CN102201890A - 数据发射方法及装置 - Google Patents

Abstract

本发明公开了一种数据发射方法，该方法包括：根据信道信息计算待发射的各路数据流加权后的和均方差获得各路数据流的预编码向量的中间量和各路数据流的均衡向量的中间量；将所述预编码向量的中间量与所述均衡向量的中间量进行迭代运算，获得各路数据流的预编码向量；采用所述预编码向量对各路数据流进行预编码处理；发射经预编码处理后的各路数据流。本发明同时公开一种数据发射装置。采用本发明可以避免出现错误平层问题，改善误码率性能。

Description

数据发射方法及装置

技术领域

本发明涉及通信技术领域，尤其涉及数据发射方法及装置。

v背景技术

MIMO(Multi Input Multi Output，多入多出)技术是无线移动通信领域智能天线技术的重大突破，该技术能在不增加带宽的情况下成倍地提高通信系统的容量和频谱利用率，是新一代移动通信系统采用的关键技术。MIMO系统的发送端和接收端均设置有多根天线。在传输信号时，所述发送端可以采用SM(Spatial Multiplexing，空分复用)的方式，将多个独立的信号通过不同的发射天线发送出去，所述接收端可以从不同的接收天线上接收信号，并从所述接收到的信号中获取发送端发射的信号。

但是，相邻的各个小区之间在未采用MIMO技术的时候，互相之间的干扰都已经很难处理，这方面在学术界和工业界都已有相当多的研究，例如采用频率规划、FFR(Fractional Frequency Reuse，部分频率复用技术)等方式避免干扰，或者采用干扰消除技术，如PIC(Parallel interference cancellation，并行干扰消除)、SIC(Successive Interference Cancellation，串行干扰消除)等减少干扰的影响，等等。当这些小区采用MIMO技术的时候，干扰情况更为复杂，现有的MU-MIMO(MultiUser Multiple-Input Multiple-Output，多用户输入输出)，Beamforming(天线波束赋形)等技术能够避免多用户间的干扰，实现多用户资源共享，但这些技术停留在同一小区内部，而小区间干扰仍然是限制蜂窝系统容量的主要因素。多小区联合的MU-MIMO，Beamforming可以降低干扰，但需要所有的发射节点都知道所有的信道信息和待发射数据信息，加上调度、传输延时要求等问题，对发射节点之间的Backhaul(回程线路)传输要求非常高，尤其在网络传输数据量越来越大的趋势下，这样的要求难以满足。而在上行方向，各个移动终端完全独立，一种方式是各个基站之间进行联合数据接收处理，通过联合检测的方式，消除用户间的干扰并分离出各个用户的信号。采用这种方式进行干扰消除需要的带宽比下行待发送数据共享所需的带宽更大，在实际系统中同样会造成很高的费用。

现在有的一种方案是各发射点之间只共享各自的信道信息，而不共享待发射数据，然后采用干扰对齐(interference alignment)的方法，自动把来自其它所有发射节点的干扰归拢到对应接收机能处理的信号空间，从而实现干扰消除。但是，线性干扰对齐技术目前仍处于研究的初始阶段，如何有效实现对任意用户数，任意天线数的干扰对齐的问题没有解决。

现有技术提供一种干扰对齐方法，用时间扩展的方法实现了干扰对齐，并在K个用户每个用户M个发射天线的配置下达到了KM/2的自由度，在干扰处理方向前进了一大步。为了证明能达到KM/2的自由度，该方法还提出了各发射节点的预编码方式。

然而，上述现有技术中需要任意连续的两个信道都完全独立，而且为了达到KM/2的自由度，需要在时域无限扩展，在实际中难以实现。而且，线性干扰对齐的方法，能有效的把干扰消除掉，从而获得最大化SIR(Signal toInterference Ratio，信号干扰比)的效果，但是，由于其方案主要针对干扰，导致抗噪性能一般，因此只在高SNR(Signal to Noise Ratio，信噪比)情况下能获得较为理想的性能，但在中低SNR情况下，性能并不好。

针对上述现有技术的缺陷，现有技术又提出了两种迭代算法，从而能在中低SNR情况下还能获得较好的检测性能。

但是，发明人在实现本发明的过程中，发现现有技术中的迭代算法仍存在如下不足：

现有技术的第一种迭代算法要么交替在接收机最小化干扰功率和在发射机最小化泄漏功率，要么在接收机最大化SINR(Signal to Interference plus Noise Ratio，信号与干扰和噪声比)和发射机最大化SLNR(Signal toLeakage Noise Ratio，信漏噪比)，性能还不够好。算法中错误平层(error floor)出现的比较早，在较低信噪比下已经不能满足性能要求。现有技术的第二种迭代算法利用的主要是TDD(Time Division Duplex，时分双工)的上下行信道对称性的特点，虽然信道信息较为精确，但对FDD(Frequency Division Duplex，频分双工)系统不适用。

发明内容

本发明实施例提供一种数据发射方法，改善误码率性能，该方法包括：

根据信道信息计算待发射的各路数据流加权后的和均方差获得各路数据流的预编码向量的中间量和各路数据流的均衡向量的中间量；

将所述预编码向量的中间量与所述均衡向量的中间量进行迭代运算，获得各路数据流的预编码向量；

采用所述预编码向量对各路数据流进行预编码处理；

发射经预编码处理后的各路数据流。

本发明实施例还提供一种数据发射装置，用以避免出现错误平层问题，改善误码率性能，该装置包括：

计算模块，用于根据信道信息计算待发射的各路数据流加权后的和均方差获得各路数据流的预编码向量的中间量和各路数据流的均衡向量的中间量；

迭代模块，用于将所述预编码向量的中间量与所述均衡向量的中间量进行迭代运算，获得各路数据流的预编码向量；

预编码模块，用于采用所述预编码向量对各路数据流进行预编码处理；

发射模块，用于发射经预编码处理后的各路数据流。

本发明实施例中，根据信道信息计算待发射的各路数据流加权后的和均方差获得各路数据流的预编码向量的中间量和各路数据流的均衡向量的中间量；将所述预编码向量的中间量与所述均衡向量的中间量进行迭代运算，获得各路数据流的预编码向量；可以避免现有技术中用时间扩展的方法实现干扰对齐时时域扩展过长导致不实用的缺陷，在有限的资源情况下，快速收敛完成干扰对齐过程，得到比现有技术中迭代算法更好的性能，避免错误平层的较早出现，保证在较低信噪比下也能够满足性能要求；同时也广泛适用于TDD系统和FDD系统。

附图说明

为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明实施例中数据发射方法的处理流程图；

图2为本发明实施例中迭代算法的处理流程图；

图3为本发明实施例中四个用户的MIMO干扰信道BER性能比较示意图；

图4为本发明实施例中四个用户的MIMO干扰信道BER性能比较另一示意图；

图5为本发明实施例中三个用户的MIMO干扰信道BER性能比较示意图；

图6为本发明实施例中wsum-MSE_IA算法在不同迭代次数下的BER性能示意图；

图7为本发明实施例中另一迭代算法的处理流程图；

图8为本发明实施例中数据发射装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

本发明实施例提供一种数据发射方法，其处理流程如图1所示，可以包括：

步骤101、根据信道信息计算待发射的各路数据流加权后的和均方差获得各路数据流的预编码向量的中间量和各路数据流的均衡向量的中间量；

步骤102、将所述预编码向量的中间量与所述均衡向量的中间量进行迭代运算，获得各路数据流的预编码向量；

步骤103、采用所述预编码向量对各路数据流进行预编码处理；

步骤104、发射经预编码处理后的各路数据流。

由图1所示流程可以得知，本发明实施例中，根据信道信息计算待发射的各路数据流加权后的和均方差获得各路数据流的预编码向量的中间量和各路数据流的均衡向量的中间量；将所述预编码向量的中间量与所述均衡向量的中间量进行迭代运算，获得各路数据流的预编码向量，可以避免现有技术中用时间扩展的方法实现干扰对齐时时域扩展过长导致不实用的缺陷，在有限的资源情况下，快速收敛完成干扰对齐过程，得到比现有技术中迭代算法更好的性能，避免错误平层的较早出现，保证在较低信噪比下也能够满足性能要求；同时也广泛适用于TDD系统和FDD系统。

图1所示流程在具体实施时，可以考虑如下K用户MIMO干扰信道：

假设有K对发射机接收机对，每个发射机有M个发射天线，每个接收机有N个接收天线，所有发射机均获知所有的信道信息，每个发射机均未获知其它发射机待传输的数据流，用户m_k有L_k路数据流，m_k∈{1，2，…，K}，总共有路数据流，每路数据流的功率均为P_i(i∈{1，2，…，L})，则：所述接收的多路数据流中，第k路数据流为：

$y_k=\underset{n=1,n\≠k}{\overset{L}{\mathrm{\Σ}}}{H}_{m_k{m}_n}{w}_n{x}_n+H_{m_k{m}_k}{w}_k{x}_k+n_k---\left(1\right)$

其中，k∈{1，2，…，L}，w_k为数据流x_k的预编码向量，大小为M×1，为由发射机m_n到接收机m_k的N×M的信道矩阵，n_k是N×1的高斯白噪声(Additive White Gaussian Noise，AWGN)，方差为σ²；

所述均衡处理后恢复出的第k路数据流为：

$\hat{x}=g_k^H{y}_k=\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{g}_k^H{H}_{m_k{m}_n}{w}_n{x}_n+g_k^H{n}_k---\left(2\right)$

其中，g_k为数据流x_k的均衡向量，大小为N×1，即对接收信号y_k用一个N×1的接收均衡器g_k来恢复出数据流。

为了获得(2)式中所示的第k路数据流的最优估计，本发明实施例中根据信道信息计算均方差(Mean Square Error，MSE)，即：

${\mathrm{MSE}}_k=E\left({|{\hat{x}}_k-x_k|}^2\right)=\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{g}_k^H{H}_{m_k{m}_n}{w}_n{w}_n^H{H}_{m_k{m}_n}^H{g}_k$

$-g_k^H{H}_{m_k{m}_k}{w}_k-w_k^H{H}_{m_k{m}_k}^H{g}_k-{\mathrm{\σ}}^2{g}_k^H{g}_k+1$

上述计算均方差的方法可以有多种，通过计算能够获得各路数据流的预编码向量的中间量和各路数据流的均衡向量的中间量即可，本发明实施例中以最小化均方差为例进行说明。另外，由于考虑到有多路数据流同时最优化，本发明实施例中可以用计算和均方差来作为最优化目标。考虑到有些较大MSE可能会对和均方差有过大的影响，本发明实施例进一步对待发射的各路数据流的均方差进行加权，引入加权系数η_k，这样，加权后各路数据流的和均方差为：

$J=\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_{k}E\left({|{\hat{x}}_k-x_k|}^2\right)=\mathrm{\γ}(\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{w}_k^H{w}_n-P_T)$

$+\underset{k=1}{\overset{L}{\mathrm{\Σ}}}\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k{g}_k^H{H}_{m_k{m}_n}{w}_n{w}_n^H{H}_{m_k{m}_n}^H{g}_k+{\mathrm{\σ}}^2\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k{g}_k^H{g}_k$

$-\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k(g_k^H{H}_{m_k{m}_n}{w}_k+w_k^H{H}_{m_k{m}_k}^H{g}_k)$

其中，

η_k＞0，γ是对总功率

进行约束的拉格朗日(Lagrange)乘子。

同样的，计算待发射的各路数据流加权后的和均方差的方法可以有多种，通过计算能够获得各路数据流的预编码向量的中间量和各路数据流的均衡向量的中间量即可，本发明实施例中以最小化各路数据流加权后的和均方差为例进行说明。根据信道信息最小化待发射的各路数据流加权后的和均方差，即对J分别取w_k和g_k的复偏微分并令之为零，可以得到最小化代价函数J的w_k和g_k的最优解，即各路数据流的预编码向量的中间量为：

$w_k={\mathrm{\η}}_k{(\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k{H}_{m_n{m}_k}^H{g}_n{g}_n^H{H}_{m_n{m}_k}+\mathrm{\γ}{I}_M)}^{-1}{H}_{m_k{m}_k}{g}_k---\left(3\right)$

各路数据流的均衡向量的中间量为：

$g_k={(\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{H}_{m_k{m}_n}{w}_n{w}_n^H{H}_{m_k{m}_n}^H+{\mathrm{\σ}}^2{I}_N)}^{-1}{H}_{m_k{m}_k}{w}_k---\left(4\right)$

其中，k∈{1，2，…，L}，m_k∈{1，2，…，K}，I_M是M维的单位矩阵，I_N是N维的单位矩阵。

如果假设均衡向量g_k(k∈{1，2，…，L})组已知，则由式(3)，可以找到根据MMSE准则的最优预编码解w_k(k∈{1，2，…，L})，同样地，假设预编码向量组已知，也可以同样根据MMSE准则得到最优的均衡器解。根据w_k和g_k这样的耦合关系，本发明实施例采用迭代的方法来找到最优化的预编码向量和均衡向量。

首先，考虑计算拉格朗日乘子γ：

给定g_k，将式(3)代入功率约束方程，可得：

$\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{g}_k^H{H}_{m_k{m}_k}^H{(B_k+\mathrm{\γ}{I}_M)}^{-2}{H}_{m_k{m}_k}{g}_k=\frac{P_T}{{\mathrm{\η}}_k^2}---\left(5\right)$

其中，B_k是M-的厄米特(Hermitian)矩阵，满足：

$B_k={\mathrm{\Σ}}_{n=1}^L{\mathrm{\η}}_n{H}_{m_n{m}_k}^H{g}_n{g}_n^H{H}_{m_n{m}_k}$

其特征值分解可表示为：

$B_k=U_k{D}_k{U}_k^H$

其中，U_k是M维的酉矩阵，D_k是M维的对角矩阵，其对角元为d_kn；令

则式(5)可简化为：

$\underset{k=1}{\overset{L}{\mathrm{\Σ}}}\frac{\left|b_{\mathrm{kn}}\right|}{{(d_{\mathrm{kn}}+\mathrm{\γ})}^2}=P_T---\left(6\right)$

解式(6)即可得拉格朗日乘子γ。

一个实施例中，当权系数全部相等，即对所有数据流都有η_k＝1，此时γ为定值。如果算法收敛到一个点(w_k ^*，g_k ^*)，则由式(3)和式(4)可得：

$\left\{\begin{array}{c}\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{H}_{m_n{m}_k}^H{g}_n^{*}{g}_n^{*H}{H}_{m_n{m}_k}{w}_k^{*}+\mathrm{\γ}{w}_k^{*}={H_{m_k{m}_k}g}_k^{*}\\ \underset{n=1}{\overset{L}{\mathrm{\Σ}}}{H}_{m_k{m}_n}{w}_n^{*}{w}_n^{*H}{H}_{m_k{m}_n}^H{g}_k^{*}+{\mathrm{\σ}}^2{g}_k^{*}=H_{m_k{m}_k}{w}_k^{*}\end{array}\right.$

因此，可以得到：

$\left\{\begin{array}{c}\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{\left|w_k^{*H}{H}_{m_n{m}_k}^H{g}_n^{*}\right|}^2+\mathrm{\γ}{\left|\right|w_k^{*}\left|\right|}^2=w_k^{*H}{H}_{m_k{m}_k}^H{g}_k^{*}\\ \underset{n=1}{\overset{L}{\mathrm{\Σ}}}{\left|w_n^{*H}{H}_{m_k{m}_n}^H{g}_k^{*}\right|}^2+{\mathrm{\σ}}^2{\left|\right|g_k^{*}\left|\right|}^2=g_k^{*H}{H}_{m_k{m}_k}^H{w}_k^{*}\end{array}\right.---\left(7\right)$

令

则式(7)可重写为：

$\left\{\begin{array}{c}{c}_{\mathrm{kk}}-\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{\left|c_{\mathrm{nk}}\right|}^2=\mathrm{\γ}{\left|\right|w_k^{*}\left|\right|}^2\\ c_{\mathrm{kk}}-\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{\left|c_{\mathrm{kn}}\right|}^2={\mathrm{\σ}}^2{\left|\right|g_k^{*}\left|\right|}^2\end{array}\right.---\left(8\right)$

将式(8)中的k从1到L的所有方程相加可得：

$\mathrm{\γ}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\left|\right|w_k^{*}\left|\right|}^2={\mathrm{\σ}}^2\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\left|\right|g_k^{*}\left|\right|}^2$

注意到

因此有：

$\mathrm{\γ}=\frac{{\mathrm{\σ}}^2}{P_T}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\left|\right|g_k^{\left(i\right)}\left|\right|}^2---\left(9\right)$

下面给出本发明实施例中的迭代算法：

由于最优预编码向量与均衡向量有耦合关系，本发明实施例中根据式(3)和式(4)交替计算w_k和g_k。可以给w_k，k＝1，2，…，L赋一组初值来按式(4)计算g_k，k＝1，2，…，L，然后按式(3)重新计算w_k，这里的权系数η_k初值设为1，然后按照下式进行迭代得到所有的η_k：

${\mathrm{\η}}_k^{(i+1)}={\mathrm{\η}}_k^{\left(i\right)}+{\mathrm{\α}}^{\left(i\right)}{\mathrm{MSE}}_k^{\left(i\right)}---\left(10\right)$

然后进行归一化以满足

式(10)中i为迭代次数，α⁽ⁱ⁾为可变步长，满足：

${\mathrm{\α}}^{\left(i\right)}={\mathrm{\α}}_0\·\frac{1+c_0}{i+c_0}---\left(11\right)$

这里α₀∈(0，1]为初始值，c₀是一固定值。由式(10)，可以看到，对于MSE较差(即MSE值较大)的用户，其权会加大，这样下次迭代时其MSE值会降低得更快一些。为使该算法尽快收敛，如式(11)所示，令步长权值α⁽ⁱ⁾随着迭代次数增加而逐步减小，这样加权系数η_k的变化会随着迭代次数的增加而减少。虽然γ由式(6)可以计算，但利用式(9)所示的固定值的特性，可以用更简单的方法来得到：

${\mathrm{\γ}}^{(i+1)}=\frac{{\mathrm{\σ}}^2}{P_T}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\left|\right|g_k^{\left(i\right)}\left|\right|}^2---\left(12\right)$

由于式(12)只在算法收敛且η_k＝1的时候才成立，每次根据式(3)对w_k进行迭代更新后，需要重新归一化以满足发射功率的要求。当所有w_k都得到后，就可以更新迭代g_k，并重复该过程直至到达预定的迭代次数或者满足收敛条件，即相邻两次迭代的w_k和g_k值足够小。

一个实施例中，和均方差迭代算法可以看成是上述算法的一个特例，即令所有权系数恒等于1：η_k＝1，所有k。

综上，本发明实施例中，步骤102的将预编码向量的中间量与均衡向量的中间量进行迭代运算，获得各路数据流的预编码向量在具体实施时，可以如图2所示，提供一种所述加权后各路数据流的和均方差干扰对齐的迭代算法，其处理流程可以包括：

步骤201、初始化，包括：由任意w_k ⁽⁰⁾开始初始化，其中c₀和α₀∈(0，1]，对k＝1，2，…，L，

按如下步骤进行迭代处理：

步骤202、更新均衡向量，即：按如下公式计算g_k ⁽ⁱ⁾，其中i为迭代次数：

$g_k={(\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{H}_{m_k{m}_n}{w}_n{w}_n^H{H}_{m_k{m}_n}^H+{\mathrm{\σ}}^2{I}_N)}^{-1}{H}_{m_k{m}_k}{w}_k,$

其中I_N是N维的单位矩阵；

步骤203、计算权系数，即：按如下公式计算η_k ⁽ⁱ⁾，并按

进行归一化：

${\mathrm{\η}}_k^{(i+1)}={\mathrm{\η}}_k^{\left(i\right)}+{\mathrm{\α}}^{\left(i\right)}{\mathrm{MSE}}_k^{\left(i\right)}$

其中可变步长为

步骤204、更新预编码向量，即：按如下公式计算w_k ⁽ⁱ⁾：

$w_k={\mathrm{\η}}_k{(\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k{H}_{m_n{m}_k}^H{g}_n{g}_n^H{H}_{m_n{m}_k}+\mathrm{\γ}{I}_M)}^{-1}{H}_{m_k{m}_k}{g}_k,$

其中I_M是M维的单位矩阵；

按如下公式获得γ：

${\mathrm{\γ}}^{(i+1)}=\frac{{\mathrm{\σ}}^2}{P_T}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\left|\right|g_k^{\left(i\right)}\left|\right|}^2;$

按对w_k ⁽ⁱ⁾进行归一化；

步骤205、返回步骤202，直至收敛条件满足或到达预设的迭代次数。

下面讨论上述迭代算法的收敛性，即对所有k都有η_k＝1，或者，考虑加权，但加权值几乎恒定，即如式(11)所示，在一定次数的迭代后，α⁽ⁱ⁾已经足够小。

如图2所示，在第i次迭代中，对于任一给定的w_k ^(i-1)，k＝1，2，…，L，代价函数J都可以在g_k ⁽ⁱ⁾，k＝1，2，…，L处得到最小值。这样，在得到的g_k ⁽ⁱ⁾下，J可以在下一次迭代中得到最优的w_k ⁽ⁱ⁾后进一步减小，这样的重复迭代意味着：

$J(w_k^{(i-1)},g_k^{(i-1)})\≥J(w_k^{(i-1)},g_k^{\left(i\right)})\≥J(w_k^{\left(i\right)},g_k^{\left(i\right)})\≥$

$J(w_k^{\left(i\right)},g_k^{(i+1)})\≥J(w_k^{(i+1)},g_k^{(i+1)})\≥...$

这样，很显然上述算法是单调递减函数，因此其收敛性是可以得到保证的。

下面讨论上述仿真结果，将本发明实施例所述的最小化加权和均方差的迭代算法记为wsum-MSE_IA，与其他算法进行比较，其中，本发明实施例中最小化和均方差的迭代算法标记为sum-MSE，现有技术中的第一种迭代算法记为KVS，第二种迭代算法记为SR。

在仿真中，假设条件包括：平坦衰落，所有发射节点和接收节点都知道所有信道信息，各算法经历相同的信道，QPSK调制，最大迭代次数均设为20，总功率一致，在KVS和SR算法中，每个流的功率也设为相等。

图3给出了四个用户的MIMO干扰信道BER(Bit Error Rate，误码率)性能比较，每个节点均配置3个天线，每个用户都只传输一个流，表示为：L＝[1，1，1，1]。可见wsum-MSE_IA和sum-MSE_IA远远好于现有的KVS和SR这两个算法，sum-MSE_IA比KVS性能改善3～5dB，在高信噪比下，wsum-MSE_IA相对于KVS可以有6～8dB的性能增益，也可以发现SR算法效果较差，因此在下面的比较中不再把它考虑了。

图4给出了四个用户的MIMO干扰信道BER性能比较，每个节点均配置4个天线，流的分布为L＝[2，2，1，1]，图5给出了三个用户的MIMO干扰信道BER性能比较，每个节点均配置4个天线，L＝[2，2，2]。可以看到，本发明实施例所述算法依然有较好的改善效果，在高信噪比下，KVS和sum-MSE_IA看起来都有了错误平层，但wsum-MSE_IA仍然能较好地工作。

图6给出了wsum-MSE_IA算法在不同迭代次数下的BER性能，可以看到收敛速度较快，20次迭代后算法已经可以认为收敛了。

上面的实施例中，首先初始化的是w_k ⁽ⁱ⁾，我们也可以先初始化g_k ⁽ⁱ⁾，即如图7所示，迭代处理流程可以包括：

步骤701、初始化，包括：由任意g_k ⁽⁰⁾开始初始化，其中c₀和α₀∈(0，1]，对k＝1，2，…，L，按如下步骤进行迭代处理：

步骤702、更新预编码向量，即：按如下公式计算w_k ⁽ⁱ⁾，其中i为迭代次数：

$w_k={\mathrm{\η}}_k{(\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k{H}_{m_n{m}_k}^H{g}_n{g}_n^H{H}_{m_n{m}_k}+\mathrm{\γ}{I}_M)}^{-1}{H}_{m_k{m}_k}{g}_k,$ 其中I_M是M维的单位矩阵；

按如下公式获得γ：

${\mathrm{\γ}}^{(i+1)}=\frac{{\mathrm{\σ}}^2}{P_T}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\left|\right|g_k^{\left(i\right)}\left|\right|}^2;$

按

对w_k ⁽ⁱ⁾进行归一化；

步骤703、更新均衡向量，即：按如下公式计算g_k ⁽ⁱ⁾：

其中I_N是N维的单位矩阵；

步骤704、计算权系数，即：按如下公式计算η_k ⁽ⁱ⁾，并按进行归一化：

${\mathrm{\η}}_k^{(i+1)}={\mathrm{\η}}_k^{\left(i\right)}+{\mathrm{\α}}^{\left(i\right)}{\mathrm{MSE}}_k^{\left(i\right)}$

其中可变步长为

步骤705、返回步骤702，直至收敛条件满足或到达预设的迭代次数。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，可以包括上述实施例方法中的全部或部分步骤，所述的存储介质可以包括：ROM、RAM、磁盘、光盘等。

本发明实施例中还提供了一种数据发射装置，如下面的实施例所述。由于该装置解决问题的原理与数据发射方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。

本发明实施例中提供一种数据发射装置，其结构如图8所示，该装置可以包括：

计算模块801，用于根据信道信息计算待发射的各路数据流加权后的和均方差获得各路数据流的预编码向量的中间量和各路数据流的均衡向量的中间量；

迭代模块802，用于将所述预编码向量的中间量与所述均衡向量的中间量进行迭代运算，获得各路数据流的预编码向量；

预编码模块803，用于采用所述预编码向量对各路数据流进行预编码处理；

发射模块804，用于发射经预编码处理后的各路数据流。

一个实施例中，计算模块801具体可以用于：根据信道信息最小化待发射的各路数据流加权后的和均方差，获得各路数据流的预编码向量的中间量和各路数据流的均衡向量的中间量。

一个实施例中，待发射的各路数据流加权后的和均方差可以为：

$J=\mathrm{\γ}(\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{w}_k^H{w}_n-P_T)+\underset{k=1}{\overset{L}{\mathrm{\Σ}}}\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k{g}_k^H{H}_{m_k{m}_n}{w}_n{w}_n^H{H}_{m_k{m}_n}^H{g}_k$

$+{\mathrm{\σ}}^2\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k{g_k^{H}g}_k-\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k(g_k^H{H}_{m_k{m}_n}{w}_k+w_k^H{H}_{m_k{m}_k}^H{g}_k)$

其中，K为发射机接收机的对数，M为每个发射机的发射天线个数，N为每个接收机的接收天线个数，所有发射机均获知所有的信道信息，L_k为用户m_k数据流的路数，m_k∈{1，2，…，K}，P_i(i∈{1，2，…，L})为每路数据流的功率；

k∈{1，2，…，L}，w_k为数据流x_k的预编码向量，大小为M×1，为由发射机m_n到接收机m_k的N×M的信道矩阵，n_k是N×1的高斯白噪声，方差为σ²；

g_k为数据流x_k的均衡向量，大小为N×1；

η_k＞0，γ是对总功率

进行约束的拉格朗日乘子。

一个实施例中，各路数据流的预编码向量的中间量为：

$w_k={\mathrm{\η}}_k{(\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k{H}_{m_n{m}_k}^H{g}_n{g}_n^H{H}_{m_n{m}_k}+\mathrm{\γ}{I}_M)}^{-1}{H}_{m_k{m}_n}{g}_k,$ 其中I_M是M维的单位矩阵；

所述各路数据流的均衡向量的中间量为：

其中I_N是N维的单位矩阵。

一个实施例中，迭代模块802可具体用于：

由任意w_k ⁽⁰⁾开始初始化，其中c₀和α₀∈(0，1]，对k＝1，2，…，L，η_k ⁽⁰⁾＝1；按如下步骤进行迭代处理：

根据

计算g_k ⁽ⁱ⁾，其中i为迭代次数，I_N是N维的单位矩阵；

根据

计算η_k ⁽ⁱ⁾，并按

进行归一化，其中可变步长为

根据

计算w_k ⁽ⁱ⁾，其中I_M是M维的单位矩阵；

根据 ${\mathrm{\γ}}^{(i+1)}=\frac{{\mathrm{\σ}}^2}{P_T}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\left|\right|g_k^{\left(i\right)}\left|\right|}^2$ 获得γ；

按

对w_k ⁽ⁱ⁾进行归一化；

返回执行上述迭代处理步骤，直至收敛条件满足或到达预设的迭代次数。

一个实施例中，迭代模块802可具体用于：

由任意g_k ⁽⁰⁾开始初始化，其中c₀和α₀∈(0，1]，对k＝1，2，…，L，

按如下步骤进行迭代处理：

根据

计算w_k ⁽ⁱ⁾，其中i为迭代次数，I_M是M维的单位矩阵；

根据 ${\mathrm{\γ}}^{(i+1)}=\frac{{\mathrm{\σ}}^2}{P_T}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\left|\right|g_k^{\left(i\right)}\left|\right|}^2$ 获得γ；

按

对w_k ⁽ⁱ⁾进行归一化；

根据计算g_k ⁽ⁱ⁾，其中I_N是N维的单位矩阵；

根据

计算η_k ⁽ⁱ⁾，并按

进行归一化，其中可变步长为

返回执行上述迭代处理步骤，直至收敛条件满足或到达预设的迭代次数。

综上所述，本发明实施例中，根据信道信息计算待发射的各路数据流加权后的和均方差获得各路数据流的预编码向量的中间量和各路数据流的均衡向量的中间量；将所述预编码向量的中间量与所述均衡向量的中间量进行迭代运算，获得各路数据流的预编码向量；采用所述预编码向量对各路数据流进行预编码处理；发射经预编码处理后的各路数据流，可以避免现有技术中用时间扩展的方法实现干扰对齐时时域扩展过长导致不实用的缺陷，在有限的资源情况下，快速收敛完成干扰对齐过程，得到比现有技术中迭代算法更好的性能，避免错误平层的较早出现，保证在较低信噪比下也能够满足性能要求；同时也广泛适用于TDD系统和FDD系统。

本发明实施例中，在最小化和均方差算法中，引入了加权因子；在可变步长控制下，迭代算法能保证单调下降，保证收敛；通过迭代算法可以找到最优的预编码向量和均衡向量，从而解决干扰对齐问题，改善了BER的性能。

以上所述的具体实施例，对本发明的目的、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 (12)

1.一种数据发射方法，其特征在于，该方法包括：

根据信道信息计算待发射的各路数据流加权后的和均方差获得各路数据流的预编码向量的中间量和各路数据流的均衡向量的中间量；

将所述预编码向量的中间量与所述均衡向量的中间量进行迭代运算，获得各路数据流的预编码向量；

采用所述预编码向量对各路数据流进行预编码处理；

发射经预编码处理后的各路数据流。

2.如权利要求1所述的方法，其特征在于，所述根据信道信息计算待发射的各路数据流加权后的和均方差，获得各路数据流的预编码向量的中间量和各路数据流的均衡向量的中间量，包括：

根据信道信息最小化待发射的各路数据流加权后的和均方差，获得各路数据流的预编码向量的中间量和各路数据流的均衡向量的中间量。

3.如权利要求1或2所述的方法，其特征在于，所述待发射的各路数据流加权后的和均方差为：

$J=\mathrm{\γ}(\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{w}_k^H{w}_n-P_T)+\underset{k=1}{\overset{L}{\mathrm{\Σ}}}\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k{g}_k^H{H}_{m_k{m}_n}{w}_n{w}_n^H{H}_{m_k{m}_n}^H{g}_k$

$+{\mathrm{\σ}}^2\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k{g}_k^H{g}_k-\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k(g_k^H{H}_{m_k{m}_n}{w}_k+w_k^H{H}_{m_k{m}_k}^H{g}_k)$

其中，K为发射机接收机的对数，M为每个发射机的发射天线个数，N为每个接收机的接收天线个数，所有发射机均获知所有的信道信息，L_k为用户m_k数据流的路数，m_k∈{1，2，…，K}，P_i(i∈{1，2，…，L})为每路数据流的功率；

k∈{1，2，…，L}，w_k为数据流x_k的预编码向量，大小为M×1，为由发射机m_n到接收机m_k的N×M的信道矩阵，n_k是N×1的高斯白噪声，方差为σ²；

g_k为数据流x_k的均衡向量，大小为N×1；

η_k＞0，γ是对总功率

进行约束的拉格朗日乘子。

4.如权利要求3所述的方法，其特征在于，所述各路数据流的预编码向量的中间量为：

$w_k={\mathrm{\η}}_k{(\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k{H}_{m_n{m}_k}^H{g}_n{g}_n^H{H}_{m_n{m}_k}+\mathrm{\γ}{I}_M)}^{-1}{H}_{m_k{m}_k}{g}_k,$ 其中I_M是M维的单位矩阵；

所述各路数据流的均衡向量的中间量为：

$g_k={(\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{H}_{m_k{m}_n}{w}_n{w}_n^H{H}_{m_k{m}_n}^H+{\mathrm{\σ}}^2{I}_N)}^{-1}{H}_{m_k{m}_k}{w}_k,$ 其中I_N是N维的单位矩阵。

5.如权利要求4所述的方法，其特征在于，将所述预编码向量的中间量与所述均衡向量的中间量进行迭代运算，获得各路数据流的预编码向量，包括：

由任意w_k ⁽⁰⁾开始初始化，其中c₀和α₀∈(0，1]，对k＝1，2，…，L，η_k ⁽⁰⁾＝1；按如下步骤进行迭代处理：

根据 $g_k={(\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{H}_{m_k{m}_n}{w}_n{w}_n^H{H}_{m_k{m}_n}^H+{\mathrm{\σ}}^2{I}_N)}^{-1}{H}_{m_k{m}_k}{w}_k$ 计算g_k ⁽ⁱ⁾，其中i为迭代次数，I_N是N维的单位矩阵；

根据

计算η_k ⁽ⁱ⁾，并按

进行归一化，其中可变步长为

根据 $w_k={\mathrm{\η}}_k{(\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k{H}_{m_n{m}_k}^H{g}_n{g}_n^H{H}_{m_n{m}_k}+\mathrm{\γ}{I}_M)}^{-1}{H}_{m_k{m}_k}{g}_k$ 计算w_k ⁽ⁱ⁾，其中I_M是M维的单位矩阵；

根据

获得γ；

按

对w_k ⁽ⁱ⁾进行归一化；

返回执行上述迭代处理步骤，直至收敛条件满足或到达预设的迭代次数。

6.如权利要求4所述的方法，其特征在于，将所述预编码向量的中间量与所述均衡向量的中间量进行迭代运算，获得各路数据流的预编码向量，包括：

由任意g_k ⁽⁰⁾开始初始化，其中c₀和α₀∈(0，1]，对k＝1，2，…，L，η_k ⁽⁰⁾＝1；按如下步骤进行迭代处理：

根据 $w_k={\mathrm{\η}}_k{(\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k{H}_{m_n{m}_k}^H{g}_n{g}_n^H{H}_{m_n{m}_k}+\mathrm{\γ}{I}_M)}^{-1}{H}_{m_k{m}_k}{g}_k$ 计算w_k ⁽ⁱ⁾，其中i为迭代次数，I_M是M维的单位矩阵；

根据

获得γ；

按

对w_k ⁽ⁱ⁾进行归一化；

根据 $g_k={(\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{H}_{m_k{m}_n}{w}_n{w}_n^H{H}_{m_k{m}_n}^H+{\mathrm{\σ}}^2{I}_N)}^{-1}{H}_{m_k{m}_k}{w}_k$ 计算g_k ⁽ⁱ⁾，其中I_N是N维的单位矩阵；

根据

计算η_k ⁽ⁱ⁾，并按

进行归一化，其中可变步长为

返回执行上述迭代处理步骤，直至收敛条件满足或到达预设的迭代次数。

7.一种数据发射装置，其特征在于，该装置包括：

计算模块，用于根据信道信息计算待发射的各路数据流加权后的和均方差获得各路数据流的预编码向量的中间量和各路数据流的均衡向量的中间量；

迭代模块，用于将所述预编码向量的中间量与所述均衡向量的中间量进行迭代运算，获得各路数据流的预编码向量；

预编码模块，用于采用所述预编码向量对各路数据流进行预编码处理；

发射模块，用于发射经预编码处理后的各路数据流。

8.如权利要求7所述的装置，其特征在于，所述计算模块具体用于：

根据信道信息最小化待发射的各路数据流加权后的和均方差，获得各路数据流的预编码向量的中间量和各路数据流的均衡向量的中间量。

9.如权利要求7或8所述的装置，其特征在于，所述待发射的各路数据流加权后的和均方差为：

$J=\mathrm{\γ}(\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{w}_k^H{w}_n-P_T)+\underset{k=1}{\overset{L}{\mathrm{\Σ}}}\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k{g}_k^H{H}_{m_k{m}_n}{w}_n{w}_n^H{H}_{m_k{m}_n}^H{g}_k$

$+{\mathrm{\σ}}^2\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k{g}_k^H{g}_k-\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k(g_k^H{H}_{m_k{m}_n}{w}_k+w_k^H{H}_{m_k{m}_k}^H{g}_k)$

其中K为发射机接收机的对数，M为每个发射机的发射天线个数，N为每个接收机的接收天线个数，所有发射机均获知所有的信道信息，L_k为用户m_k数据流的路数，m_k∈{1，2，…，K}，P_i(i∈{1，2，…，L})为每路数据流的功率；

k∈{1，2，…，L}，w_k为数据流x_k的预编码向量，大小为M×1，

为由发射机m_n到接收机m_k的N×M的信道矩阵，n_k是N×1的高斯白噪声，方差为σ²；

g_k为数据流x_k的均衡向量，大小为N×1；

η_k＞0，γ是对总功率

进行约束的拉格朗日乘子。

10.如权利要求9所述的装置，其特征在于，所述各路数据流的预编码向量的中间量为：

$w_k={\mathrm{\η}}_k{(\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k{H}_{m_n{m}_k}^H{g}_n{g}_n^H{H}_{m_n{m}_k}+\mathrm{\γ}{I}_M)}^{-1}{H}_{m_k{m}_k}{g}_k,$ 其中I_M是M维的单位矩阵；

所述各路数据流的均衡向量的中间量为：

$g_k={(\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{H}_{m_k{m}_n}{w}_n{w}_n^H{H}_{m_k{m}_n}^H+{\mathrm{\σ}}^2{I}_N)}^{-1}{H}_{m_k{m}_k}{w}_k,$ 其中I_N是N维的单位矩阵。

11.如权利要求10所述的装置，其特征在于，所述迭代模块具体用于：

由任意w_k ⁽⁰⁾开始初始化，其中c₀和α₀∈(0，1]，对k＝1，2，…，L，η_k ⁽⁰⁾＝1；按如下步骤进行迭代处理：

根据 $g_k={(\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{H}_{m_k{m}_n}{w}_n{w}_n^H{H}_{m_k{m}_n}^H+{\mathrm{\σ}}^2{I}_N)}^{-1}{H}_{m_k{m}_k}{w}_k$ 计算g_k ⁽ⁱ⁾，其中i为迭代次数，I_N是N维的单位矩阵；

根据

计算η_k ⁽ⁱ⁾，并按

进行归一化，其中可变步长为

根据 $w_k={\mathrm{\η}}_k{(\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k{H}_{m_n{m}_k}^H{g}_n{g}_n^H{H}_{m_n{m}_k}+\mathrm{\γ}{I}_M)}^{-1}{H}_{m_k{m}_k}{g}_k$ 计算w_k ⁽ⁱ⁾，其中I_M是M维的单位矩阵；

根据获得γ；

按

对w_k ⁽ⁱ⁾进行归一化；

返回执行上述迭代处理步骤，直至收敛条件满足或到达预设的迭代次数。

12.如权利要求10所述的装置，其特征在于，所述迭代模块具体用于：

由任意g_k ⁽⁰⁾开始初始化，其中c₀和α₀∈(0，1]，对k＝1，2，…，L，

按如下步骤进行迭代处理：

根据 $w_k={\mathrm{\η}}_k{(\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\η}}_k{H}_{m_n{m}_k}^H{g}_n{g}_n^H{H}_{m_n{m}_k}+\mathrm{\γ}{I}_M)}^{-1}{H}_{m_k{m}_k}{g}_k$ 计算w_k ⁽ⁱ⁾其中i为迭代次数，I_M是M维的单位矩阵；

根据

获得γ；

按对w_k ⁽ⁱ⁾进行归一化；

根据 $g_k={(\underset{n=1}{\overset{L}{\mathrm{\Σ}}}{H}_{m_k{m}_n}{w}_n{w}_n^H{H}_{m_k{m}_n}^H+{\mathrm{\σ}}^2{I}_N)}^{-1}{H}_{m_k{m}_k}{w}_k$ 计算g_k ⁽ⁱ⁾，其中I_N是N维的单位矩阵；

根据计算η_k ⁽ⁱ⁾，并按

进行归一化，其中可变步长为

返回执行上述迭代处理步骤，直至收敛条件满足或到达预设的迭代次数。

Images