CN114448481B - 一种车联网下基于用户调度的大规模mimo预编码方法 - Google Patents
一种车联网下基于用户调度的大规模mimo预编码方法 Download PDFInfo
- Publication number
- CN114448481B CN114448481B CN202210068087.0A CN202210068087A CN114448481B CN 114448481 B CN114448481 B CN 114448481B CN 202210068087 A CN202210068087 A CN 202210068087A CN 114448481 B CN114448481 B CN 114448481B
- Authority
- CN
- China
- Prior art keywords
- user
- channel
- matrix
- precoding
- scheduling
- 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 31
- 230000006855 networking Effects 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 62
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 2
- 230000000996 additive effect Effects 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 2
- 101100149325 Escherichia coli (strain K12) setC gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction 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
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- 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)
- Mobile Radio Communication Systems (AREA)
- Radio Transmission System (AREA)
Abstract
本发明提出一种车联网下基于用户调度的大规模MIMO预编码方法,包括以下步骤:S1,建立车联网下的大规模MIMO的信道模型;S2,进行联合信道相关性和信道自身条件的多用户调度,获得调度用户集;S3,根据多用户调度的结果进行基于块对角化的预编码,达到消除干扰的目的。本发明所提的面向车联网的基于多用户调度的预编码方法,可以通过选择优质用户集进行服务,以获取更大的用户分集增益,能够有效降低***误码率,提升车联网***吞吐率。
Description
技术领域:
本发明涉及无线通信领域,尤其涉及一种车联网下基于用户调度的大规模MIMO预编码方法。
背景技术:
对于日益增长的车联网(Vehicle-to-everything,V2X)通信需求以及频谱资源的短缺,传统的多输入多输出(Multiple Input Multiple Output,MIMO)技术已经无法满足现阶段用户对通信服务质量需求,而大规模MIMO技术可以增强分集和复用增益,因此,在V2X领域中使用大规模MIMO技术,可以为车辆提供高数据速率及高可靠通信。同时,由于V2X***资源有限,在多用户联合通信中研究如何提高***传输速率、增加用户分集增益是非常必要的。
在多用户和多小区的V2X环境中,设计能够提升大规模MIMO***多用户调度的预编码算法对于V2X通信具有十分重要的意义。采用基于多用户调度的预编码方法可以通过选择优质用户集进行服务,以获取更大的用户分集增益,另外可以在基站端利用不同用户信道变化的特点对各用户做预处理,从而消除信道干扰(Co-Channel Interference,CCI),有效的获取更大的用户分集增益、提高***的传输速率。
发明内容:
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种车联网下基于用户调度的大规模MIMO预编码方法,在满足用户干扰最小的同时保证了调度用户的信道质量,克服了调度算法中使用大量矩阵分解的操作问题,有效降低***误码率,提升***吞吐率。
为了实现本发明的上述目的,本发明提供了一种车联网下基于用户调度的大规模MIMO预编码方法,其特征在于,包括:
S1,建立车联网下的大规模MIMO的信道模型;
S2,进行联合信道相关性和信道自身条件的多用户调度,获得调度用户集;
S3,根据多用户调度的结果进行基于块对角化的预编码,达到消除干扰的目的。
所述的一种车联网下基于用户调度的大规模MIMO预编码方法,其特征在于,所述S1包括:
由于车辆的高速运动,信道特性表现为时变性,产生多普勒效应,于是将多普勒效应引入信道模型与常规毫米波信道合并,则所述第t个时隙的时变几何信道模型可以表示为
其中,(·)H表示矩阵或向量的共轭转置;是归一化校正因子;Nt、Nr分别表示发射端发射天线数和每个车辆用户的接收天线数;Nc表示信道中分簇的数目;Nray表示每个分簇中子信道的个数;标量αil(t)表示第i个簇内第l条路径的增益,服从复高斯分布 和分别表示接收和发射天线的阵列导向矢量,即
假设功率平均分配,则***在发射端采用块对角化(Block Diagonalization,BD)预编码算法时,对于最终选择的R个用户中,则第k个用户可获得的信道容量为
其中,B为信道带宽;P为发射总功率;σ2是加性高斯白噪声;det(·)表示求矩阵行列式;IN表示维度为N的单位矩阵。
所述的一种车联网下基于用户调度的大规模MIMO预编码方法,其特征在于,所述S2包括:
S2-1,根据信道相关性理论,两个矩阵Hi和Hj组成的拼接矩阵Hi,j=[Hi,Hj]的列向量两两正交程度越高时,矩阵Hi和Hj间的相关性越低;首先将矩阵Hi和Hj进行向量化,所述矩阵向量化方法为
信道矩阵的相关性的采用矩阵向量化后的皮尔逊系数可表示为
其中,coorij(vi,vj)∈[-1,1]的绝对值表示矩阵Hi和Hj的皮尔逊相关系数;coorij(vi,vj)绝对值取值越大,则表示用户i和用户j之间的信道相关性越高,从而表示两个用户之间的干扰越严重,反之亦然;因此,coorij(vi,vj)的绝对值取值越小时,两个矩阵Hi和Hj之间的空间相关性就越低。
S2-2,贪婪算法是通过计算噪声增强因子lk,选择可以保证当前***的最大的用户,可以发现,是由集合S中的每个用户的信道增益决定的;因此,用户的噪声增强因子lk也是影响***容量的一个主要因素,根据噪声增强因子来衡量信道自身条件的调度因子表示为
根据S2-1和S2-2,将ρkcoorks作为本文多用户调度算法的准则,遍历所有用户选择ρkcoorks最小的用户作为调度用户,直到调度用户数量达到R,得到最优调度用户集,从而将调度用户集的信道作为***的有效传输信道,获取更好的***用户增益,其中coorks表示待选用户集中第k个用户与已选用户集s之间的皮尔逊系数。
所述的一种车联网下基于用户调度的大规模MIMO预编码方法,其特征在于,所述S3包括:
将所述信道矩阵表示为
Wk=Uk
综上所述,由于采用了上述技术方案,本发明的有益效果是:
利用块对角化预编码对信道相关性敏感的特点,采用矩阵向量化后的皮尔逊系数来度量用户之间的信道相关性,同时根据用户噪声增强因子定义衡量信道质量的调度因子,在满足最小化信道相关性同时保证选择到优质的信道,从而实现多用户调度。所提方法能够获取更高的用户信道增益,有效降低***误码率,可适用于V2X通信。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明的多用户调度的流程图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅是本发明一部分实施例而已,而不是全部的实施例。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例,都属于本发明保护的范围。
在本申请中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明提出了一种车联网下基于用户调度的大规模MIMO预编码方法,综合考虑信道相关性以及信道本身条件两种因素,在满足最小化信道相关性的同时保证选择优质信道,从而实现多用户调度,随后在调度后采用BD预编码消除数据流干扰。
结合附图1对本发明进行详细说明,主要包括以下步骤:
步骤S101,开始。
步骤S102,输入信道矩阵H,用户数K,用户的接收天线数Nr,基站可调度用户数R,当前迭代次数i=1。
步骤S107,如果迭代次数i<R进行以下步骤,否则跳转到S111。
步骤S108,遍历待选用户集S中的每一个用户,计算各用户的调度因子ρk及用户与已选用户集S之间的皮尔逊系数coorkL。
所述用户与已选用户集S之间的皮尔逊系数coorkL以及各用户的调度因子ρk计算方式分别为:
根据信道相关性理论,两个矩阵Hi和Hj组成的拼接矩阵Hi,j=[Hi,Hj]的列向量两两正交程度越高时,矩阵Hi和Hj间的相关性越低;首先将矩阵Hi和Hj进行向量化,所述矩阵向量化方法为
信道矩阵的相关性的采用矩阵向量化后的皮尔逊系数可表示为
其中,coorij(vi,vj)∈[-1,1]的绝对值表示矩阵Hi和Hj的皮尔逊相关系数;coorij(vi,vj)绝对值取值越大,则表示用户i和用户j之间的信道相关性越高,从而表示两个用户之间的干扰越严重,反之亦然;因此,coorij(vi,vj)的绝对值取值越小时,两个矩阵Hi和Hj之间的空间相关性就越低。
贪婪算法是通过计算噪声增强因子lk,选择可以保证当前***的最大的用户,可以发现,是由集合S中的每个用户的信道增益决定的;因此,用户的噪声增强因子lk也是影响***容量的一个主要因素,根据噪声增强因子来衡量信道自身条件的调度因子表示为
步骤S110,如果当前***容量Cm>Cmax则继续执行以下步骤,否则跳转到步骤S111;
步骤S111,结束。
Wk=Uk
至此,得到了本实施例中预编码方法消除干扰的结果。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (1)
1.一种车联网下基于用户调度的大规模MIMO预编码方法,其特征在于,包括:
S1,建立车联网下的大规模MIMO的信道模型,包括:
由于车辆的高速运动,信道特性表现为时变性,产生多普勒效应,于是将多普勒效应引入信道模型与常规毫米波信道合并,则第t个时隙的时变几何信道模型可以表示为
其中,(·)H表示矩阵或向量的共轭转置;是归一化校正因子;Nt、Nr分别表示发射端发射天线数和每个车辆用户的接收天线数;Nc表示信道中分簇的数目;Nray表示每个分簇中子信道的个数;标量αil(t)表示第i个簇内第l条路径的增益,服从复高斯分布 和分别表示接收和发射天线的阵列导向矢量,即
其中,(·)T表示矢量的转置;和分别表示第i个簇内第l条路径的到达角和离开角;λ为毫米波波长;d为天线阵元间距离;
假设功率平均分配,则***在发射端采用块对角化(Block Diagonalization,BD)预编码算法时,对于最终选择的R个用户中,则第k个用户可获得的信道容量为
其中,B为信道带宽;P为发射总功率;σ2是加性高斯白噪声;det(·)表示求矩阵行列式;IN表示维度为N的单位矩阵;
S2,进行联合信道相关性和信道自身条件的多用户调度,获得调度用户集,包括:
S2-1,根据信道相关性理论,两个矩阵Hi和Hj组成的拼接矩阵Hi,j=[Hi,Hj]的列向量两两正交程度越高时,矩阵Hi和Hj间的相关性越低;首先将矩阵Hi和Hj进行向量化,所述矩阵向量化方法为
信道矩阵的相关性的采用矩阵向量化后的皮尔逊系数可表示为
其中,coorij(vi,vj)∈[-1,1]的绝对值表示矩阵Hi和Hj的皮尔逊相关系数;coorij(vi,vj)绝对值取值越大,则表示用户i和用户j之间的信道相关性越高,从而表示两个用户之间的干扰越严重,反之亦然;因此,coorij(vi,vj)的绝对值取值越小时,两个矩阵Hi和Hj之间的空间相关性就越低;
S2-2,贪婪算法是通过计算噪声增强因子lk,选择可以保证当前***的最大的用户,可以发现,是由集合S中的每个用户的信道增益决定的;因此,用户的噪声增强因子lk也是影响***容量的一个主要因素,根据噪声增强因子来衡量信道自身条件的调度因子表示为
其中||·||2表示矩阵的2范数;为单位矩阵;
根据S2-1和S2-2,将ρkcoorks作为本文多用户调度算法的准则,遍历所有用户选择ρkcoorks最小的用户作为调度用户,直到调度用户数量达到R,得到最优调度用户集,从而将调度用户集的信道作为***的有效传输信道,获取更好的***用户增益,其中coorks表示待选用户集中第k个用户与已选用户集s之间的皮尔逊系数。
S3,根据多用户调度的结果进行基于块对角化的预编码,达到消除干扰的目的,包括:
所述基于块对角化的预编码方法的核心是进行两次奇异值分解(Singular ValueDecomposition,SVD)得到预编码矩阵F,其中用户k的预编码矩阵为其中分别表示为第一次和第二次SVD分解后得到的信道矩阵零空间;
将信道矩阵表示为
则用户k的补矩阵为
对进行SVD分解,可以得到
其中,和分别是的前和后个右奇异值向量,是的零空间;
令对***等效信道矩阵进行SVD分解,得到
令得到用户k的预编码矩阵、组合器为
Wk=Uk
综上,所述块对角化预编码算法的主要目的是寻找用户k(k=1,...,K)的最优预编码矩阵,使其满足从而实现完全消除干扰的目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210068087.0A CN114448481B (zh) | 2022-01-20 | 2022-01-20 | 一种车联网下基于用户调度的大规模mimo预编码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210068087.0A CN114448481B (zh) | 2022-01-20 | 2022-01-20 | 一种车联网下基于用户调度的大规模mimo预编码方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114448481A CN114448481A (zh) | 2022-05-06 |
CN114448481B true CN114448481B (zh) | 2023-05-05 |
Family
ID=81366941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210068087.0A Active CN114448481B (zh) | 2022-01-20 | 2022-01-20 | 一种车联网下基于用户调度的大规模mimo预编码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114448481B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101754346A (zh) * | 2009-12-25 | 2010-06-23 | 华中科技大学 | 一种基于信道相关性多用户调度的小区间干扰抑制方法 |
CN103402268A (zh) * | 2013-08-21 | 2013-11-20 | 西安电子科技大学 | 一种基于改进的弦距离的下行mu_comp调度算法 |
WO2014046273A1 (en) * | 2012-09-18 | 2014-03-27 | Nec Corporation | Method for improving transmission capacity in a dl mu-mimo communications system |
CN108173585A (zh) * | 2018-03-12 | 2018-06-15 | 浙江万胜智能科技股份有限公司 | 一种多用户混合线性非线性预编码方法 |
CN110677833A (zh) * | 2019-10-08 | 2020-01-10 | 苏州大学 | 蜂窝车联网的下行半静态资源分配方法 |
-
2022
- 2022-01-20 CN CN202210068087.0A patent/CN114448481B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101754346A (zh) * | 2009-12-25 | 2010-06-23 | 华中科技大学 | 一种基于信道相关性多用户调度的小区间干扰抑制方法 |
WO2014046273A1 (en) * | 2012-09-18 | 2014-03-27 | Nec Corporation | Method for improving transmission capacity in a dl mu-mimo communications system |
CN103402268A (zh) * | 2013-08-21 | 2013-11-20 | 西安电子科技大学 | 一种基于改进的弦距离的下行mu_comp调度算法 |
CN108173585A (zh) * | 2018-03-12 | 2018-06-15 | 浙江万胜智能科技股份有限公司 | 一种多用户混合线性非线性预编码方法 |
CN110677833A (zh) * | 2019-10-08 | 2020-01-10 | 苏州大学 | 蜂窝车联网的下行半静态资源分配方法 |
Non-Patent Citations (2)
Title |
---|
Joint user scheduling and power allocation for massive MIMO downlink with two-stage precoding;Yanhua Sun;《2016 2nd IEEE International Conference on Computer and Communications》;全文 * |
基于毫米波大规模MIMO的用户调度问题;任静;《空军工程大学学报(自然科学版)》;第21卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114448481A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4597170B2 (ja) | 多重入力多重出力システムにおけるスケジューリングシステム及びその方法 | |
CN111181612B (zh) | 一种大规模mimo***的协作波束赋型方法 | |
Maryopi et al. | On the uplink throughput of zero forcing in cell-free massive MIMO with coarse quantization | |
CN106060950B (zh) | 一种基于机会干扰对齐的蜂窝下行信道中数据传输方法 | |
Wang et al. | Performance of cell-free massive MIMO with joint user clustering and access point selection | |
CN110138425B (zh) | 低复杂度阵列天线多输入多输出***混合预编码算法 | |
Park et al. | Regularized interference alignment based on weighted sum-MSE criterion for MIMO interference channels | |
WO2015112883A1 (en) | System and method for early termination in iterative null-space directed singular value decomposition for mimo | |
Hassan et al. | Performance analysis and joint statistical beamformer design for multi-user MIMO systems | |
Zhang et al. | A deep learning-based framework for low complexity multiuser MIMO precoding design | |
CN113839695B (zh) | Fdd大规模mimo和速率最优统计预编码方法及设备 | |
CN114567358A (zh) | 大规模mimo鲁棒wmmse预编码器及其深度学习设计方法 | |
CN113193896B (zh) | 一种最大化两接收端和速率的波束成形神经网络决策方法 | |
Patcharamaneepakorn et al. | Weighted sum capacity maximization using a modified leakage-based transmit filter design | |
JP6641506B2 (ja) | データの送信を行う方法及びデバイス | |
CN114448481B (zh) | 一种车联网下基于用户调度的大规模mimo预编码方法 | |
Lizarraga et al. | Deep reinforcement learning for hybrid beamforming in multi-user millimeter wave wireless systems | |
Chen et al. | A deep learning driven hybrid beamforming method for millimeter wave MIMO system | |
CN105429687B (zh) | 一种最小化干扰功率与维度的干扰对齐方法 | |
Faragallah et al. | Performance enhancement of mmWave MIMO systems using deep learning framework | |
JP2009268106A (ja) | 信号対干渉電力と雑音比の決定方法およびその装置 | |
CN113258985B (zh) | 单站多星mimo上注***能效优化方法 | |
CN110149130A (zh) | 一种基于pso的大规模mimo***上行能量效率优化方法 | |
Zhang et al. | Deep learning-based coordinated beamforming for massive MIMO-enabled heterogeneous networks | |
CN112165347B (zh) | 一种毫米波纯模拟波束成形用户调度方法 |
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 |