CN104518822A - 一种多小区mu-mimo系统的干扰协调方法 - Google Patents

Abstract

本发明公开了一种多小区MU-MIMO系统的干扰协调方法，包括：(1)对编号为m的小区，随机初始化其预编码矢量V_m；(2)计算修正系数；(3)根据步骤(2)中求得的修正系数，计算预编码矩阵；(4)判断是否满足迭代停止条件，若满足，则进入步骤(5)，若不满足，则返回步骤(2)；(5)基站m发送信号V_ms_m，其中，V_m表示基站m的预编码矩阵，s_m表示基站m未编码的符号矢量。本发明方法能够有效抑制基站的干扰泄漏功率,从而抑制小区间干扰,提高系统性能；本发明方法求得的预编码矩阵满足实际数据率最大化问题的Pareto边界条件,从而使得该预编码矩阵对干扰的抑制能力更强,使得小区平均吞吐量的增益更显著。

Description

一种多小区MU-MIMO系统的干扰协调方法

技术领域

本发明属于蜂窝小区干扰协调技术领域，更具体地，涉及一种多小区MU-MIMO系统的干扰协调方法。

背景技术

同频微蜂窝组网能提升频谱利用效率，但不可避免的将引入小区间的强干扰，如何消除小区间干扰从而提升系统性能成为研究热点。已有文献给出证明：使用联合的脏纸编码(Dirty Paper Coding，DPC)可以在消除小区间干扰的同时达到多用户(Mlti-user,MU)多输入多输出(Multiple-Input Multiple-Output，MIMO)下行信道的理论容量。但是，联合编码需要精确的时间同步和相位同步，在蜂窝系统中很难实现。除此之外，具有代表性的干扰消除方法还有迫零波束成形算法和博弈论的优化算法等，在这些方法中，多个基站协作构成一个虚拟多天线阵列，通过集中式处理，能有效地消除干扰并提升系统性能，但却面临着大量的全局信道信息(Channel State Information，CSI)反馈以及数据信息的交互导致系统开销过大的问题。因此，分布式处理吸引了研究者众多热情。

关于分布式干扰协调方法，一般是采用“帕累托最优”准则设计合适的预编码矢量，从而有效地消除小区间干扰。比如通过最大化用户信漏噪比(Signal-to-Leakage-plus-Noise Ratio，SLNR)的方法求解发送端预编码的帕累托最优解，将SLNR最大化与协作多点联合处理结合，将该算法应用到多小区场景中。可以将该方法扩展到分布式的预编码结构中，而分布式算法不再需要全局的大量CSI与数据信息的交互，仅基于本地的有效CSI与干扰泄漏CSI来完成预编码矩阵的设计。这种基于SLNR的预编码结构，可以看成是干扰信道博弈理论中的“自私博弈策略”和“利他博弈策略”的折中，即利用极端博弈策略纳什均衡与迫零算法来确定可达数据率区域，再在此区域中求解帕累托边界点实现的SLNR的帕累托最优解。

现有的分布式干扰协调方案，均是根据SLNR模型进行优化，但是SLNR模型达到最优并不能保证系统吞吐量达到最优。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于VSINR的适用于多小区MU-MIMO系统的干扰协调方法，其目的在于抑制小区间的干扰，提高小区的吞吐量，由此解决同频微蜂窝组网下小区间干扰协调的技术问题。

为了实现上述目的，本发明提供了一种多小区MU-MIMO系统的干扰协调方法，包括如下步骤：

(1)对编号为m的小区，随机初始化其预编码矢量V_m；

(2)计算修正系数：

$A_m=\mathrm{diag}\{a_{m,i}=\sqrt{\left|\frac{(M-1)N_0{\mathrm{UN}}_R/P}{((2-M)V_{m,i}^H{\stackrel{\‾}{H}}_m^H{\stackrel{\‾}{H}}_m{V}_{m,i}+{\mathrm{MN}}_0{\mathrm{UN}}_R/P)}\right|},i=1,\·\·\·N_T\}$

其中，M为小区个数，N₀表示噪声功率谱密度，U表示小区的用户数,P表示基站m的下行发送功率，为用户i对应的预编码矩阵,N_T为发射天线个数，N_R为接收天线个数；表示小区m内的基站到小区m内所有用户的信道增益，则表示小区m基站对其它小区泄漏的干扰，diag{}代表对角矩阵标识符，表示V_m,i的共轭转置；

(3)根据步骤(2)中求得的修正系数，计算预编码矩阵：

$V_m=\{\frac{{(N_0{I}_{N_T}+a_{m,i}^2{\stackrel{\‾}{H}}_m^H{\stackrel{\‾}{H}}_m)}^{-1}{H}_{m,i}^H}{\left|\right|{(N_0{I}_{N_T}+a_{m,i}^2{\stackrel{\‾}{H}}_m^H{\stackrel{\‾}{H}}_m)}^{-1}{H}_{m,i}^H\left|\right|},i=1,\·\·\·,U\}$

其中，表示的N_T行N_T列的单位矩阵，表示拥有U个用户的小区m与小区内第i个用户对应的信道矩阵；

(4)判断是否满足迭代停止条件，若满足，则进入步骤(5)，若不满足，则返回步骤(2)；其中，迭代停止条件为：若两次迭代计算出的预编码矩阵差值小于预设门限值，或者迭代次数高于设定阈值后，则认为满足迭代停止条件；

(5)基站m发送信号V_ms_m，其中，V_m表示基站m的预编码矩阵，s_m表示基站m未编码的符号矢量。

在本发明的一个实施例中，所述步骤(4)中判断两次迭代计算出的预编码矩阵差值小于预设门限值具体为：

判断第n次迭代后，是否成立，如果成立，则确认两次迭代计算出的预编码矩阵差值小于预设门限值，其中和分别为第n次和第n-1次计算得到的预编码矩阵，φ_m是预设门限值。

进一步地，所述多小区MU-MIMO系统中的各个小区分布式的独立通过上述方法进行干扰协调处理。

与现有技术相比，本发明方法具有如下有益效果：

1、本发明方法可以在各基站端分布式的执行,而不需要基站间交互大量的数据信息，从而减小复杂度；

2、本发明方法能够有效抑制基站的干扰泄漏功率,从而抑制小区间干扰,提高系统性能；

3、本发明方法求得的预编码矩阵满足实际数据率最大化问题的Pareto边界条件,从而使得该预编码矩阵对干扰的抑制能力更强,使得小区平均吞吐量的增益更显著；

4、本发明方法通过联合优化下行预编码矩阵和功率控制，针对各用户的信道条件，为其分配适当的下行发送功率，并仅基于局部信道信息即可实现下行预编码矩阵的设计，因此该方法在提升系统平均吞吐量的同时也提高了系统功率资源利用率。

附图说明

图1是本发明多小区MU-MIMO系统的干扰协调方法流程图；

图2是实现该算法后所得到的仿真结果图，即系统数据率与信噪比的关系图(M＝2,N_T＝8,N_R＝1,U＝4,η＝0.5)。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提出了一种基于虚拟信干噪比(virtual signal-to-interference-plus-noise ratio，VSINR)的适用于多小区MU-MIMO系统的干扰协调方法。通过构造小区VSINR模型，设计合适的修正系数，使得该VSINR最大化问题与该小区的实际吞吐量最大化问题等效，然后，分布式的求解该VSINR问题对应的帕累托最优的预编码矩阵。虚拟的VSINR模型是基于本地的有效CSI与干扰泄漏CSI而分布式的构建的，这两类CSI均可由本小区内的基站直接获得，而不再需要协作集内不同基站间的大量数据交互。虚拟的VSINR问题与实际的吞吐量最大化问题的等效性体现在：在帕累托边界点上，这两个问题关于预编码矩阵的次梯度相等且同时为零，即对于相同的预编码矩阵，虚拟的VSINR最大化问题与实际的吞吐量最大化问题同时取到极大值点。通过仿真分析，对不同的信道SNR与不同的小区干扰因子，本发明所提出的算法能够有效的抑制小区间的干扰，从而提高小区的实际平均吞吐量。

首先对本发明方法的实施思路予以说明，如下：

1、构造小区VSINR模型

虚拟的VSINR模型是基于本地的有效CSI与干扰泄漏CSI而分布式构建的，这两类CSI均可由本小区内的基站直接获得，而不再需要协作集内不同基站间的大量数据交互，该VSINR模型只与小区m的本地CSI以及本地预编码矩阵有关，所需的局部信道信息为与基站m相关的所有下行信道信息，包括有效信道信息H_m和干扰泄漏信道信息

上述信息，获取过程简单可行，无需协作基站间的大量全局信息交互，比如，在TDD系统中，基于上下行信道互异性，基站m可以利用上行时隙中测量得到的上行信道信息，来估计出所需的本地下行CSI，又如在FDD(Frequency Division Duplex，频分双工)系统中，则可利用用户端的测量反馈来获取本地CSI，而不再需要基站间交互全局的信道与数据信息，从而实现了分布式的预编码结构。

现考虑VSINR的建模问题，利用修正系数来建立虚拟VSINR最大化问题与实际的系统数据率最大化问题的等效性，令

$y_m^{\mathrm{leak}}=\sqrt{P}{\stackrel{\‾}{H}}_m{A}_m{V}_m{s}_m$

有用信号、泄漏信号、干扰信号和噪声的协方差矢量可以表示为

$C_{y_m^{\mathrm{sig}}}=P{H}_m{V}_m{V}_m^H{H}_m^H$

$C_{y_m^{\mathrm{leak}}}=P{\stackrel{\‾}{H}}_m{A_{m}V}_m{V}_m^H{A_m^H\stackrel{\‾}{H}}_m^H$

$C_{y_m^{\mathrm{int}}}=\underset{i=1,i\≠m}{\overset{M}{\mathrm{\Σ}}}{\stackrel{\‾}{H}}_{i\→m}{V}_i{H}_i^H{\stackrel{\‾}{H}}_{i\→m}^H$

$C_{z_m}=N_0{I}_U{N}_R$

那么，小区m的VSINR即可建模为

${\mathrm{VSINR}}_m=\frac{\mathrm{Tr}\left(C_{y_m^{\mathrm{sig}}}\right)}{\mathrm{Tr}\left(C_{y_m^{\mathrm{leak}}}\right)+\mathrm{Tr}\left(C_{z_m}\right)}=\frac{P{V}_m^H{H}_m^H{H}_m{V}_m}{P{V}_m^H{A}_m^H{\stackrel{\‾}{H}}_m^H{\stackrel{\‾}{H}}_m{A}_m{V}_m+N_0{\mathrm{UN}}_R}$

其中，N₀表示噪声功率谱密度，P表示基站m的下行发送功率，为用户i对应的预编码矩阵,N_T为发送天线个数，N_R为接收天线个数；U表示小区内的用户数目；表示小区m内的基站到小区m内所有用户的信道增益，则表示小区m基站对其它小区泄漏的干扰。

2、设计合适的修正系数，使得该VSINR最大化问题与该小区的实际吞吐量最大化问题等效

干扰信号是其他相邻小区对当前小区的影响，需要通过大量交互信息才能获得；干扰泄漏信号是当前小区泄漏到其他小区形成的干扰，可以通过测量分布式获得。干扰信号和干扰泄漏信号的存在，均会对系统吞吐量性能造成一定程度的衰减，那么，从系统级的视角来看，两者对于系统性能的影响必然存在某种数值等价关系。为了找到两者之间的系统级的联系，我们将引入修正系数来建模虚拟的干扰泄漏信号，将其他小区对当前小区的干扰问题转换为当前小区对其他小区的干扰泄漏问题，从而建立虚拟VSINR最大化问题与实际的系统数据率最大化问题的数值等效性。

我们分别对吞吐量优化问题与VSINR优化问题求关于预编码V_m的偏导，若存在一组预编码矩阵{V_m}以及修正系数{A_m}，使得两个问题的偏导值同时为零，那么即可保证它们的等效性，并且此时的预编码矩阵{V_m}即为相应的Pareto最优解。

首先，对小区m的VSINR函数的对数值求关于预编码矩阵{V_m}的偏导，

$\frac{\∂\log \left({\mathrm{VSINR}}_m\right)}{\∂V_m}=\frac{2H_m^H{H}_m{V}_m}{V_m^H{H}_m^H{H}_m{V}_m}-\frac{2P{A}_m^H{\stackrel{\‾}{H}}_m^H{\stackrel{\‾}{H}}_m{A}_m{V}_m}{P{V}_m^H{A}_m^H{\stackrel{\‾}{H}}_m^H{\stackrel{\‾}{H}}_m{A}_m{V}_m+N_{0}U{N}_R{I}_{N_V}}$

其中，表示秩为N_V的单位阵。类似的，对多小区系统总数据率求关于预编码矩阵V_m的偏导，

$\frac{\mathrm{\Σ}_{\∂R}}{{\∂V}_m}\≈\frac{2H_m^H{H}_m{V}_m}{V_m^H{H}_m^H{H}_m{V}_m}-\frac{2(M-1)P{\stackrel{\‾}{H}}_m^H{\stackrel{\‾}{H}}_m{V}_m}{P{V}_m^H{\stackrel{\‾}{H}}_m^H{\stackrel{\‾}{H}}_m{V}_m+M{N}_{0}U{N}_R{I}_{N_V}}$

当以上两式的偏导值相等且同时为零时，即可认为VSINR问题与系统平均吞吐量问题等效，于是可以推得

$\frac{A_m^H{\stackrel{\‾}{H}}_m^H{\stackrel{\‾}{H}}_m{A}_m{V}_m}{V_m^H{A}_m^H{\stackrel{\‾}{H}}_m^H{\stackrel{\‾}{H}}_m{A}_m{V}_m+(N_{0}U{N}_R/P)I_{N_V}}=\frac{(M-1){\stackrel{\‾}{H}}_m^H{\stackrel{\‾}{H}}_m{V}_m}{V_m^H{\stackrel{\‾}{H}}_m^H{\stackrel{\‾}{H}}_m{V}_m+(M{N}_{0}U{N}_R/P)I_{N_V}}$

由于修正系数矩阵其中，元素a_m,i与天线i的预编码矩阵V_m,i有关，因此，等效关系体现在修正系数a_m,i上即为

$a_{m,i}=\sqrt{\left|\frac{(M-1)N_0{\mathrm{UN}}_R/P}{((2-M)V_{m,i}^H{\stackrel{\‾}{H}}_m^H{\stackrel{\‾}{H}}_m{V}_{m,i}+{\mathrm{MN}}_0{\mathrm{UN}}_R/P)}\right|}$

那么，相应地，修正系数矩阵即为

$A_m=\mathrm{diag}\{a_{m,i}=\sqrt{\left|\frac{(M-1)N_0{\mathrm{UN}}_R/P}{((2-M)V_{m,i}^H{\stackrel{\‾}{H}}_m^H{\stackrel{\‾}{H}}_m{V}_{m,i}+{\mathrm{MN}}_0{\mathrm{UN}}_R/P)}\right|},i=1,\·\·\·N_T\}$

上式中所示的修正系数矩阵A_m即保证了实际多小区MU-MIMO系统的系统平均吞吐量问题与分布式的虚拟VSINR问题的等效性。

3、求解该VSINR问题对应的帕累托最优的预编码矩阵

具体而言，即分别对吞吐量优化问题与VSINR优化问题求关于预编码矩阵V_m的偏导，若存在一组预编码矩阵{V_m}以及修正系数{A_m}，使得两个问题的偏导值同时为零，那么即可保证它们的等效性，并且此时的预编码矩阵{V_m}即为相应的帕累托最优解。

相应的，分布式的虚拟VSINR的优化问题可表述为，

$\underset{V_m}{\max }{\mathrm{VSINR}}_m\left(V_m\right),s.t.V_m^H{V}_m=I_{N_V},\∀m$

M个小区组成的系统的实际吞吐量最大化可表示为，

$\underset{V_m}{\max }{R}_{\mathrm{\Σ}}\left(V_m\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\log (1+{\mathrm{SINR}}_m\left(V_m\right)),s.t.V_m^H{V}_m=I_{N_V},\∀m$

于是有通过此式可以计算得到预编码矩阵V_m。

虚拟的VSINR问题与实际的吞吐量最大化问题的等效性体现于，在帕累托边界点上，这两个问题关于预编码矩阵的次梯度相等且同时为零，即对于相同的预编码矩阵，虚拟的VSINR最大化问题与实际的吞吐量最大化问题同时取到极大值点，从而由这两个问题的等效性，保证了由VSINR模型求解出的预编码矩阵对于实际的吞吐量最大化问题也是最优的。

现结合多小区多用户MIMO系统的具体例子来说明本发明方法，如图1所示，为本发明的多小区MU-MIMO系统的干扰协调方法，考虑一个由个M小区组成的下行多小区MIMO系统，各小区基站配置N_T个发送天线，每小区内有U个激活用户，各用户配置N_R个接收天线。下文将以一个小区(编号为m)为例，说明其干扰协调的实现过程：

(1)对编号为m的小区，随机初始化其预编码矢量V_m；

(2)利用本地泄漏CSI，计算修正系数：

$A_m=\mathrm{diag}\{a_{m,i}=\sqrt{\left|\frac{(M-1)N_0{\mathrm{UN}}_R/P}{((2-M)V_{m,i}^H{\stackrel{\‾}{H}}_m^H{\stackrel{\‾}{H}}_m{V}_{m,i}+{\mathrm{MN}}_0{\mathrm{UN}}_R/P)}\right|},i=1,\·\·\·N_T\}$

其中，N₀表示噪声功率谱密度，P表示基站m的下行发送功率，为用户i对应的预编码矩阵,NT为发射天线个数，NR为接收天线个数；表示小区m内的基站到小区m内所有用户的信道增益，则表示小区m基站对其它小区泄漏的干扰；diag{}代表对角矩阵标识符，表示V_m,i的共轭转置。

(3)根据步骤2中求得的修正系数，结合本地CSI，计算预编码矩阵：

$V_m=\{\frac{{(N_0{I}_{N_T}+a_{m,i}^2{\stackrel{\‾}{H}}_m^H{\stackrel{\‾}{H}}_m)}^{-1}{H}_{m,i}^H}{\left|\right|{(N_0{I}_{N_T}+a_{m,i}^2{\stackrel{\‾}{H}}_m^H{\stackrel{\‾}{H}}_m)}^{-1}{H}_{m,i}^H\left|\right|},i=1,\·\·\·,U\}$

其中，表示的NT行NT列的单位矩阵，表示拥有U个用户的小区m与小区内第i个用户对应的信道矩阵。

(4)判断是否满足迭代停止条件，若满足，则进入步骤5，若不满足，则返回步骤(2)。其中，迭代停止条件可表述为：若两次迭代计算出的预编码矩阵差值小于预设门限值，比如第n次迭代后，或者迭代次数高于某一阈值N后，则认为迭代停止。

(5)基站m发送信号V_ms_m。其中，V_m表示基站m的预编码矩阵，s_m表示基站m未编码的符号矢量。

进一步地，所述多小区MU-MIMO系统中的各个小区可以分布式的独立通过上述方法进行干扰协调处理。

将此方法应用到具体的实例当中，可以分析该方法的性能。现考虑一个下行多小区多用户MIMO系统的仿真场景。系统由M个小区组成，各小区内的基站均配置N_T个发送天线，各用户配置N_R个接收天线。假设各小区内有U个活动用户，同时各小区对个小区用户产生干扰。仿真中，假设无线信道为瑞利慢衰落信道，如小区m的有效信道H_m中的各元素的实部与虚部均服从循环对称复高斯随机分布其均值为0，方差为1，而小区m的干扰泄漏信道中的各元素的实部与虚部也相应的服从循环对称复高斯随机分布其中，0<α<1为同频干扰因子，由于本提案提出的方法的迭代收敛次数较快，因为瑞利慢衰落信道的时变性对该方法的性能影响较小。迭代次数最大值N＝20，两次迭代的结果差值的预设门限值φ_m＝10^-17。

图2所示为发送端信噪比变化时的系统平均吞吐量的性能曲线图。如图所示，当发送SNR值变化时，相较于已有的方法而言，本提案提出的分布式的干扰协调与功率分配方法均能实现更高的系统平均吞吐量，而且，当发送SNR较高时，也即小区间干扰较强时，这一性能增益更明显。此外，当发送SNR由低到高变化时，基于SLNR的干扰协调方法所实现的系统吞吐量表现为ZF算法和MRT算法的良好折中，因此，当不考虑功率控制因素时，采用最大化SLNR准则来设计的预编码矩阵能够实现系统吞吐量性能的帕累托边界极值解。在此基础上，本提案所提的方法进一步的增加了最优的发送功率分配策略，并通过对下行预编码矩阵和功率控制因子进行二维联合优化，相较于已有的等功率SLNR算法而言，本提案所提的方法实现了1.84～7.95bps/Hz的吞吐量性能增益，且当发送SNR较低时，性能提升越明显，即对小区边缘用户的增益作用较强，因此，加入合适的功率控制策略对于系统吞吐量性能的优化有着显著的助益。

综上，本提案所提出的分布式的干扰协调方法通过联合优化下行预编码矩阵和功率控制，针对各用户的信道条件，为其分配适当的下行发送功率，并仅基于局部信道信息即可实现下行预编码矩阵的设计，因此该方法在提升系统平均吞吐量的同时也提高了系统功率资源利用率。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种多小区MU-MIMO系统的干扰协调方法，其特征在于，所述方法包括如下步骤：

(1)对编号为m的小区，随机初始化其预编码矢量V_m；

(2)计算修正系数：

$A_m=\mathrm{diag}\{a_{m,i}=\sqrt{\left|\frac{(M-1)N_{0}U{N}_R/P}{((2-M)V_{m,i}^H{\stackrel{\&OverBar;}{H}}_m^H{\stackrel{\&OverBar;}{H}}_m{V}_{m,i}+M{N}_{0}U{N}_R/P)}\right|},i=1,...N_T\}$

其中，M为小区个数，N₀表示噪声功率谱密度，U表示小区的用户数,P表示基站m的下行发送功率，为用户i对应的预编码矩阵,N_T为发射天线个数，N_R为接收天线个数；表示小区m内的基站到小区m内所有用户的信道增益，则表示小区m基站对其它小区泄漏的干扰，diag{}代表对角矩阵标识符，表示V_m,i的共轭转置；

(3)根据步骤(2)中求得的修正系数，计算预编码矩阵：

$V_m=\{\frac{{(N_0{I}_{N_T}+a_{m,i}^2{\stackrel{\&OverBar;}{H}}_m^H{\stackrel{\&OverBar;}{H}}_m)}^{-1}{H}_{m,i}^H}{\left|\right|{(N_0{I}_{N_T}+a_{m,i}^2{\stackrel{\&OverBar;}{H}}_m^H{\stackrel{\&OverBar;}{H}}_m)}^{-1}{H}_{m,i}^H\left|\right|},i=1,...,U\}$

其中，表示的N_T行N_T列的单位矩阵，表示拥有U个用户的小区m与小区内第i个用户对应的信道矩阵；

(4)判断是否满足迭代停止条件，若满足，则进入步骤(5)，若不满足，则返回步骤(2)；其中，迭代停止条件为：若两次迭代计算出的预编码矩阵差值小于预设门限值，或者迭代次数高于设定阈值后，则认为满足迭代停止条件；

(5)基站m发送信号V_ms_m，其中，V_m表示基站m的预编码矩阵，s_m表示基站m未编码的符号矢量。

2.如权利要求1所述的多小区MU-MIMO系统的干扰协调方法，其特征在于，所述步骤(4)中判断两次迭代计算出的预编码矩阵差值小于预设门限值具体为：

判断第n次迭代后，是否成立，如果成立，则确认两次迭代计算出的预编码矩阵差值小于预设门限值；其中和分别为第n次和第n-1次计算得到的预编码矩阵，φ_m是预设门限值。

3.如权利要求1或2所述的多小区MU-MIMO系统的干扰协调方法，其特征在于，所述多小区MU-MIMO系统中的各个小区分布式的独立通过上述方法进行干扰协调处理。