CN112910517B - 基于低精度量化的Massive MIMO中继***下行链路模型构建方法 - Google Patents

Abstract

本发明公开了一种基于低精度量化的MassiveMIMO中继***下行链路模型构建方法，首先，将基站到中继的信道系数和中继到目的用户的信道建模成莱斯衰落模型；然后，对莱斯衰落模型下行链路的信号分为两个时隙依次进行处理，第一时隙是基站到中继的信号处理过程，第二时隙是中继到目的用户的信号处理过程；其次，根据用户的接收信号表达式以及香农公式推导真实可达总速率；最后，利用高阶统计量推导可达总速率的闭合表达式。本发明考虑在MassiveMIMO中继***的下行链路过程中在基站到中继和中继到目的用户之间存在LOS路径的情况，使模型更符合实际的通信情况，并且解决了多天线所带来的高功耗问题。

Description

基于低精度量化的Massive MIMO中继***下行链路模型构建 方法

技术领域

本发明属于无线通信信号处理技术领域，具体涉及一种基于低精度量化的Massive MIMO中继***下行链路模型构建方法。

背景技术

为了满足第五代移动通信***在千倍数据量、超低延迟、10Gbit/s的传输速率及支持多样化应用等方面的技术指标并且达到高频谱效率、高能量效率和高成本效率的需求，学术界和工业界均提出了大规模MIMO技术。

MIMO的主要思想在于在基站安装数百根天线，并在同一时频资源块上服务数十个用户。大规模MIMO***通过巨幅提高基站端的天线阵列增益和空间自由度，因此在基站端仅采用简单的线性信号处理方法，例如最大比合并(Maximum Ratio Combining,MRC)和迫零(Zero-Forcing,ZF)，就可以减小甚至消除用户间干扰影响，从而有效地提高***容量和频谱效率。因此，在不同发射接收方案和不同信道下，关于Massive MIMO***的***容量的研究变得尤为重要。

此外，为了提高移动通信的传输速率，改善小区覆盖半径小以及克服移动终端不合适配置多天线的缺点，中继传输技术被提出并变成解决上述问题的重要技术之一。中继技术可以显着提高传输可靠性，复用增益和覆盖范围。对于多用户多输入多输出(MU-MIMO)网络，中继站被广泛部署以增强基站与用户之间的通信质量。

为了从大规模MIMO和中继技术的优点中受益，一些优秀的国内外研究学者对大规模MIMO中继网络进行了研究。有的利用在中继中使用的MRT/MRC和ZF处理得出渐近和率，并比较了不同功率下MRT/MRC和ZF之间的和率性能。有的研究了具有AF中继的多对大规模MIMO上行链路，其中基站和中继处都配备有大规模天线。现有的研究都是基于在中继处布置大量的天线来提高空间复用度，并没有考虑到在基站处使用大规模天线。

然而，大量的天线使大规模MIMO***的硬件设计实现变得极其复杂化。尤其是在***中每个接收天线都需要配置模数转换器(ADC)单元，使用大量的天线意味着需要数量庞大的模数转换器。开销和功耗的指数型增长导致了高位数的模数转换器成为实现大规模MIMO***的主要瓶颈。

发明内容

发明目的：本发明提出一种基于低精度量化的Massive MIMO中继***下行链路模型构建方法，构建了无线通信模型并对其进行分析，使模型更符合实际的通信情况，并且解决了多天线所带来的高功耗问题。

发明内容：本发明提出一种基于低精度量化的Massive MIMO中继***下行链路模型构建方法，具体包括以下步骤：

(1)信道模型的构建：将基站到中继的信道系数和中继到目的用户的信道建模成莱斯衰落模型；

(2)对莱斯衰落模型下行链路的信号传输过程进行处理：分为两个时隙依次进行处理，其中第一时隙是基站到中继的信号处理过程，第二时隙是中继到目的用户的信号处理过程；

(3)计算莱斯衰落模型真实可达总速率：根据用户的接收信号表达式以及香农公式推导真实可达总速率；

(4)计算莱斯衰落模型理论可达总速率：利用高阶统计量推导可达总速率的闭合表达式；

(5)通过分析可达总速率的闭合表达式，从而获得***容量。

进一步地，步骤(1)所述的信道系数写成如下矩阵形式：

其中，

和

用来建模基站到中继和中继到目的用户的快衰落矩阵，M₁和M₂分别表示基站和中继的天线数量，K为用户数，且[H_i]_km＝h_i,km,i＝1,2；D₁和D₂表示K×K的大尺度衰落对角矩阵，且[D₁]_kk＝α_k,[D₂]_kk＝β_k；

快衰落信道矩阵H₁和H₂可分别表示为如下形式：

其中，

和

表示信道的随机分量，

和

表示信道的确定性分量，Ω₁和Ω₂表示K×K的Rician-factor对角矩阵，第k个用户的Rician-factor可分别表示[Ω₁]_kk＝μ_k和[Ω₂]_kk＝ε_k。

进一步地，所述步骤(2)包括以下步骤：

(21)对整个下行链路过程的传输信号分为两个时隙处理；

(22)在第一个时隙中，基站将源信号经过最大比率传输预编码处理后发送给中继，中继端的接收信号为：

其中，源信号为

的传输信号向量，且x的功率满足归一化E{x·x^H}＝I_K，G₁是基站到中继之间K×M₁信道矩阵，包含快衰落和大尺度衰落两个部分；由于基站处采用MRT进行处理信号，因此预编码矩阵

依赖于

为G₁的共轭转置矩阵，G₁是基站到中继之间K×M₁信道矩阵，

为预编码矩阵，y_BS为基站处的待发送信号，p_u为每个用户的发射功率，n_RS表示独立同分布的复高斯白噪声且

(23)在中继端配置了ADCs，采用加性量化噪声模型对接收信号y_RS量化：

其中，ξ＝1-ρ是线性量化增益，n_q是量化噪声，和y_RS不相关；ρ是量化器误差方差和输入方差的比值；接收信号y_RS,q在中继处进行功率放大，功率放大后的信号为：

y_AF＝a·y_RS,q

其中，y_AF满足E{y_AF·y_AF ^H}＝p_R，a是在中继端满足总发射功率约束的放大因子；由功率约束条件可得中继处满足总发射功率约束的放大因子a为：

将y_AF经过MRT进行处理，得信号

为：

(24)在第二时隙中，中继将

转发给目的用户，到达目的用户的接收信号为：

其中，G₂是中继到目的用户之间包含快衰落和大尺度衰落K×M₂的信道矩阵，n_U是在目的用户处的复加性高斯白噪声且

基于Rician信道Massive MIMO中继***的用户接收信号为：

进一步地，所述步骤(3)的实现过程如下：

第k个目的用户的接收信号如下：

信干噪比SINR：

第k个用户的可实现速率为:

其中：

进一步地，所述步骤(4)实现过程如下：

Massive MIMO中继***在Rician信道的下的可实现总速率为：

为了简便计算，定义以下变量：

利用Δ_1,k,Δ_2,k,Φ_1,ik,φ_2,ik,γ_1,ki,γ_2,ki的表达式，上式中的S_k,I_k,N_1,k,N_2,k可表示为：

有益效果：与现有技术相比，本发明的有益效果：本发明考虑在Massive MIMO中继***的下行链路过程中在基站到中继和中继到目的用户之间存在LOS路径的情况，使模型更符合实际的通信情况；并且为了解决多天线所带来的高功耗问题；在中继处的天线配置低精度ADCs进行量化处理；通过仿真结果，可以看出通过Monte-Carlo仿真所得总速率曲线几乎与分析所得的总速率曲线几乎完全重合；对基于低精度量化的Rician衰落信道下的Massive MIMO中继***的下行链路性能进行了分析，推导出其下行链路可达速率的近似闭合表达式；配置了低精度量化的大规模多入多出***在Rician信道下可以得到令人满意的吞吐性能和频谱效率。

附图说明

图1是基于低精度量化的Rician信道Massive MIMO中继***下行链路模型的结构实用图；

图2是本发明可实现总速率随中继天线数变化的曲线图；

图3是本发明可实现总速率随Rician-factor变化的曲线图；

图4是可实现速率随量化比特数变化的曲线图。

具体实施方式

下面结合附图，对本发明的技术方案进行清晰、完整地描述。

在实际的通信***中，由于基站到目的用户中间存在严重的阴影和路径损耗，没有直接链路，基站传输的信号须经过中继才能被用户接收，且基站到中继和中继到用户之间都存在LOS(line-of-sight)。

本发明提出一种基于低精度量化的Massive MIMO中继***下行链路模型构建方法，通过对通信过程中的信号进行相应的处理，得到第k个用户的接收信号，根据所得的接收信号计算出第k个用户的信噪比，通过香农公式可以得到第k个用户的实现速率，再进行求和可得真实可达速率，最后，根据信道的高阶统计量，推导出了下行链路的可达速率的闭合表达式。具体包括以下步骤：

如图1所示，是基于低精度量化的Rician信道Massive MIMO中继***下行链路模型构建及性能分析方法的结构图。***由基站和中继，还有K个单天线用户组成。基站到目的用户之间由于严重的阴影和路径损耗没有直接链路，基站所发送的信号须经过中继才能到达目的用户，在基站到中继和中继到目的用户之间存在LOS路径。基站和中继***都配备大量的天线阵列，天线数量分别为M₁和M₂(假设M₁≥M₂≥K)。

步骤1：信道模型的构建：将基站到中继的信道系数和中继到目的用户的信道建模成莱斯衰落模型。

信道系数写成如下矩阵形式：

其中，

和

用来建模基站到中继和中继到目的用户的快衰落矩阵，M₁和M₂分别表示基站和中继的天线数量，K为用户数，且[H_i]_km＝h_i,km,i＝1,2。D₁和D₂表示K×K的大尺度衰落对角矩阵，且[D₁]_kk＝α_k,[D₂]_kk＝β_k。

快衰落信道矩阵H₁和H₂可分别表示为如下形式：

这里

和

表示信道的随机分量，

和

表示信道的确定性分量，Ω₁和Ω₂表示K×K的Rician-factor对角矩阵，第k个用户的Rician-factor可分别表示[Ω₁]_kk＝μ_k和[Ω₂]_kk＝ε_k。

步骤2：对整个下行链路的信号传输过程进行处理：分为两个时隙依次进行处理，其中第一时隙是基站到中继的信号处理过程，第二时隙是中继到目的用户的信号处理过程。

整个过程分为两个时隙。

在第一个时隙中，基站将源信号经过最大比率传输(Maximum RatioTransmission,MRT)预编码处理后发送给中继。假设源信号为

的传输信号向量，且x的功率满足归一化E{x·x^H}＝I_K，G₁是基站到中继之间K×M₁信道矩阵，包含快衰落和大尺度衰落两个部分。基站处的待发送信号y_BS就是将源信号经过MRT进行简单处理，即将x和依赖于

的接收矩阵

相乘：

上式中的p_u是每个用户的发射功率。

因此，在中继端的接收信号为：

其中，n_RS表示独立同分布的复高斯白噪声且

紧接着，由于在中继端配置了ADCs，因此在进一步处理之前量化信号。本次模型中，我们采用被广泛应用的加性量化噪声模型(AQNM)，接收信号y_RS在中继处得到的量化信号为：

其中，ξ＝1-ρ是线性量化增益，n_q是量化噪声，和y_RS不相关。ρ是量化器误差方差和输入方差的比值，由于信道输入信号x是高斯分布的，因此中继端的接收信号也是高斯分布的。如表1所示，对于b<5的情况，ρ的准确数值在表1中；对于b≥6的情况，ρ可由公式

计算得出。此外，n_q的条件协方差公式可表示为：

因此，

表1量化比特数b与量化失真因子

紧接着，接收信号y_RS,q在中继处进行功率放大，功率放大后的信号为:

y_AF＝a·y_RS,q

这里被功率放大的信号y_AF满足E{y_AF·y_AF ^H}＝p_R，a是在中继端满足总发射功率约束的放大因子。由功率约束条件可得中继处满足总发射功率约束的放大因子a为：

最后，将y_AF经过MRT进行处理，得信号

为：

在第二时隙中，中继将

转发给目的用户，因此到达目的用户的接收信号为：

这里G₂是中继到目的用户之间包含快衰落和大尺度衰落K×M₂的信道矩阵，n_U是在目的用户处的复加性高斯白噪声且

将上式展开就可以得到基于Rician信道Massive MIMO中继***的用户接收信号为：

步骤3：计算该模型真实可达总速率：根据用户的接收信号表达式以及香农公式推导其真实可达总速率。

基于Rician信道Massive MIMO中继***的用户接收信号写出第k个目的地用户的接收信号如下：

假设用户干扰是服从高斯分布并且与x_k无关，我们可以得到信号与干扰加噪声比(SINR)：

因此可以得到第k个用户的可实现速率为:

R_k＝1/2·E{log₂(1+SINR)}

因此，第k个用户的可实现速率可近似为：

R_k≈1/2·log₂(1+E{SINR})

具体表示为：

步骤4：计算莱斯衰落模型理论可达总速率：利用高阶统计量推导可达总速率的闭合表达式。

Massive MIMO中继***在Rician信道的下的可实现总速率为：

假设：

利用Δ_1,k,Δ_2,k,Φ_1,ik,φ_2,ik,γ_1,ki,γ_2,ki的表达式，上式中的S_k,I_k,N_1,k,N_2,k可表示为：

证明如下：高阶统计量为：

在R_k的表达式中的

可进行如下计算：

可通过

得到期望信号的功率为：

相似的可计算

因此，用户间干扰的功率I_k可表示为如下形式：

同理：

分母中的最后一项的计算如下：

a利用Δ_1,k,Δ_2,k,Φ_1,ik,φ_2,ik,γ_1,ki,γ_2,ki，可表示为如下：

通过a的真实速率的表达式

第i个元素的期望为：

即可得到：

分母中的第三项为：

综上所述，在下行链路的过程中，该模型在基站到中继和中继到用户的信道都考虑成莱斯衰减信道模型，其相对于传统的瑞利信道模型更符合实际的通信环境。且在考虑了多天线带来的较高的硬件成本问题后，在中继配置低精度量化ADCs从而降低成本和功耗。该模型的优点还在于可以根据特殊Rician-factor的值将整个模型的信道简化，比如当Rician-factor为-∞dB时(等价于Δ_1,k＝1、γ_1,ki＝1)，其信道模型由莱斯变为瑞利衰落模型。

图2是在完美信道状态信息下，针对用户数K＝10，且Rician-factor取10dB时，基于低精度量化的Rician信道Massive MIMO中继***的可实现总速率随中继的天线数的仿真结果。其中星点是取1000次蒙特卡洛实验而得的真实速率，而线状的是通过分析所得的仿真结果。从图2可看出，在此情况下，分析所得的曲线和1000次蒙特卡洛仿真的真实曲线几乎重合，这证实分析结果的正确性。

图3是针对用户数K＝10，中继处的天线数为200，且发射功率为10dB时，总速率随Rician-factor的变化曲线图。从图3可以看出总的可实现速率随着Rician-factor和量化位数的增加而增大。从图3中还可发现，当在Rician-factor减小到相对较小的时候，此时信道退化为瑞利衰减信道，总速率不再随Rician-factor而改变，当在Rician-factor到达30dB时，总速率也不再随Rician-factor的增长而增长，从而达到饱和状态。

图4是针对中继天线数为200，且两路Rician-factor均为10dB，每个用户的平均速率随发射比特数的变化曲线图。从图4中可以看出，当量化比特数小于5的时候，平均速率随着量化比特数的增加而逐渐递增，当量化比特数大于5后，平均速率趋于平稳的状态，不再增加。同时，1比特量化引起的性能下降可以通过增加天线数量来弥补。

Claims (4)

1.一种基于低精度量化的Massive MIMO中继***下行链路模型构建方法，其特征在于，包括以下步骤：

(1)信道模型的构建：将基站到中继的信道系数和中继到目的用户的信道建模成莱斯衰落模型；

(2)对莱斯衰落模型下行链路的信号传输过程进行处理：分为两个时隙依次进行处理，其中第一时隙是基站到中继的信号处理过程，第二时隙是中继到目的用户的信号处理过程；

(3)计算莱斯衰落模型真实可达总速率：根据用户的接收信号表达式以及香农公式推导真实可达总速率；

(4)计算莱斯衰落模型理论可达总速率：利用高阶统计量推导可达总速率的闭合表达式；

(5)通过分析可达总速率的闭合表达式，从而获得***容量；

所述步骤(2)包括以下步骤：

(21)对整个下行链路过程的传输信号分为两个时隙处理；

(22)在第一个时隙中，基站将源信号经过最大比率传输预编码处理后发送给中继，中继端的接收信号为：

其中，源信号为

的传输信号向量，且x的功率满足归一化E{x·x^H}＝I_K，G₁是基站到中继之间K×M₁信道矩阵，包含快衰落和大尺度衰落两个部分；由于基站处采用MRT进行处理信号，因此预编码矩阵

依赖于

为G₁的共轭转置矩阵，G₁是基站到中继之间K×M1信道矩阵，

为预编码矩阵，y_BS为基站处的待发送信号，p_u为每个用户的发射功率，n_RS表示独立同分布的复高斯白噪声且

(23)在中继端配置了ADCs，采用加性量化噪声模型对接收信号y_RS量化：

其中，ξ＝1-ρ是线性量化增益，n_q是量化噪声，和y_RS不相关；ρ是量化器误差方差和输入方差的比值；接收信号y_RS，q在中继处进行功率放大，功率放大后的信号为：

y_AF＝a·y_RS，q

其中，y_AF满足E{y_AF·y_AF ^H}＝p_R，a是在中继端满足总发射功率约束的放大因子；由功率约束条件可得中继处满足总发射功率约束的放大因子a为：

将y_AF经过MRT进行处理，得信号

为：

(24)在第二时隙中，中继将

转发给目的用户，到达目的用户的接收信号为：

其中，G₂是中继到目的用户之间包含快衰落和大尺度衰落K×M₂的信道矩阵，n_U是在目的用户处的复加性高斯白噪声且

基于Rician信道Massive MIMO中继***的用户接收信号为：

2.根据权利要求1所述的基于低精度量化的Massive MIMO中继***下行链路模型构建方法，其特征在于，步骤(1)所述的信道系数写成如下矩阵形式：

其中，

和

用来建模基站到中继和中继到目的用户的快衰落矩阵，M₁和M₂分别表示基站和中继的天线数量，K为用户数，且[H_i]_km＝h_i，km，i＝1，2；D₁和D₂表示K×K的大尺度衰落对角矩阵，且[D₁]_kk＝α_k，[D₂]_kk＝β_k；

快衰落信道矩阵H₁和H₂可分别表示为如下形式：

其中，

和

表示信道的随机分量，

和

表示信道的确定性分量，Ω₁和Ω₂表示K×K的Rician-factor对角矩阵，第k个用户的Rician-factor可分别表示[Ω₁]_kk＝μ_k和[Ω₂]_kk＝ε_k。

3.根据权利要求1所述的基于低精度量化的Massive MIMO中继***下行链路模型构建方法，其特征在于，所述步骤(3)的实现过程如下：

第k个目的用户的接收信号如下：

信干噪比SINR：

第k个用户的可实现速率为：

其中：

4.根据权利要求1所述的基于低精度量化的Massive MIMO中继***下行链路模型构建方法，其特征在于，所述步骤(4)实现过程如下：

Massive MIMO中继***在Rician信道的下的可实现总速率为：

为了简便计算，定义以下变量：

利用Δ_1，k，Δ_2，k，Φ_1，ik，φ_2，ik，γ_1，ki，γ_2，ki的表达式，上式中的S_k，I_k，N_1，k，N_2，k可表示为：

Images