CN111371482B - 基于波束聚合的下行广播链路的毫米波mimo-noma方法 - Google Patents

Abstract

本发明涉及一种基于波束聚合的下行广播链路的毫米波MIMO‑NOMA方法，属于通信领域。为了解决现有技术存在的下行广播链路中用户配对和波束精准对齐的问题，本发明提出了一种基于波束聚合的毫米波大规模MIMO‑NOMA方法。该发明中，基站通过波束赋形生成覆盖整个小区的大规模波束集合，其中多个相邻波束被汇集成一起以非正交的方式为一组相邻的用户提供服务，通过构建深度学***。本发明并不要求用户间严格的波束对齐，能够增加下行链路毫米波MIMO中NOMA方案应用的可能性。

Description

基于波束聚合的下行广播链路的毫米波MIMO-NOMA方法

技术领域

本发明涉及一种基于波束聚合的下行广播链路的毫米波MIMO-NOMA方法，具体涉及大规模MIMO技术、非正交多址技术、混合波束赋形技术、深度学习技术的一种下行广播链路中基于波束聚合的毫米波大规模MIMO-NOMA方法，属于通信领域。

背景技术

随着通信***中的连接设备的***式增长，可用的无线电资源变得极为稀少。为了缓解无线资源的短缺并提高通信的传输速率，一个直接的方法就是使用更高频率的频带资源。正如近年来蓬勃发展的毫米波通信，由于毫米波能够提供更宽的无线频带，其已被视为具有巨大潜力的技术之一。

在毫米波通信中，引入大规模MIMO(Multi-input Multi-output)以解决毫米波传输固有的问题。利用大规模天线带来的阵列增益和空中复用增益可以补偿毫米波***的衰减，从而调高频谱效率，降低误码率。此外，利用毫米波的波长短的特点可以在小区域内实现大规模天线的布置。

传统MIMO***通常使用全数字预编码技术，其中每个天线与一个专用射频(RF)链相连。然而，在毫米波频带应用此结构会导致过高硬件成本和能量消耗。为了克服该问题，研究者采用了混合预编码结构，其在没有显著性能损失的情况下有效地减少RF链的数量。HBF(Hybrid Beamforming)技术将多用户通信转化为多个点对点通信，从而成功地使宽带单播应用在毫米波MIMO***中。然而，未来5G需要在下行链路广播信道具有多点传送能力，而HBF结构不能解决宽带广播/多播通信的需求。

非正交多址技术是一种具有前景的方案，其可在物理层面使5G广播/多播成为可能。在发送端，下行链路NOMA(Non-orthogonal Multiple Access)采用叠加编码，在相同的频率和时间资源上实现多个单播或广播传输。在接收端，接收的信息通过多用户检测算法进行恢复。

毫米波MIMO和NOMA技术的结合可以利用两者的联合优势，从而提高下行广播链路的连接和容量。相关研究表明，相比于正交***，毫米波MIMO-NOMA***在整个***吞吐量方面具有显著的提高。一个典型的波束域MIMO-NOMA***使用线性阵列天线，不同的信号数据流在功率域进行区分，其支持的用户数大于射频链路数。

但此类***具有以下缺点，功率域NOMA要求相对应波束方向下的用户严格对齐，用户配对和波束对齐是限制该***性能的两大因素。如何使毫米波MIMO-NOMA技术适用于5G广播信道，仍缺乏相关的解决方案。

发明内容

本发明的目的是为了解决现有技术存在的下行广播链路中用户配对和波束精准对齐的问题，提供一种基于波束聚合的下行广播链路的毫米波MIMO-NOMA方法；该方法采用多个相邻波束以非正交的方式为一组相邻的用户提供服务，并通过构建深度学习架构设计近似最优的数字预编码矩阵，减轻用户之间的干扰，降低NOMA方案在MIMO中实施的难度。

基于波束聚合的下行广播链路的毫米波MIMO-NOMA方法，包含以下步骤：

步骤一、波束覆盖；

小区基站配置大规模天线阵列，通过波束赋形生成能够覆盖整个小区的大规模波束集合，小区内包含N组配对用户组；在每组中，N_RF个相邻波束被聚合并以非正交的方式覆盖K个用户，其中K>N_RF。

步骤二、确定用户接收信号；

数字预编码矩阵为F_BB；信道

为N_RF个波束与第k个用户之间的信道系数向量；P_BS为基站的功率，平均分配给各个波束；在第k个用户处的接收信号y_k为：

其中f^c _BB,k为预编码F_BB矩阵的第k列，v_k为高斯噪声。s_k为源符号矩阵中的第k个用户对应的符号；

其中K个用户的源符号为：

其中RF链的传输信号为：

其中x_m为第m个RF链的传输信号。

步骤三、恢复用户的符号；

所述的步骤一中用户处采用多用户检测技术SIC算法检测。第k个用户的传输速率为R_k， R_k由SIC算法得到。

第k个用户处信噪比为：

其中，

表示满足

条件的

的下标q的集合；v_k为高斯噪声，方差为σ_k ²。第k个用户处的传输速率表示为：

R_k(F_BB)＝log₂(1+SINR_k(F_BB)) (3)

为了保证多用户之间的公平性，基于最大化用户间的最小传输速率的原则对数字预编码矩阵优化，优化问题表示如下：

其中

为预编码矩阵F_BB的第j行，

为

的2阶范数。

所述步骤二中的数字预编码矩阵由公式(4a)P1问题给出，将该问题转化为等代价问题，即将最大-最小问题转化为等效的等代价问题，定义针对P1问题的最优预编码矩阵为F*，则得到以下结论：

其中R_l(F^*)和R_m(F^*)代表第l和m个用户的传输速率。

因此，最大-最小优化问题转化为等代价问题：

其中，|R_l(F)-R_m(F)|为用户间不公平的代价，λ为代价的权重。当λ取值越大时，公式中|R_l(F)-R_m(F)|代价项的影响越大，越能保证用户间的公平性。

步骤四、采用深度学习方法解决公式(6a)P2问题，获得近似最优的数字预编码矩阵。

所述步骤二中预编码矩阵由公式(4a)P1问题给出，该问题在所述步骤三中被转化为公式(6a)P2问题，通过建构神经网络架构，采用深度学习的方法可以有效的获取近似最优的数字预编码矩阵，减少用户间的干扰，实现所提的基于波束聚合的下行广播链路的MIMO-NOMA 方法。

有益效果

1、本发明的基于波束聚合的下行广播链路的毫米波MIMO-NOMA方法，将一组相邻波束汇聚一起以非正交的方式为一组相邻的用户进行覆盖，这个方法并不要求用户间严格的波束对齐，从而扩大了覆盖用户的范围，最终增加毫米波MIMO中应用NOMA方案的可能性。

2、本发明的基于波束聚合的下行广播链路的毫米波MIMO-NOMA方法，设计了精巧的多用户数字预编码器，减轻用户之间的干扰，保证用户之间的公平性。

3、本发明的基于波束聚合的下行广播链路的毫米波MIMO-NOMA方法，将最大-最小问题转化为等价代价问题，采取深度学习方案可以有效的获取近似最优的数字预编码器。

附图说明

图1为本发明实施步骤的流程图；

图2为实施例场景示意图；

图3为深度学习过程原理框图；

图4为实施例中的DNN神经网路架构；

图5为基于波束聚合与常规的功率域NOMA用户匹配概率对比；

图6为实施例DNN神经网络训练性能和测试性能比较；

图7为不同的输入下的DNN网络的性能比较；

图8为不同波束角度下实施例的传输速率情况；

图9为不同小区范围半径下实施例的传输速率情况；

图10为不同基站功率下实施例的传输速率的累积分布函数情况。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施案例，都应当属于本发明保护的范围。

下面结合具体场景对本发明实施例的具体步骤进行说明：

基于波束聚合的下行广播链路的毫米波MIMO-NOMA方法，如图1所示，具体步骤如下：

步骤一、生成波束覆盖；在小区基站处布置天线阵列，共128个天线，小区范围内用户随机分布；在链路级仿真中，考虑下行广播链路中典型的NOMA场景，如图2所示，2个相邻波束为3个用户提供服务，每一个波束的覆盖角度为Δ。对于这三个用户，第一个用户和第二个用户位于小区中心区域，与基站距离满足(0,d]，第三个用户位于小区的边缘区域，与基站的距离满足[d,d′]，其中d为小区中心区域半径，d′为小区范围半径。相比于其他用户，第三个用户具有更低的信道增益:

其中

为用户的信道增益,

步骤二、确定用户接收信号；

数字预编码矩阵为F_BB；信道

为N_RF个波束与第k个用户之间的信道系数向量；P_BS为基站的功率，平均分配给各个波束；在第k个用户处的接收信号y_k为：

其中，i,k∈{1,2,3}，f^c _BB,k为预编码F_BB矩阵的第k列，v_k为高斯噪声，P_RF为每一个波束的功率，s_k为源符号矩阵中的第k个用户对应的符号；

其中3个用户的源符号为：

其中2个RF链的传输信号为：

其中x_m为第m个RF链的传输信号。

源符号与RF链的传输信号之间的关系为：

x＝F_BBS (9)

步骤三、在用户端采用SIC多用户检测器，在小区中心区域用户处，小区边缘的用户的信号先被恢复并被删除，然后再恢复小区中心区域的用户的信号。各用户的信噪比如下：

各个用户的传输速率依据下公式计算：

R_k(F_BB)＝log₂(1+SINR_k(F_BB)) (12)

为了保证多用户之间的公平性，基于最大化用户间的最小传输速率的原则对数字预编码矩阵优化，优化问题表示如下：

其中

为预编码矩阵F_BB的第j行，

为

的2阶范数。

所述步骤二中的数字预编码矩阵由公式(13a)P1问题给出，该优化问题为非平凡的，无法直接解决，本发明采取深度学习的方式有效地获得接近最优的多用户数字预编码器。但由于P1问题的形式不适合深度学习方法解决，因此将该最大-最小问题转化为等代价问题。

所述最大-最小优化问题能够转化为等代价问题的证明方法为：

设定F^*为P1问题的最优解，即最优预编码矩阵，则能够得到：

其中

为其他任意可能的解。

假设第i个用户的传输速率最小，则

依据式(8)做出以下假设，假设

使得

R_i(F^*)<R_p(F^*)(16)

其中

为第i个用户在第l个波束上的复增益，能够表示为

其中

为第l个波束上第i个用户分配的功率，φ_l,i为第l个波束上第i个用户偏移的相位，假设将正无穷小量Δf 添加到

到，则得到一个新的预编码矩阵F′，因此:

R_i(F′)＝R_i(F^*)+g_i(|Δf|) (17)

R_p(F′)＝R_p(F^*)-g_p(|Δf|) (18)

其中g_i(|Δf|)>0，g_p(|Δf|)>0分别代表由于Δf引起的变化量，对于第i个用户来说，Δf引起传输速率的增加，而对其他用户来说，Δf引起传输速率的减少。

存在一个足够小的变量|Δf′|，其满足：

即在|Δf′|的作用下，第i个用户的传输速率后依旧是所有用户中最小的，此时的预编码矩阵为F′，其满足：

联合(14)式可得

即F^*不是最优解，因此假设式(16)不成立，结论公式(5)成立。

因此，最大-最小优化问题能够转化为等代价问题，等代价问题为：

步骤四、采用深度学习方法获得近似最优的数字预编码矩阵。构建DNN(DeepNeural Network)深度学习架构，采用线下训练线上应用的方式，依据信道状态信息获取最优的数字预编码矩阵，本实施例采用非监督的深度学习解决步骤三中式(23a)P2问题，其原理图如图3。

DNN设定如下：

DNN的输入为：

或

其中

为信道状态信息，P_BS为基站的功率。

DNN的输出为：

其中

代表第k用户在第m个波束处的复预编码系数。

对于DNN详细的结构，采用多层后向神经网络去获取输入到输出之间的非线性映射，DNN 的架构如图4所示，该DNN架构包含1个输入层，1个输出层和3个隐藏层。

第r层到第r+1层的映射为：

fl_r＝W_rX+b_r (25)

其中X为r层的输入，W_r和b_r为r层的参数，代表权重矩阵和偏差向量。

采用

代表整个DNN的映射，

表示：

其中σ(.)代表激活函数，

代表产生的预编码矩阵。

获取最终的预编码矩阵

将上述得到的

归一化：

其中

代表

的第j行，

代表

的第j行。

DNN训练过程如下：

在训练过程中，设置梯度调整DNN的参数去最小化损失函数。

首先，将损失函数定义为步骤三中式(16a)P2问题的相反数：

其中F通过式(26)N(I)获取。

定义N(I)的参数为w_F，在向后传播的过程中，w_F通过随机梯度下降进行更新

其中

N_batch代表在t次训练过程中的训练集的大小，φ(t)代表训练的速率。

其中

实施例中，DNN架构包含一个输入层，一个输出层，三个隐藏层。三个隐藏层分别包含 60、128、36个神经元激活函数f(x)为：

DNN输入中的基站功率P_BS随机在一定范围内选择，数据集的大小设置为100000和50000，批次大小设置为256，最初的学习速率为0.0003。

利用上述DNN神经网络架构有效的获取近似最优的数字预编码矩阵，实现基于波束聚合的下行广播链路的MIMO-NOMA方法。

在上述实施例步骤下，进行不同场景下的仿真，从而说明本发明的有益效果。

如仿真结果图5，其比较了基于波束聚合与常规功率域NOMA的用户匹配概率，表明在实施本方法后，基站的波束覆盖的用户量明显增加。

如仿真结果图6，其比较了DNN神经网络训练性能和测试性能，表明经过网络训练后损失函数收敛，并且测试结果基本吻合训练结果，因此该网络可以得到P1问题近似最优解。

如仿真结果图7，其比较采用所述步骤四中DNN两种不同输入的DNN网络的性能，表明采取P_BS作为输入的DNN网络可以达到更低的损失函数并具有更广的适用范围，意味着该神经网络可以利用P_BS信息并且适应更宽广的SNR范围。同时可以看到，P_BS为40dBm时要比30dBm性能差，这表明合适的P_BS选择可以得到更好的表现性能。

如仿真结果图8和图9所示，其测试了不同仿真条件下的平均最大-最小用户传输速率，这表明该方法相比于常规功率域NOMA可以获取更好的传输速率。同时其中图8表明平均最大- 最小传输速率随波束角度变大而减少，图9表明平均最大-最小传输速率随着与基站范围半径变大而减少。仿真结果表明本发明可以达到更高的用户间公平，消弱了波束偏离的影响。

如仿真结果图10所示，其测试了不同的基站功率下的实施例传输速率的累积分布函数，表明本方法相比于常规功率域NOMA在整个频谱内具有更高的传输速率。

以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.基于波束聚合的下行广播链路的毫米波MIMO-NOMA方法，其特征在于：包含以下步骤：

步骤一、波束覆盖；

小区基站配置大规模天线阵列，通过波束赋形生成能够覆盖整个小区的大规模波束集合，小区内包含N组配对用户组；在每组中，N_RF个相邻波束被聚合并以非正交的方式覆盖K个用户，其中K＞N_RF；

步骤二、确定用户接收信号；

数字预编码矩阵为F_BB；信道^-h_k为N_RF个波束与第k个用户之间的信道系数向量；P_BS为基站的功率，平均分配给各个波束；在第k个用户处的接收信号y_k为：

其中f^c _BB，k为预编码F_BB矩阵的第k列，v_k为高斯噪声；s_k为源符号矩阵中的第k个用户对应的符号；

其中K个用户的源符号为：

s＝[s₁，…，s_i，…，s_K]^T∈C^K×1

其中RF链的传输信号为：

其中x_m为第m个RF链的传输信号；

步骤三、恢复用户的符号；

所述的步骤一中用户处采用多用户检测技术SIC算法检测；第k个用户的传输速率为R_k(F_BB)，R_k(F_BB)由SIC算法得到；

第k个用户处信噪比为：

其中，Q表示满足

条件的

的下标q的集合；v_k为高斯噪声，方差为σ_k ²；

第k个用户处的传输速率表示为：

R_k(F_BB)＝log₂(1+SINR_k(F_BB)) (3)

为了保证多用户之间的公平性，基于最大化用户间的最小传输速率的原则对数字预编码矩阵优化，优化问题表示如下：

其中

为预编码矩阵F_BB的第j行，

为

的2阶范数；

所述步骤二中的数字预编码矩阵由公式(4a)P1问题给出，将该问题转化为等代价问题，即将最大-最小问题转化为等效的等代价问题，定义针对P1问题的最优预编码矩阵为F^*，则得到以下结论：

其中R_l(F^*)和R_m(F^*)代表第l和m个用户的传输速率；

因此，最大-最小优化问题转化为等代价问题：

其中，|R_l(F)-R_m(F)|为用户间不公平的代价，λ为代价的权重；当λ取值越大时，公式中|R_l(F)-R_m(F)|代价项的影响越大，越能保证用户间的公平性；

步骤四、采用深度学习方法解决公式(6a)P2问题，获得近似最优的数字预编码矩阵；

所述步骤二中预编码矩阵由公式(4a)P1问题给出，该问题在所述步骤三中被转化为公式(6a)P2问题，通过建构神经网络架构，采用深度学习的方法可以有效的获取近似最优的数字预编码矩阵，减少用户间的干扰，实现所提的基于波束聚合的下行广播链路的MIMO-NOMA方法。

2.如权利要求1所述方法，其特征在于：步骤三所述λ为代价的权重，当λ取值越大时，公式(6a)中|R_l(F)-R_m(F)|代价项的影响越大，因此越能保证用户间的公平性。

3.如权利要求1所述方法，其特征在于：所述最大-最小优化问题能够转化为等代价问题的证明方法为：

设定F^*为P1问题的最优解，即最优预编码矩阵，则能够得到：

其中

为其他任意可能的解；

假设第i个用户的传输速率最小，则

依据式(8)做出以下假设，假设

使得

R_i(F^*)＜R_p(F^*) (9)

其中

为第i个用户在第l个波束上的复增益，能够表示为

其中

为第l个波束上第i个用户分配的功率，φ_l，i为第l个波束上第i个用户偏移的相位，假设将正无穷小量Δf添加到

到，则得到一个新的预编码矩阵F′，因此：

R_i(F′)＝R_i(F^*)+g_i(|Δf|) (10)

R_p(F′)＝R_p(F^*)-g_p(|Δf|) (11)

其中g_i(|Δf|)＞0，g_p(|Δf|)＞0分别代表由于Δf引起的变化量，对于第i个用户来说，Δf引起传输速率的增加，而对其他用户来说，Δf引起传输速率的减少；

存在一个足够小的变量|Δf′|，其满足：

即在|Δf′|的作用下，第i个用户的传输速率后依旧是所有用户中最小的，此时的预编码矩阵为F′，其满足：

联合(7)式可得

即F^*不是最优解，因此假设式(9)不成立，结论公式(5)成立；

因此，最大-最小优化问题能够转化为等代价问题，等代价问题为：

Images