塔克条件求得最优天线数和最优发射功率的表达式：

其中，

表示向上取整；

采用次梯度算法更新迭代拉格朗日乘子:

μ(n+1)＝[μ(n)-Δμ(p_max-p_k)]⁺ (14)

其中[x]⁺＝max{0,x}，Δλ和Δμ表示迭代步长，基于Dinkelbach算法循环迭代优化b,p_k,M。

Images