CN112702094B - 基于可调精度adc的大规模mimo***能效优化方法 - Google Patents
基于可调精度adc的大规模mimo***能效优化方法 Download PDFInfo
- Publication number
- CN112702094B CN112702094B CN202011517662.8A CN202011517662A CN112702094B CN 112702094 B CN112702094 B CN 112702094B CN 202011517662 A CN202011517662 A CN 202011517662A CN 112702094 B CN112702094 B CN 112702094B
- Authority
- CN
- China
- Prior art keywords
- adc
- precision
- quantization
- energy efficiency
- user
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 238000013139 quantization Methods 0.000 claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 230000005540 biological transmission Effects 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 230000008901 benefit Effects 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 18
- 230000009977 dual effect Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 238000005562 fading Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- 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
- H04B7/0426—Power distribution
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- 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
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Power Engineering (AREA)
- Radio Transmission System (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了本发明提出了一种基于可调精度ADC的大规模MIMO***能效优化方法。针对基站端配置可调精度ADC结构的多用户大规模MIMO上行***,根据随机矩阵理论推导出***的能量效益的近似表达式。在满足用户基本的数据传输速率和功率约束条件下,建立起以能效最大化为目标的优化问题。接着将目标问题分解为功率控制和精度优化两个子问题。最后利用分数规划性质和动态更新干扰的迭代算法实现功率的分配,采用协调更新算法完成ADC的精度选择,以达到能效的最大化。本发明方法具有快速收敛性,显著提升了***的能效,为每个ADC匹配合适的量化精度,提升了***的频效和能效,并且有较低的复杂度。
Description
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,具体是一种基于可调精度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(Multiple Input Multiple Output,MIMO)技术作为5G的关键技术之一,是指在基站端和用户端配置大量的天线,从而利用信号传输的多径效应来提高***的可靠性和频谱效率。由于天线上的模数转换器(Analog-to-Digital Converter,ADC)在对信号进行量化时需功率消耗,且消耗的功率随着量化比特数呈指数增长,这就造成了***的能量效率偏低。因此,以提升大规模MIMO***的能量效益为目标的绿色通信成为当今研究的热点。
目前在大规模MIMO***中能效优化的方法主要有:(1)通过调整用户的发射功率、天线数来提升频谱效率和减少信号干扰,从而提高能效。然而,该方法没有考虑ADC的量化精度对能耗的影响,即假设ADC是全精度的,而频谱效率随ADC精度增加呈对数增长,ADC自身功耗随精度增加呈指数增长,因此采用全精度ADC结构会导致频谱效率提升不明显而自身功耗大幅提升,最终导致能效不理想。(2)在保证用户服务质量的前提下,通过改变量化精度实现ADC功耗的减少,从而提高能效。然而大多数研究优化的量化精度种类只有一种或两种,没有充分利用量化精度和信道状态信息的匹配,即没有实现量化精度的自适应调整。虽然有些研究提出了可变量化精度的优化方法,但是假设用户的发射功率一致,即没有考虑调整用户发射功率以实现能耗的减少。
发明内容
为了解决上述问题,本发明提出了一种基于可调精度ADC的大规模MIMO***能效优化方法。针对基站端配置可调精度ADC结构的多用户大规模MIMO上行***,根据随机矩阵理论推导出***的能量效益(EE)的近似表达式。在满足用户基本的数据传输速率和功率约束条件下,建立起以能效最大化为目标的优化问题。接着将目标问题分解为功率控制和精度优化两个子问题。最后利用分数规划性质和动态更新干扰的迭代算法实现功率的分配,采用协调更新算法完成ADC的精度选择,以达到能效的最大化。
本发明方案的具体实现步骤如下:
步骤1:确定***模型和目标问题;
1-1.建立***模型:
建立一个单小区多用户大规模MIMO上行链路***,基站端(Base Station,BS)配置M根天线,用于接收分布在小区内的K个单天线用户的信号,每根天线配置一个量化精度可调的ADC,用于对接收信号进行量化,令b=[b1,…,bm,…,bM]表示量化精度向量,bm表示第m根天线上ADC的量化精度。用户在相同的时频资源块上向基站端发送数据,假设已知信道状态信息,则BS的接收信号可表示为:
其中P=diag{p1,p2,…,pK}表示用户发射功率分配矩阵,G=HD1/2表示基站和用户之间的M×K维信道矩阵,H表示M×K维快衰落系数矩阵,D=diag{β1,β2,…,βk,…,βK}表示大尺度衰落系数矩阵,x表示K×1维用户发射信号向量,n~CN(0M,IM)表示M×1维加性高斯白噪声向量。
采用加性量化噪声模型(AQNM)对ADC量化过程进行分析,则ADC输出端的信号y可表示为:
1-2计算***模型的上行可达和速率;
在大规模MIMO上行链路***中,为了减少用户间的干扰,基站根据信道状态信息采用最大比合并(Maximum Ratio Combination,MRC)检测算法对接收信号进行检测,则处理后的信号为:
r=GHy (4)
则第k个用户的接收信号可表示为
其中,gk表示G的第k列向量。式(5)等号右边第一项表示期望信号,后三项表示干扰和噪声,依次为用户间干扰、信道噪声、量化噪声。根据信道容量定理,第k个用户上行平均可达和速率可表示为:
当***的信道状态条件较好,即接收信干噪比远远大于1时,根据随机矩阵理论,可推导出上行可达和速率的近似表达式:
1-3建立大规模MIMO上行链路***的功耗模型;
大规模MIMO上行链路***的功率消耗建模为:
其中,pTx表示用户端功率放大器的功耗,η∈(0,1]表示功率放大系数;pADC表示ADC的功耗,c0∈[10-8,10-6]为常数;pLp为线性处理过程的功耗;psite表示其他特定功耗,B为***运行带宽,L为基站端的计算效率。
1-4确定目标问题;
在大规模MIMO上行链路***中,能量效益(EE)定义为用户总的可达和速率与***总功耗的比值,考虑对用户基本的数据传输速率和对最大发射功率进行限制,则基于可调精度ADC的大规模MIMO***的能效优化目标问题P0可表示为
其中,p=[p1,p2,…,pK]表示发射功率向量,目标函数EE是关于p和量化精度向量b的函数,C1、C2,C3为三个约束条件,C1表示对用户的最高发射功率进行限制;C2表示满足用户最低数据传输速率;C3表示ADC量化精度的选择范围,其中Ω表示量化精度选择范围的集合,bmax表示最高的量化精度。
步骤2:目标问题的转化;
分析目标问题P0,可知目标问题P0关于p是一个连续非线性规划问题,关于b是一个离散非线性规划问题,考虑到联合求解p和b的复杂性,可以将目标函数分解为两个子问题,即:
目标问题P1是一个非凸优优化问题,局部最优解未必是全局最优解,为将其转换为凸优化问题,根据分数规划理论,能够将P1中的目标函数由分数形式转换成减式形式,即:
其中q是一个辅助变量。
目标问题P3是一个带有约束条件的凸优化问题,为进一步简化,使用拉格朗日对偶函数将有约束的凸优化问题转化为无约束问题P4,即:
其中λ=[λ1,λ2,…λK],μ=[μ1,μ2,…μK]为拉格朗日乘子,且λk≥0,μk≥0。
利用对偶定理,P4可等价为
经过目标问题的转换,原始问题P0最后转换为P2和P5两个子问题,即:
步骤3:基于功率分配和精度选择进行能效优化;
3-1功率分配算法:
对于给定ADC的量化精度向量b,目标问题P5是一个关于发射功率向量p的对偶问题,根据库恩塔克条件(Karush-Kuhn-Tucker Conditions,KKT),求出第k个用户发射功率表达式:
式(16)是pk的间接表达式,pk的取值与所有用户的发射功率相互关联,式右边用Q(pk)表示,能够证明Q(pk)是关于pk的非负性、可扩展性和单调性的函数。因此,能够采用迭代算法,即令(其中n表示迭代次数),对干扰项Ψ进行更新。
表2不同bm下κ的值
b<sub>m</sub> | 1bit | 2bit | 3bit | … | 12bit |
κ | 0.9535 | 0.9844 | 0.9945 | … | 0.9999 |
在第n+1次迭代中,拉格朗日乘子系数可以采用次梯度算法更新,即
其中[x]+=max{0,x},δ1和δ2表示迭代步长。
3-2精度选择算法:
在完成用户发射功率分配的基础上,基站端需要根据信道状态信息和信号干扰为每个ADC匹配合适的量化精度,因此采用可达和速率的精确表达式(6)式代替近似表达式(7)式,则目标问题P2可转换为P6:
该协调更新算法的复杂度为O(Mbmax),相比于穷举法能够显著降低硬件成本。
本发明的有益效果如下:
本发明针对基站端配置可变调精度ADC结构的多用户大规模MIMO上行***,根据随机矩阵理论推导出了***的能效的近似表达式,在考虑用户通信质量和限制最高发射功率的基础上建立起以能效最大化为目标的优化问题,为降低求解目标问题的复杂度,将目标问题分解为功率分配和精度选择两个子问题。对于功率分配子问题,首先进行目标问题的等价转换,再利用KKT条件求解用户发射功率表达式,为满足迭代的要求再对发射功率的表达式进行简化,最后利用分数规划性质和干扰更新迭代算法求出能效最大化时的发射功率p;对于精度选择子问题,根据前面优化的发射功率p,利用协调更新迭代算法求解出能效进一步优化后对应的量化精度b。
研究表明,本发明提出的能效联合算法即迭代干扰更新算法和协调更新算法都具有快速收敛性,迭代干扰更新算法显著提升了***的能效,协调更新算法根据信道状态信息和信号干扰为每个ADC匹配合适的量化精度,进一步提升了***的频效和能效,并且有较低的复杂度。
附图说明
图1为本发明所适用的精度可调ADC大规模MIMO上行***接收模型结构;
图2为本发明方法在用户数K=10时,发射功率p的动态更新过程;
图3为本发明方法在用户数K=10,M=100时,量化精度b随迭代次数的更新过程;
图4为本发明中的功率分配算法的频效随迭代次数的变化过程;
图5为本发明中的功率分配算法的能效随迭代次数的变化过程;
图6为本发明方法在第一次迭代过程中的频效随更新天线数目的变化过程;
图7为本发明方法在第一次迭代过程中的能效随更新天线数目的变化过程;
图8为本发明与1bit、6bit,、12bit量化的频效随天线数的变化过程;
图9为本发明与1bit、6bit,、12bit量化的能效随天线数的变化过程。
具体实施方式
下面结合附图和附表对本发明实施例作详细说明。
基于可调精度ADC的大规模MIMO***能效优化方法,包括如下步骤:
步骤1:确定***模型和目标问题;
1-1.建立***模型:
建立一个单小区多用户大规模MIMO上行链路***,基站端(Base Station,BS)配置M根天线,用于接收分布在小区内的K个单天线用户的信号,每根天线配置一个量化精度可调的ADC,用于对接收信号进行量化,令b=[b1,…,bm,…,bM]表示量化精度向量,bm表示第m根天线上ADC的量化精度。用户在相同的时频资源块上向基站端发送数据,假设已知信道状态信息,则BS的接收信号可表示为:
其中P=diag{p1,p2,…,pK}表示用户发射功率分配矩阵,G=HD1/2表示基站和用户之间的M×K维信道矩阵,H表示M×K维快衰落系数矩阵,D=diag{β1,β2,…,βk,…,βK}表示大尺度衰落系数矩阵,x表示K×1维用户发射信号向量,n~CN(0M,IM)表示M×1维加性高斯白噪声向量。
采用加性量化噪声模型(AQNM)对ADC量化过程进行分析,则ADC输出端的信号y可表示为:
1-2计算***模型的上行可达和速率;
在大规模MIMO上行链路***中,为了减少用户间的干扰,基站根据信道状态信息采用最大比合并(Maximum Ratio Combination,MRC)检测算法对接收信号进行检测,则处理后的信号为:
r=GHy (4)
则第k个用户的接收信号可表示为
其中,gk表示G的第k列向量。式(5)等号右边第一项表示期望信号,后三项表示干扰和噪声,依次为用户间干扰、信道噪声、量化噪声。根据信道容量定理,第k个用户上行平均可达和速率可表示为:
当***的信道状态条件较好,即接收信干噪比远远大于1时,根据随机矩阵理论,可推导出上行可达和速率的近似表达式:
1-3建立大规模MIMO上行链路***的功耗模型;
大规模MIMO上行链路***的功率消耗建模为:
其中,pTx表示用户端功率放大器的功耗,η∈(0,1]表示功率放大系数;pADC表示ADC的功耗,c0∈[10-8,10-6]为常数;pLp为线性处理过程的功耗;psite表示其他特定功耗,B为***运行带宽,L为基站端的计算效率。
1-4确定目标问题;
在大规模MIMO上行链路***中,能量效益(EE)定义为用户总的可达和速率与***总功耗的比值,考虑对用户基本的数据传输速率和对最大发射功率进行限制,则基于可调精度ADC的大规模MIMO***的能效优化目标问题P0可表示为
其中,p=[p1,p2,…,pK]表示发射功率向量,目标函数EE是关于p和量化精度向量b的函数,C1、C2,C3为三个约束条件,C1表示对用户的最高发射功率进行限制;C2表示满足用户最低数据传输速率;C3表示ADC量化精度的选择范围,其中Ω表示量化精度选择范围的集合,bmax表示最高的量化精度。
步骤2:目标问题的转化;
分析目标问题P0,可知目标问题P0关于p是一个连续非线性规划问题,关于b是一个离散非线性规划问题,考虑到联合求解p和b的复杂性,可以将目标函数分解为两个子问题,即:
目标问题P1是一个非凸优优化问题,局部最优解未必是全局最优解,为将其转换为凸优化问题,根据分数规划理论,能够将P1中的目标函数由分数形式转换成减式形式,即:
其中q是一个辅助变量。
目标问题P3是一个带有约束条件的凸优化问题,为进一步简化,使用拉格朗日对偶函数将有约束的凸优化问题转化为无约束问题P4,即:
其中λ=[λ1,λ2,…λK],μ=[μ1,μ2,…μK]为拉格朗日乘子,且λk≥0,μk≥0。
利用对偶定理,P4可等价为
经过目标问题的转换,原始问题P0最后转换为P2和P5两个子问题,即:
步骤3:基于功率分配和精度选择进行能效优化;
3-1功率分配算法:
对于给定ADC的量化精度向量b,目标问题P5是一个关于发射功率向量p的对偶问题,根据库恩塔克条件(Karush-Kuhn-Tucker Conditions,KKT),求出第k个用户发射功率表达式:
式(16)是pk的间接表达式,pk的取值与所有用户的发射功率相互关联,式右边用Q(pk)表示,能够证明Q(pk)是关于pk的非负性、可扩展性和单调性的函数。因此,能够采用迭代算法,即令(其中n表示迭代次数),对干扰项Ψ进行更新。
表2不同bm下κ的值
b<sub>m</sub> | 1bit | 2bit | 3bit | … | 12bit |
κ | 0.9535 | 0.9844 | 0.9945 | … | 0.9999 |
在第n+1次迭代中,拉格朗日乘子系数可以采用次梯度算法更新,即
其中[x]+=max{0,x},δ1和δ2表示迭代步长。
3-2精度选择算法:
在完成用户发射功率分配的基础上,基站端需要根据信道状态信息和信号干扰为每个ADC匹配合适的量化精度,因此采用可达和速率的精确表达式(6)式代替近似表达式(7)式,则目标问题P2可转换为P6:
该协调更新算法的复杂度为O(Mbmax),相比于穷举法能够显著降低硬件成本。
表4为该发明算法在仿真中所需要的***参数值
表4***参数值
图1为可调精度ADC的大规模MIMO上行链路***接收模型结构。基站的每根天线都配有一个精度可调的ADC,即可根据信道状态信息和干扰为每个ADC选择最佳的量化精度。
图2给出了功率分配算法在用户数K=10时,发射功率p的动态更新过程。从图中可以看出,每个用户的发射功率随着迭代次数的增加而减小且逐渐趋于收敛,从而验证了干扰更新迭代算法具有收敛性。
表3列出了不同天线数下每种量化精度ADC占的比例。从图中可以看出,随着天线数的增加,低精度ADC的比例越来越高,这是因为,合理的利用因天线数目增加而引起的多径效应可以提高了用户的频谱效率,这从一定程度上弥补了因ADC量化精度不足所引起的频谱效率偏低。
表3
图3为给出了ADC量化精度选择算法在用户数K=10,天线数M=100时,量化精度b随迭代次数的更新过程。从图中可以看出,在第二次迭代后,ADC的量化精度已经趋于稳定,因此验证了精度选择算法的收敛性。
图4、图5分别为在功率分配算法下的频效和能效随迭代次数的变化过程。从图中可以看出,在干扰更新迭代算法中,能效随着随着迭代次数的增加逐渐增加最后趋向稳定,频效随着迭代次数的增加逐渐减少最后趋向稳定,更新完成后,相比于更新前,能效大幅度增加,频效小幅度降低。因此,验证了干扰更新算法在保证用户服务质量的基础上能效优化的可行性。通过比较不同天线数下能效的变化,可以看出,天线数目较大时,由天线数目继续增加引起的能效增加幅度减小,这是因为,当天线数目较大时,因天线数目引起的频谱效率增加的幅度减小而引起的能耗呈线性增加。
图6、图7分别为精度选择算法在第一次迭代过程中频效和能效随更新天线数的变化过程。其中,横坐标代表在该次迭代过程中,第l(l代表横坐标的刻度值)根天线优化后的***的频效和能效值。从图中可以看出,整次迭代过程中,能效和频效的增加随着天线数目的增加越来越明显,这是因为,当天线数目庞大时,处于和信道状态信息、信号干扰不匹配的ADC的数目越多,经过精度选择算法使量化精度匹配后,能效和频效都将增加。
图8、图9分别为本发明的能效联合算法与1bit、6bit,、12bit量化的频效和能效随天线数的变化过程。从图中可以看出,本算法在的频效仅次于12bit量化的频效,能效明显优于1bit、6bit,、12bit量化的能效,从而验证了该发明算法既保证了用户的频效,又大幅度提升了***的能效。
本技术领域中的普通技术人员应当认识到,以上实施例仅仅是用来说明本发明,而并非为本发明的范围内,对以上实施例的变化、变形都将落在本发明的保护范围。
Claims (4)
1.基于可调精度ADC的大规模MIMO***能效优化方法,其特征在于:
针对基站端配置可调精度ADC结构的多用户大规模MIMO上行***,根据随机矩阵理论推导出***的能量效益的近似表达式;在满足用户基本的数据传输速率和功率约束条件下,建立起以能效最大化为目标的优化问题;接着将目标问题分解为功率控制和精度优化两个子问题;最后利用分数规划性质和动态更新干扰的迭代算法实现功率的分配,采用迭代更新量化精度算法完成ADC的精度选择,以达到能效的最大化,包括如下步骤:
步骤1:确定***模型和目标问题;
1-1建立***模型:
1-2计算***模型的上行可达和速率;
1-3建立大规模MIMO上行链路***的功耗模型;
1-4确定目标问题;
步骤2:目标问题的转化;
步骤3:基于功率分配和精度选择进行能效优化。
2.根据权利要求1所述的基于可调精度ADC的大规模MIMO***能效优化方法,其特征在于,步骤1确定***模型和目标问题,具体操作如下;
1-1.建立***模型:
建立一个单小区多用户大规模MIMO上行链路***,基站端BS配置M根天线,用于接收分布在小区内的K个单天线用户的信号,每根天线配置一个量化精度可调的ADC,用于对接收信号进行量化,令b=[b1,…,bm,…,bM]表示量化精度向量,bm表示第m根天线上ADC的量化精度;用户在相同的时频资源块上向基站端发送数据,假设已知信道状态信息,则BS的接收信号可表示为:
其中P=diag{p1,p2,…,pK}表示用户发射功率分配矩阵,G=HD1/2表示基站和用户之间的M×K维信道矩阵,H表示M×K维快衰落系数矩阵,D=diag{β1,β2,…,,βk,…,,βK}表示大尺度衰落系数矩阵,x表示K×1维用户发射信号向量,n~CN(0M,IM)表示M×1维加性高斯白噪声向量;
采用加性量化噪声模型AQNM对ADC量化过程进行分析,则ADC输出端的信号y可表示为:
1-2计算***模型的上行可达和速率;
在大规模MIMO上行链路***中,为了减少用户间的干扰,基站根据信道状态信息采用最大比合并检测算法对接收信号进行检测,则处理后的信号为:
r=GHy (4)
则第k个用户的接收信号可表示为
其中,gk表示G的第k列向量;式(5)等号右边第一项表示期望信号,后三项表示干扰和噪声,依次为用户间干扰、信道噪声、量化噪声;根据信道容量定理,第k个用户上行平均可达和速率可表示为:
当***的信道状态条件较好,即接收信干噪比远远大于1时,根据随机矩阵理论,可推导出上行可达和速率的近似表达式:
1-3建立大规模MIMO上行链路***的功耗模型;
大规模MIMO上行链路***的功率消耗建模为:
其中,pTx表示用户端功率放大器的功耗,η∈(0,1]表示功率放大系数;pADC表示ADC的功耗,c0∈[10-8,10-6]为常数;pLp为线性处理过程的功耗;psite表示其他特定功耗,B为***运行带宽,L为基站端的计算效率;
1-4确定目标问题;
在大规模MIMO上行链路***中,能量效益EE定义为用户总的可达和速率与***总功耗的比值,考虑对用户基本的数据传输速率和对最大发射功率进行限制,则基于可调精度ADC的大规模MIMO***的能效优化目标问题P0可表示为
其中,p=[p1,p2,…,pK]表示发射功率向量,目标函数EE是关于p和量化精度向量b的函数,C1、C2,C3为三个约束条件,C1表示对用户的最高发射功率进行限制;C2表示满足用户最低数据传输速率;C3表示ADC量化精度的选择范围,其中Ω表示量化精度选择范围的集合,bmax表示最高的量化精度。
3.根据权利要求2所述的基于可调精度ADC的大规模MIMO***能效优化方法,其特征在于,步骤2目标问题的转化,具体操作如下;
分析目标问题P0,可知目标问题P0关于p是一个连续非线性规划问题,关于b是一个离散非线性规划问题,考虑到联合求解p和b的复杂性,可以将目标函数分解为两个子问题,即:
目标问题P1是一个非凸优优化问题,局部最优解未必是全局最优解,为将其转换为凸优化问题,根据分数规划理论,能够将P1中的目标函数由分数形式转换成减式形式,即:
其中q是一个辅助变量;
目标问题P3是一个带有约束条件的凸优化问题,为进一步简化,使用拉格朗日对偶函数将有约束的凸优化问题转化为无约束问题P4,即:
其中λ=[λ1,λ2,…λK],μ=[μ1,μ2,…μK]为拉格朗日乘子,且λk≥0,μk≥0;
利用对偶定理,P4可等价为
经过目标问题的转换,原始问题P0最后转换为P2和P5两个子问题,即:
4.根据权利要求3所述的基于可调精度ADC的大规模MIMO***能效优化方法,其特征在于,步骤3基于功率分配和精度选择进行能效优化,具体操作如下;
3-1功率分配算法:
对于给定ADC的量化精度向量b,目标问题P5是一个关于发射功率向量p的对偶问题,根据库恩塔克条件,求出第k个用户发射功率表达式:
式(16)是pk的间接表达式,pk的取值与所有用户的发射功率相互关联,式右边用Q(pk)表示,能够证明Q(pk)是关于pk的非负性、可扩展性和单调性的函数;因此,能够采用迭代算法,即令其中n表示迭代次数,对干扰项Ψ进行更新;
表2不同bm下κ的值
在第n+1次迭代中,拉格朗日乘子系数可以采用次梯度算法更新,即
其中[x]+=max{0,x},δ1和δ2表示迭代步长;
3-2精度选择算法:
在完成用户发射功率分配的基础上,基站端需要根据信道状态信息和信号干扰为每个ADC匹配合适的量化精度,因此采用可达和速率的精确表达式(6)式代替近似表达式(7)式,则目标问题P2可转换为P6:
该协调更新算法的复杂度为O(Mbmax),相比于穷举法能够显著降低硬件成本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011517662.8A CN112702094B (zh) | 2020-12-21 | 2020-12-21 | 基于可调精度adc的大规模mimo***能效优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011517662.8A CN112702094B (zh) | 2020-12-21 | 2020-12-21 | 基于可调精度adc的大规模mimo***能效优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112702094A CN112702094A (zh) | 2021-04-23 |
CN112702094B true CN112702094B (zh) | 2022-02-11 |
Family
ID=75509190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011517662.8A Active CN112702094B (zh) | 2020-12-21 | 2020-12-21 | 基于可调精度adc的大规模mimo***能效优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112702094B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113179109B (zh) * | 2021-04-26 | 2022-03-29 | 南京盛航海运股份有限公司 | 一种去蜂窝大规模mimo上行频谱效率优化方法 |
CN113258985B (zh) * | 2021-05-08 | 2023-01-31 | 中国电子科技集团公司第五十四研究所 | 单站多星mimo上注***能效优化方法 |
CN113660062B (zh) * | 2021-08-11 | 2022-07-12 | 东南大学 | 无蜂窝大规模分布式mimo***中基于深度强化学习的低精度adc量化比特数分配方法 |
CN114337882B (zh) * | 2021-12-24 | 2024-04-12 | 南京工程学院 | 一种不完全信道信息下多用户das中能效功率分配方法 |
CN115801072B (zh) * | 2022-11-23 | 2024-04-02 | 东南大学 | 一种网络辅助全双工***的模数转换器精度分配方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110190879A (zh) * | 2019-04-30 | 2019-08-30 | 杭州电子科技大学 | 基于低精度adc大规模mimo***的能效优化方法 |
CN110574314A (zh) * | 2017-04-28 | 2019-12-13 | Lg电子株式会社 | 在无线通信***中报告信道状态信息的方法及其设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101527110B1 (ko) * | 2009-04-13 | 2015-06-16 | 삼성전자주식회사 | 분산 다중 입출력 무선통신 시스템에서 전력 제어 장치 및 방법 |
EP3579465B1 (en) * | 2017-02-05 | 2022-03-02 | LG Electronics Inc. | Method for determining modulation and coding scheme in wireless communication system, and device therefor |
US10834632B2 (en) * | 2018-09-21 | 2020-11-10 | At&T Intellectual Property I, L.P. | Energy-efficient wireless communications for advanced networks with low-resolution digital-to-analog converters |
CN110176950B (zh) * | 2019-04-22 | 2021-08-03 | 江苏大学 | 一种低精度adc大规模mimo***上行链路最优量化比特数目计算方法 |
CN111313946A (zh) * | 2020-02-24 | 2020-06-19 | 杭州电子科技大学 | 一种基于低精度adc的大规模mimo能效优化方法 |
-
2020
- 2020-12-21 CN CN202011517662.8A patent/CN112702094B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110574314A (zh) * | 2017-04-28 | 2019-12-13 | Lg电子株式会社 | 在无线通信***中报告信道状态信息的方法及其设备 |
CN110190879A (zh) * | 2019-04-30 | 2019-08-30 | 杭州电子科技大学 | 基于低精度adc大规模mimo***的能效优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112702094A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112702094B (zh) | 基于可调精度adc的大规模mimo***能效优化方法 | |
CN109104225B (zh) | 一种能效最优的大规模mimo波束域多播传输方法 | |
CN101867464B (zh) | 一种信道信息反馈方法、终端、基站及多输入多输出*** | |
CN113179109B (zh) | 一种去蜂窝大规模mimo上行频谱效率优化方法 | |
CN111835406B (zh) | 适用于多波束卫星通信的能效谱效权衡的鲁棒预编码方法 | |
CN110190881B (zh) | 权重速率最优的下行mimo-noma功率分配方法 | |
CN106549697B (zh) | 协作通信***中联合波束赋形和天线选择的发射方法 | |
CN111970033B (zh) | 能效谱效联合优化的大规模mimo多播功率分配方法 | |
CN109194373B (zh) | 一种大规模mimo波束域联合单播多播传输方法 | |
CN110311715B (zh) | 能效最优的大规模mimo非正交单播多播传输功率分配方法 | |
CN108063634B (zh) | 一种低精度量化大规模mimo中最优正则预编码方法 | |
CN110299937B (zh) | 一种上行mimo-noma无线通信***波束成形方法 | |
CN108923898B (zh) | 硬件损伤下无线能量传输的大规模mimo***能效优化方法 | |
CN111147112A (zh) | 一种基于mimo-noma***的能量最大化收集方法 | |
CN111405596B (zh) | 莱斯信道下大规模天线无线携能通信***资源优化方法 | |
CN111313946A (zh) | 一种基于低精度adc的大规模mimo能效优化方法 | |
CN106793108A (zh) | Mimo***下行链路中联合用户选择和功率分配优化方法 | |
CN107276704B (zh) | 两层Femtocell网络中基于能效最大化的最优鲁棒功率控制方法 | |
CN116760448A (zh) | 一种基于mimo-noma的星地融合网络资源高效分配方法 | |
CN113660062B (zh) | 无蜂窝大规模分布式mimo***中基于深度强化学习的低精度adc量化比特数分配方法 | |
CN113824477B (zh) | 离散透镜天线阵列辅助的多用户大规模mimo优化方法 | |
CN107087279B (zh) | 一种基于稳定接入关系的基站激活和波束成形方法 | |
CN108990141B (zh) | 一种基于深度多网络学习的集能型无线中继网络吞吐量最大化方法 | |
CN117498900A (zh) | 去蜂窝大规模mimo通感一体化***的资源分配装置及方法 | |
CN107483095A (zh) | 一种基于多中继协助的大规模非正交多接入方法 |
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 |