CN115801072B - 一种网络辅助全双工***的模数转换器精度分配方法 - Google Patents

Abstract

本发明涉及一种网络辅助全双工***的模数转换器精度分配方法，属于移动通信技术领域。该方法针对基站端天线配备低精度模数转换器的上行无蜂窝***的频谱效率、能量效率联合优化问题，在用户服务质量约束与总量化比特约束下，给出一种基于非支配遗传算法的方法来联合优化频谱效率与能量效率，解决了该非凸优化问题难以求解的问题。所提出算法能够快速求解出使***频谱效率与能量效率最大化的低精度模数转换器量化精度选择方案，获得比等精度量化比特分配更优的性能，相比于传统凸优化方法具有更低的复杂度，且适用于其他多种全双工和半双工***。

Description

一种网络辅助全双工***的模数转换器精度分配方法

技术领域

本发明涉及一种网络辅助全双工大规模MIMO***中基于非支配遗传算法的低精度ADC量化比特数分配方法，属于移动通信技术领域。

背景技术

在网络辅助全双工大规模MIMO***中，具有多个天线的多个RAU密集地分布在一个区域中，并且连接到执行基带处理的公共中央处理器。在一个时隙，每个RAU可以执行上行接收或下行链路传输，并且不同的无线接入单元可以具有不同的选择，这使得下行链路传输和上行接收能够在同一频带上同时发生，可以用半双工基站实现带内全双工。在该***中，由于上行接收和下行发送同时进行，下行发送会干扰上行接收，导致RAU之间的干扰。尽管RAU之间的干扰可以通过地理位置分隔部分控制，但是这部分干扰仍然是降低上行速率的主要因素，干扰消除对提高频谱效率有着至关重要的作用。干扰消除的一种普遍方法为重建干扰，从接收到的信号中减去重建的干扰信号来进行干扰消除，因此需要利用波束成形训练机制来获取下行RAU和上行RAU之间的信道状态信息，进而消除干扰。

对于采用大型天线阵列和许多模数转换器的网络辅助全双工大规模MIMO***而言，尽管它具有显著的性能增益，但随着天线数量的增加，ADC的硬件复杂度、功耗会随着量化位数的增加而呈指数级增加，RAU和CPU间回传链路的容量需求会随着量化位数的增加而线性增加，带来高总功耗、昂贵的硬件和大规模数据处理问题。在网络辅助全双工大规模MIMO***中使用低精度模数转换器可以减少能量消耗、硬件代价和回传链路的负载，但是将带来频谱效率的降低。因此需要通过RAU量化比特分配方法联合优化该场景下的频谱效率和能量效率。

最简单的量化比特分配方式是等精度分配，即不考虑RAU和用户之间信道的质量，给每个RAU分配相同的量化比特数。这种分配方式虽然简便易行，但在各RAU与用户的通信信道质量相差较大时效果不理想。为此，需要考虑具有自适应性的量化比特分配方法。但大多数量化比特分配方法仅考虑频谱效率和能量效率一者，且从未在网络辅助全双工***中进行。为了联合优化网络辅助全双工大规模MIMO***的频谱效率和能量效率，快速获得RAU上量化比特分配矢量，有必要结合遗传算法等智能算法对量化比特进行优化。

发明内容

技术问题：本发明针对网络辅助全双工大规模分布式MIMO***中联合优化频谱效率和能量效率的低精度ADC量化比特分配问题，在上行服务质量约束以及量化比特总数的约束下，提出一种网络辅助全双工***的模数转换器精度分配方法，以联合优化频谱效率和能量效率。

技术方案：为实现上述目的，本发明的一种网络辅助全双工***的模数转换器精度分配方法采用如下技术方案：

步骤1，建立***频谱效率和能量效率联合最大化问题，具体为：

设定频谱效率函数：

其中，

为第k个下行用户的传输速率，/>为第k个上行用户的传输速率，

分别为N个RAU以及K_dl个下行用户处配备的ADC精度，T为***相干时间，T_ul为用于上行传输的符号数，T_dl为用于下行传输的符号数，其中，/>表示求随机变量、随机矢量或者随机矩阵的数学期望，(·)^H表示矩阵或向量的共轭转置，表示在信道估计过程中通过波束形成训练机制获得的第j个上行与第k个下行用户间有效下行干扰信道，/>为μ_k,i的最小均方误差MMSE估计，/>为估计误差，s_i是第i个下行用户发射的信号，x_j是第j个上行用户发出的信号；/>为所有远程接入单元RAU到第k个用户的信道，M表示每个RAU上的天线数，N_dl表示下行RAU数，K表示用户总数，_Kul为上行用户数目，_Kdl为下行用户数目，/>表示行数为m，列数为n的复矩阵或向量。u_t,k,j是第j个上行与第k个下行用户间的干扰信道；w_i是第i个下行用户的预编码向量。p_dl/ul,i是下行或上行传输功率，/>表示下行高斯信道零均值加性噪声的方差；ξ_k是与第k个下行用户ADC量化精度有关的系数。/>表示下行量化噪声的相关矩阵，n_q,dl,k表示低精度ADC的量化噪声，

为第k个上行用户的传输速率，其中，表示与低精度量化精度相关的对角矩阵，α_n是与第n个RAU配备的ADC精度b_n有关的精度参数，I_M表示维度为M×M的单位矩阵，/>是第i个上行用户到所有RAU的MMSE信道估计向量，N_ul表示上行RAU数；/>表示信道估计误差，/>表示第k个上行用户信号的接收机矢量的共轭转置，/>为RAU间等效干扰信道的估计误差。/>表示上行高斯信道零均值加性噪声的方差，/>表示上行量化噪声的相关矩阵；

设定能量效率函数：

其中，分别为N个RAU以及K_dl个下行用户处配备的ADC精度，W为传输带宽，T为***相干时间，T_ul为用于上行传输的符号数，T_dl为用于下行传输的符号数，P_total为总功耗，可以表示为P_total＝P_TC+P_T+P_LP+P_BH。P_TC为***收发机链路的能量，P_TC＝N(MP_BS+P_SYN)+KP_UE+MP_ADC，P_BS,P_SYN,P_UE分别为为与基站、晶振、用户功率消耗相关的常量，P_ADC＝a₀·M·2^b+a₁是与ADC量化精度相关的功耗，a₀,a₁为常量；

为***发送信号所需的能量，τ为信道估计占用的帧长度；ξ为放大器效率；/>为RAU端线性接收器与预编码器所需要的能量。/>为分布式天线***与CPU之间回传链路消耗的能量，P₀,P_BT分别为固定回传与可变回传功率消耗相关的常量；

联合最大化问题目标函数为：

所述联合最大化问题目标函数具有以下约束条件：

约束C1：回程容量受限导致的所有RAU上ADC总比特数的限制。M表示每个RAU上的天线数，b_n表示第n个RAU上的天线数，B_t表示所有RAU上最大ADC量化比特总数；

约束C2：上行链路的平均用户服务质量QoS要求；

约束C3：下行链路的平均用户服务质量要求；

约束C4：***子模块的功率约束。

步骤2，通过非支配遗传算法，迭代求解步骤一建立的问题；

首先，需要生成一个初始种群，该种群要满足约束C1，即量化比特数总和的限制，产生初始的b后，基于当前种群计算目标函数值，在联合最大化问题中即计算SE与EE的值；然后根据非主要等级的拥塞距离对当前种群进行排序，然后使用精英选择策略从当前排序的种群中选择一个父种群，进行选择、交叉、变异操作，然后合并和排序第一个父种群和后代种群，创建一个新种群并替换原始种群，重复此循环，直到满足优化条件，最后，获得一套帕累托最优解。

所述步骤一中，通过引入辅助变量{β_dl,n,k,η_dl,n,k，β_ul,n,k,η_ul,n,k，λ_t,k,j，λ_ul,n,m}，再使用伽马定理，若考虑最大比合并MRC接收机，将下行频谱效率转化为：

其中，辅助参数为，定义<x>_Γ＝Γ(x+0.5)/Γ(x)为准归一化伽马Gamma分布算符，/>为下行信道MMSE估计/>与估计误差/>的统计相关系数，/>

将上行频谱效率转化为：

其中，t_ul＝(N_ulM-K_ul+1)/N_ulM，以上式中，p_ul,k表示第k个用户的发送功率，p_dp,i表示第i个用户发射下行导频的功率，β_ul,n,k表示第n个上行RAU和第k个用户间估计的大尺度衰落，λ_I,n,m表示第n个上行RAU和第m个下行RAU间真实的大尺度衰落，η_ul,n,i表示第n个上行RAU和第i个用户间大尺度估计误差，α_n表示第n个上行RAU上和比特数bn相关的量化系数，当b_n≤5时，两者的关系如表1所示；b_n＞5时，

表1量化系数α与量化比特数b的关系.

所述步骤二中，遗传算法包括以下步骤：

步骤2.1，根据限制条件C1，随机产生RAU上量化比特数的初始值，

步骤2.2，计算***的频谱效率与能量效率，

步骤2.3，计算非支配排序与拥挤距离，基于计算非支配排序与拥挤距离对种群排序，

步骤2.4，重复以上步骤，

步骤2.5，通过精英选择策略选择出亲代种群，

步骤2.6，亲代种群选择、杂交、突变，生成子代种群，

步骤2.7，计算子代种群的频谱效率与能量效率，

步骤2.8，合并子代种群与亲代种群，计算合并种群的非支配排序与拥挤距离，基于计算非支配排序与拥挤距离对合并种群排序，

步骤2.9，挑选出较优的种群替代亲代种群。

有益效果：本发明利用遗传算法解决多目标优化问题，将复杂的数学求解问题转化为生物种群进化问题，所提出算法能够快速求解出联合优化***频谱效率和能量效率的RAU量化比特分配方案，且具有大尺度信息的自适应性，获得比等精度量化比特分配更优的性能。

网络辅助全双工分布式大规模多输入多输出***与现有全双工和半双工设备网络相比，显著提高了频谱效率。本发明针对网络辅助全双工分布式大规模多输入多输出***的低分辨率模数转换器的对***性能的影响，设计了一种用于低分辨率模数转换器的有效比特分配算法。本发明通过波束成形训练机制减轻了沉重的导频开销用于下行链路信道估计。针对能量效率和频谱效率的多目标联合优化，本发明利用遗传算法解决多目标优化问题，将复杂的数学求解问题转化为生物种群进化问题，所提出算法能够快速求解出联合优化***频谱效率和能量效率的RAU量化比特分配方案，且具有大尺度信息的自适应性，获得比等精度量化比特分配更优的性能。仿真结果证实了理论推导和验证在网络辅助全双工分布式大规模多输入多输出***中引入低分辨率模数转换器的有效性。同时，一组精度分配的帕累托最优集合为实际部署模数转换器提供了有价值的参考。

附图说明

图1为频谱效率与能量效率的关系示意图。

具体实施方式

下面结合附图和具体实例对本发明作进一步说明。

考虑一个网络辅助全双工***，仿真的区域限制在一个圆形区域内，其半径为R＝1km，所有N＝6RAUs随机分布在区域内(包含3个上行3个下行RAUs)。区域内有K_ul＝2个上行用户和K_dl＝3个下行用户随机分布。用户与RAUs的最小接入距离为r₀＝30m,路径损耗指数设置为α_ul＝α_dl＝3.7,上下行用户之间的路径损耗指数为α_t＝4,上行RAUs与下行RAUs之间的路径损耗指数为α_I＝3.相干时间为T＝196个符号，上行导频序列的长度为τ₁＝K个符号，下行导频序列的长度为τ₂＝K_dl个符号。与功率消耗有关的参数如表2所示。

表2功耗参数

本发明在该***的实现方法具体如下：

步骤一，建立***频谱效率和能量效率联合最大化问题；

设定频谱效率函数：

其中，

为第k个下行用户的传输速率。其中，表示求随机变量、随机矢量或者随机矩阵的数学期望，(·)^H表示矩阵或向量的共轭转置。/>表示在信道估计过程中通过波束形成训练机制获得的有效干扰信道，/>为μ_k,i的MMSE估计，/>为估计误差，

为所有RAU到第k个用户的信道，M表示每个RAU上的天线数，N_dl表示下行RAU数，K表示用户总数，/>表示行数为m，列数为n的复矩阵或向量。u_t,k,j是第j个上行与第k个下行用户间的干扰信道；w_i是第i个下行用户的预编码向量。p_dl/ul,i是下行或上行传输功率，/>表示下行高斯信道零均值加性噪声的方差；ξ_k是与第k个下行用户ADC量化精度有关的系数。/>表示下行量化噪声的相关矩阵，n_q,dl,k表示低精度ADC的量化噪声。

为第k个上行用户的传输速率。其中，表示与低精度量化精度相关的对角矩阵，α_n是与第n个RAU配备的ADC精度b_n有关的精度参数，I_M表示维度为M×M的单位矩阵，/>是第i个上行用户到所有RAU的MMSE信道估计向量，N_ul表示上行RAU数；/>表示信道估计误差，/>表示第k个上行用户信号的接收机矢量，/>为RAU间等效干扰信道的估计误差。/>表示上行高斯信道零均值加性噪声的方差。/>表示上行量化噪声的相关矩阵。

设定能量效率函数：

其中，分别为N个RAU以及K_dl个下行用户处配备的ADC精度，W为传输带宽，T为***相干时间，T_ul为用于上行传输的符号数，T_dl为用于下行传输的符号数，P_total为总功耗，可以表示为P_total＝P_TC+P_T+P_LP+P_BH。P_TC为***收发机链路的能量，P_TC＝N(MP_BS+P_SYN)+KP_UE+MP_ADC，P_BS,P_SYN,P_UE分别为为与基站、晶振、用户功率消耗相关的常量，P_ADC＝a₀·M·2^b+a₁是与ADC量化精度相关的功耗，a₀,a₁为常量。

为***发送信号所需的能量，τ为信道估计占用的帧长度；ξ为放大器效率。/>为RAU端线性接收器与预编码器所需要的能量。/>为分布式天线***与CPU之间回传链路消耗的能量，P₀,P_BT分别为固定回传与可变回传功率消耗相关的常量。

联合最大化问题目标函数为：

所述联合最大化问题目标函数具有以下约束条件：

约束C1：回程容量受限导致的所有RAU上ADC总比特数的限制。M表示每个RAU上的天线数，b_n表示第n个RAU上的天线数，B_t表示所有RAU上最大ADC量化比特总数；

约束C2：上行链路的平均用户服务质量要求；

约束C3：下行链路的平均用户服务质量要求；

约束C4：***子模块的功率约束。

所述步骤(2)中，通过非支配遗传算法，迭代求解问题：

(1)根据限制条件C1，随机产生RAU上量化比特数的初始值，

(2)计算***的频谱效率与能量效率，

(3)计算非支配排序与拥挤距离，基于计算非支配排序与拥挤距离对种群排序，

(4)通过精英选择策略选择出亲代种群，

(5)亲代种群选择、杂交、突变，生成子代种群，

(6)计算子代种群的频谱效率与能量效率，

合并子代种群与亲代种群，计算合并种群的非支配排序与拥挤距离，基于计算非支配排序与拥挤距离对合并种群排序，

(7)挑选出较优的种群替代亲代种群。

输入:根据限制条件C1，随机产生RAUs上量化比特数的初始值，

输出:问题1的一系列帕累托最优解，

1:计算***的频谱效率与能量效率，

2:计算非支配排序与拥挤距离，

3:基于计算非支配排序与拥挤距离对种群排序，

4:重复:

5:通过精英选择策略选择出亲代种群，

6:亲代种群选择、杂交、突变，

7:生成子代种群，

8:计算子代种群的频谱效率与能量效率，

9:合并子代种群与亲代种群，

10:计算合并种群的非支配排序与拥挤距离，

11:基于计算非支配排序与拥挤距离对合并种群排序，

12:挑选出较优的种群替代亲代种群，

13:直到:满足优化停止标准。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种网络辅助全双工***的模数转换器精度分配方法，其特征在于：包括以下步骤：

步骤1，建立***频谱效率和能量效率联合最大化问题，具体为：

设定频谱效率函数：

其中，

为第k个下行用户的传输速率，/>为第k个上行用户的传输速率，/>分别为N个RAU以及K_dl个下行用户处配备的ADC精度，T为***相干时间，T_ul为用于上行传输的符号数，T_dl为用于下行传输的符号数，其中，/>表示求随机变量、随机矢量或者随机矩阵的数学期望，(·)^H表示矩阵或向量的共轭转置，/>表示在信道估计过程中通过波束形成训练机制获得的第j个上行与第k个下行用户间有效下行干扰信道，/>为μ_k,i的最小均方误差MMSE估计，/>为估计误差，s_i是第i个下行用户发射的信号，x_j是第j个上行用户发出的信号；/>为所有远程接入单元RAU到第k个用户的信道，M表示每个RAU上的天线数，N_dl表示下行RAU数，K表示用户总数，K_ul为上行用户数目，K_dl为下行用户数目，/>表示行数为m，列数为n的复矩阵或向量；u_t,k,j是第j个上行与第k个下行用户间的干扰信道；w_i是第i个下行用户的预编码向量；p_dl/ul,i是下行或上行传输功率，表示下行高斯信道零均值加性噪声的方差；ξ_k是与第k个下行用户ADC量化精度有关的系数；/>表示下行量化噪声的相关矩阵，n_q,dl,k表示低精度ADC的量化噪声，

为第k个上行用户的传输速率，其中，表示与低精度量化精度相关的对角矩阵，α_n是与第n个RAU配备的ADC精度b_n有关的精度参数，I_M表示维度为M×M的单位矩阵，/>是第i个上行用户到所有RAU的MMSE信道估计向量，N_ul表示上行RAU数；/>表示信道估计误差，/>表示第k个上行用户信号的接收机矢量的共轭转置，/>为RAU间等效干扰信道的估计误差；/>表示上行高斯信道零均值加性噪声的方差，/>表示上行量化噪声的相关矩阵；

设定能量效率函数：

其中，分别为N个RAU以及K_dl个下行用户处配备的ADC精度，W为传输带宽，T为***相干时间，T_ul为用于上行传输的符号数，T_dl为用于下行传输的符号数，P_total为总功耗，可以表示为P_total＝P_TC+P_T+P_LP+P_BH；P_TC为***收发机链路的能量，P_TC＝N(MP_BS+P_SYN)+KP_UE+MP_ADC，P_BS,P_SYN,P_UE分别为为与基站、晶振、用户功率消耗相关的常量，P_ADC＝a₀·M·2^b+a₁是与ADC量化精度相关的功耗，a₀,a₁为常量；/>为***发送信号所需的能量，τ为信道估计占用的帧长度；ξ为放大器效率；/>为RAU端线性接收器与预编码器所需要的能量；/>为分布式天线***与CPU之间回传链路消耗的能量，P₀,P_BT分别为固定回传与可变回传功率消耗相关的常量；

联合最大化问题目标函数为：

所述联合最大化问题目标函数具有以下约束条件：

约束C1：回程容量受限导致的所有RAU上ADC总比特数的限制；M表示每个RAU上的天线数，b_n表示第n个RAU上的天线数，B_t表示所有RAU上最大ADC量化比特总数；

约束C2：上行链路的平均用户服务质量QoS要求；

约束C3：下行链路的平均用户服务质量要求；

约束C4：***子模块的功率约束；

步骤2，通过非支配遗传算法，迭代求解步骤一建立的问题；

首先，需要生成一个初始种群，该种群要满足约束C1，即量化比特数总和的限制，产生初始的b后，基于当前种群计算目标函数值，在联合最大化问题中即计算SE与EE的值；然后根据拥塞距离对当前种群进行排序，然后使用精英选择策略从当前排序的种群中选择一个父种群，进行选择、交叉、变异操作，然后合并和排序第一个父种群和后代种群，创建一个新种群并替换原始种群，重复此循环，直到满足优化条件，最后，获得一套帕累托最优解。

2.根据权利要求1所述的一种网络辅助全双工***的模数转换器精度分配方法，其特征在于：所述步骤一中，通过引入辅助变量{β_dl,n,k,η_dl,n,k，β_ul,n,k,η_ul,n,k，λ_t,k,j，λ_ul,n,m}，再使用伽马定理，若考虑最大比合并MRC接收机，将下行频谱效率转化为：

其中，辅助参数为，定义<x>_Γ＝Γ(x+0.5)/Γ(x)为准归一化伽马Gamma分布算符，/>为下行信道MMSE估计/>与估计误差/>的统计相关系数，/>

将上行频谱效率转化为：

其中，t_ul＝(N_ulM-K_ul+1)/N_ulM，

以上式中，p_ul,k表示第k个用户的发送功率，p_dp,i表示第i个用户发射下行导频的功率，β_ul,n,k表示第n个上行RAU和第k个用户间估计的大尺度衰落，λ_I,n,m表示第n个上行RAU和第m个下行RAU间真实的大尺度衰落，η_ul,n,i表示第n个上行RAU和第i个用户间大尺度估计误差，α_n表示第n个上行RAU上和比特数bn相关的量化系数，当b_n≤5时，两者的关系如表1所示；b_n＞5时，

表1量化系数α与量化比特数b的关系

3.根据权利要求1所述的一种网络辅助全双工***的模数转换器精度分配方法，其特征在于：所述步骤2中，遗传算法包括以下步骤：

步骤2.1，根据限制条件C1，随机产生RAU上量化比特数的初始值，

步骤2.2，计算***的频谱效率与能量效率，

步骤2.3，计算非支配排序与拥挤距离，基于计算非支配排序与拥挤距离对种群排序，

步骤2.4，重复以上步骤，

步骤2.5，通过精英选择策略选择出亲代种群，

步骤2.6，亲代种群选择、杂交、突变，生成子代种群，

步骤2.7，计算子代种群的频谱效率与能量效率，

步骤2.8，合并子代种群与亲代种群，计算合并种群的非支配排序与拥挤距离，基于计算非支配排序与拥挤距离对合并种群排序，

步骤2.9，挑选出较优的种群替代亲代种群。