基于用户位置的跟踪预测的有源天线阵列波束优化方法

基于用户位置的跟踪预测的有源天线阵列波束优化方法
【专利摘要】本发明公开了一种基于用户位置的跟踪预测的有源天线阵列波束优化方法，基于有源天线用户级波束赋形技术，实现移动用户位置的精确预测和跟踪，有效减小了基站到用户之间的信息交互，并采用波束优化算法提升系统的吞吐量性能。本发明精确实现了用户位置的跟踪和预测，减小了基站到用户之间的信息交互，提高了频谱资源的利用率提高了系统容量和用户的性能，实现了用户较大性能的提升。同时，本发明基于小区中总吞吐量进行波束优化，提出了优化的波束功率分配算法，提升了系统容量。
【专利说明】基于用户位置的跟踪预测的有源天线阵列波束优化方法

【技术领域】
[0001] 本发明属于无线通信【技术领域】，尤其设及一种基于用户位置的跟踪预测的有源天 线阵列波束优化方法。

【背景技术】
[0002] 在未来移动通信中，随着移动用户数量的不断增加W及终端数据流量的不断增 长，需要在现有的LTE网络中引入新的技术来满足用户的体验。在LTE-A技术后续演进中， 有源天线波束赋形技术在3GPP标准中提出，可W提高系统的容量。有源天线系统不仅有水 平方向的天线阵元，同时也有垂直方向的天线阵元，每一个天线阵元都有一个独立的射频 单元，可W灵活地控制波束的水平和垂直方向。在LTE下行链路物理层标准R10中规定基 站最多支持8天线端口，而有源天线3D MIMO技术支持超过8根天线单元。
[0003] 有源天线波束赋形技术分为小区级波束赋形技术和用户级波束赋形技术。在小区 级波束赋形技术中，基站采用垂直扇区模型，在该模型中每个扇区都有内外不同的波束分 别覆盖扇区中屯、和扇区边缘区域，不同的波束覆盖的区域中的用户可W进行频率复用，当 然需要保证总的功率和是一定的。用户级波束赋形技术，即大规模MIMO技术，其天线单元 很多，波束很窄，但是主瓣波束信号强度很大，可W补偿由于路径损耗带来的能量损失，并 且用户间由于空域间信号落差很大，可W进行频率复用，极大提高用户的频谱效率。
[0004] LTE有源天线系统中，在功率优化和下倾角调整方面目前有一定的研究成果： W.化ang和Y. Wang等人进行3D MIMO中干扰协调的研究，考虑部分联合传输（JT)技术建立 多小区多波束的优化模型，从而进行功率、资源块和下倾角的联合优化，提升了小区的频谱 效率。Y. Wu和X. Li等人采用基于粒群算法来进行多小区3D MIMO模型中的功率和下倾角 的联合优化。
[0005] 上述文献主要是针对有源天线小区级波束赋形技术进行研究，针对用户级的波束 赋形技术，考虑用户的移动性，基站天线需要实现波束对用户的精确对准并实时跟踪，该就 需要基站与用户之间进行大量的信息交互。如何实现波束的精确对准，并减小用户之间的 信息交互，同时，提升小区中用户的吞吐量是用户级波束赋形技术的关键。


【发明内容】

[0006] 本发明的目的在于提供一种基于用户位置的跟踪预测的有源天线阵列波束优化 方法，旨在解决基站天线波束实现对用户位置精确跟踪预测的问题W及用户级的波束功率 优化问题。本发明可W实现天线波束对用户位置的精确跟踪预测，通过最大化小区的吞吐 量，进行波束功率优化，提升了系统的吞吐量。
[0007] 本发明是该样实现的，一种基于用户位置的跟踪预测的有源天线阵列波束优化方 法，该基于用户位置的跟踪预测的有源天线阵列波束优化方法中基站采用滤波算法，根据 用户位置的历史信息，预测用户的位置，基站根据预测到用户的位置信息计算出用户的垂 直仰角和水平方位角，预测信息得到的小区吞吐量的值和用户的完全信息得到的吞吐量理 论值很接近，在天线阵列实现用户的波束的预测对准后，基于小区吞吐量最大化建立波束 功率优化模型；
[000引具体的步骤如下；
[0009] 步骤一，确定移动用户的运动模型和测量模型；
[0010] 步骤二，采用滤波算法进行用户的位置的跟踪和预测；
[0011] 步骤S，基站通过预测到的用户的位置信息，计算出每个用户的水平方位角和垂 直仰角；
[0012] 步骤四，采用有源天线阵列模型，确定基站到用户的信道增益模型；
[0013] 步骤五，基站的天线波束实现用户的预测对准；
[0014] 步骤六，进行小区中用户功率资源分配；
[0015] 步骤走，通过最大化小区的吞吐量，进行波束功率优化。
[0016] 进一步，在步骤一中，采用近似匀速直线运动状态模型来表示用户的移动情况；采 用基站到用户的水平距离的测量值作为移动用户测量模型。
[0017] 进一步，在步骤走中，具体的步骤如下：
[0018] 第一步，计算用户k的干扰定价函数31 k;
[0019]

【权利要求】
1. 一种基于用户位置的跟踪预测的有源天线阵列波束优化方法，其特征在于，该基于 用户位置的跟踪预测的有源天线阵列波束优化方法中基站采用扩展卡尔曼滤波算法，根据 用户位置的历史信息，预测用户的位置，基站根据预测到用户的位置信息计算出用户的垂 直仰角和水平方位角，预测信息得到的小区吞吐量的值和用户的完全信息得到的吞吐量理 论值很接近，在天线阵列实现用户的波束的预测对准后，基于小区吞吐量最大化建立优化 模型； 具体的步骤如下： 步骤一，确定移动用户的运动模型和测量模型； 步骤二，采用滤波算法进行用户的位置的跟踪和预测； 步骤三，基站通过预测到的用户的位置信息，计算出每个用户的水平方位角和垂直仰 角； 步骤四，采用有源天线阵列模型，确定基站到用户的信道增益模型； 步骤五，基站的天线波束实现用户的预测对准； 步骤六，进行小区中用户功率资源分配； 步骤七，通过最大化小区的吞吐量，进行波束功率优化。
2. 如权利要求1所述的基于用户位置的跟踪预测的有源天线阵列波束优化方法，其特 征在于，在步骤一中，采用近似匀速直线运动状态模型来表示用户的移动情况；采用基站到 用户的水平距离的测量值作为移动用户测量模型。
3. 如权利要求1所述的基于用户位置的跟踪预测的有源天线阵列波束优化方法，其特 征在于，在步骤七中，具体的步骤如下： 第一步，计算用户k的干扰定价函数Jrk:
其中，B表示每个用户的带宽资源，Rk，M表示用户k的吞吐量；ItM表示用户k受到的干 扰总和，包括其余天线波束的干扰和高斯白噪声的干扰之和；为第k个波束的下倾角， GtM( 0 k)表示第k个波束到用户k的信道增益；pk，M表示用户k分配到的功率； 第二步，计算出最优的功率分配结果/:
其中，P为基站总的发射功率，Gj，M(0k)表示第k个波束到用户j的信道增益，y和入k 为拉格朗日乘子； 第三步，采用迭代方法求出功率分配的最优解，功率和相应乘子的更新表示如下：

其中，akG(〇, 1)为功率更新系数，y(n)和Ak(n)表示第n次迭代中的功率和信噪 比迭代的拉格朗日乘子，0和y分别为拉格朗日乘子的迭代步长，K表示小区中宏用户的 数目，SINRk，M(n)表示第n次迭代中用户k的信噪比。
4.如权利要求1所述的基于用户位置的跟踪预测的有源天线阵列波束优化方法，其特 征在于，该基于用户位置的跟踪预测的有源天线阵列波束优化方法的具体步骤如下： 步骤一，确定移动用户的运动模型和测量模型； 用户在小区中移动，运动状态用当前的位置和速度进行描述：
上述公式中的k是tk时刻的简写，（x(k)，y(k))表示tk时刻用户的位置坐标，vx (k)和vy(k)分别表示tk时刻用户在X轴和Y轴的方向的速度；采用近似匀速直线运动模型来用 户的移动情况：
其中系数Fk和Gk通过如下公式给定：
在上述公式中Atk表示相邻时刻采样时间的间隔，wk= [wx，wy]T是均值为0,协方差矩 阵为Qw的高斯分布的向量;w，wy分别表示用户在X轴和Y轴的方向的用户的加速度，wx 和wy互不相关，则Q￥表示如下：
基站高度和用户的高度都不变，用户的移动仅限于水平上的X和Y维度上，简单地考 虑2维方向平面，即水平方向上的基站到用户的距离，tk时刻基站与用户之间的水平距离为 d(Xk)，则有如下公式：
其中，Umyd)为基站的水平坐标点，是一个固定坐标值，（x(k)，y(k))表示tk时刻用户 的位置坐标； tk时刻基站到用户的距离的测量值表示如下：
上式中zk表示tk时刻基站的测量值，vk表示tk时刻基站的噪声测量值； 步骤二，采用滤波算法进行用户的位置的跟踪和预测； 采用滤波算法基于已有的历史位置信息，进行用户位置的预测，采用扩展卡尔曼滤波 算法;Wk和vk为统计特性已知的相互独立的高斯白噪声序列，均值为零、协方差矩阵分别为 Qk和Rk;基于扩展卡尔曼滤波的目标跟踪过程描述如下：给定tk时刻状态估计以及相应 估计误差协方差阵Pk，并且假设tk+1时刻基站选择zk+1作为此时的观测值；tk+1时刻的目标 状态估计名t+1和相应估计误差协方差矩阵Pk+，j由下列方程迭代给出：
其中，Rk+$tk+^刻测量噪声的方差，ek+1表示tk+1时刻误差预测值的自相关函数，Kk+1表示tk+^刻的增益更新系数，则为tk+1时刻的预测的距离对状态预测之婦的偏导 数； 步骤三，基站基于预测的用户的位置信息，计算出每个用户的水平方位角和垂直仰 角； 采用有源天线用户级波束赋形模型，基站针对每个用户都有一个辐射波束，即对每个 用户设置一个可调的电子下倾角；用户从一个位置移动另一个位置，基站对用户的波束也 会发生变动；基站坐标为原点〇(〇, 〇,H)，初始时刻某个用户的位置为A(Xl，yi，Zl)，垂直仰 角和水平方位角为的，约），一段时间后，用户移动到位置B(x2,y2, Zl)，此时用户的垂直仰 角和水平方位角为⑷.h); 基于用户的位置信息，用户的水平方向角和垂直仰角通过下面的公式求出：
显然，用户的垂直仰角和水平方位角的取值范围为(0,31)，奶e[〇,2;r]; 基站采用步骤二中的滤波算法进行用户位置的跟踪预测，用户按照所给定目标用户的 移动模型进行运动，基站知道用户位置的历史信息，然后预测用户的下一采样时刻的位置， 并根据预测到的用户的位置信息计算出用户的垂直仰角和水平方位角； 步骤四，采用有源天线阵列的天线模型，并确定基站到用户的信道增益模型； 步骤五，基站天线波束实现用户的预测对准； 当用户的发射功率确定的时候，用户级的有源天线波束赋形，当用户的天线下倾角与 天线的用户的垂直仰角关系为0rtilt= 0-JI/2且？口时，波束实现完全对准用户，用 户端获得最大的天线增益性能；由于基站对用户的位置进行跟踪预测，这时候基站到用户 的下倾角会调整为：
其中，0_和为基站通过预测的用户的位置计算出来的用户的垂直仰角和水平方 位角； 步骤六，当基站实现波束用户的对准后，进行小区中用户的功率资源分配；例如，以小 区总的吞吐量作为系统的效益函数U:
其中，B为每个用户分配到的带宽资源，K为系统中总的用户数目，SINRk，M为用户k的 信噪比； 基站给用户k分配的功率为pk，M，所有的用户都采用同频复用，用户k的信噪比SINRu表示如下：
其中，Gk，M( 0J表示基站的第j个波束（下倾角为0J到用户k的信道增益，〇2为高 斯白噪声； 边缘用户的性能，用Ym表示用户的最低接入信噪比要求，则有： SINRk；M^ym,kG{1,2,-,K}； 通过上式，保证小区边缘用户的发射功率的性能； 由于Pk，M表示的是基站面向用户k分配的发射功率，显然不能超过基站总的发射功率P;因此，有如下的约束条件：
满足限制条件的情况下让效益函数U最大，得到优化分配的功率pk，M; 步骤七，基站优化波束功率来提升系统的吞吐量，通过最大化小区的吞吐量，进行波束 功率优化。
5.如权利要求4所述的基于用户位置的跟踪预测的有源天线阵列波束优化方法，其特 征在于，步骤四具体包括： 第一步，有源天线阵列的天线模型： 3D天线增益模型采用3GPP标准中提出的有源天线阵列辐射模型，实现用户级波束赋 形；天线增益模型表示如下：
其中，AE(0，巾）为下倾角为0时的有源天线单阵元的天线增益模型，P和0为用户实 际位置上的方位角和垂直仰角，P为阵列天线的相关系数，4和、分别表示天线阵列在水 平方向和垂直方向上的天线数目，'"和vmn分别为权值因子和用户偏移相位，分别表示如 下：
其中，0rtilt表示天线波束的下倾角，表示天线的水平转向角；针对不同的用户， 天线的96tilJP的配置不同； 第二步，基站到用户的信道增益模型： 采用信道增益模型，认为基站到用户的信道增益由2部分组成：用户的3D天线增益和 基站到用户的路径损耗；因此，基站到用户的信道增益表示为：
其中，Gk，M( 0P表示基站天线阵列的第j个波束到用户k的新搭配增益，Lk，M为宏基站 到用户k的路径损耗，表示第j个波束到用户k的3D天线增益海个波束与 用户都是一一对应的，针对某个有用信号的波束，对于其余的用户来说，该波束信号则是干 扰。
6.如权利要求4所述的基于用户位置的跟踪预测的有源天线阵列波束优化方法，其特 征在于，步骤七具体包括： 第一步，定义用户k的干扰定价函数Jrk:
其中，&"表示用户k的吞吐量； 上式中的ItM表示用户k受到其余天线的波束的干扰和高斯白噪声干扰之和，公式表 示如下：
第二步，计算出最优的功率分配:
其中，y和Ak为拉格朗日乘子； 第三步，采用迭代方法求出功率分配的最优解，因此功率和相应乘子的更新表示如 下：
其中，ake(〇，1)为功率更新系数，0和Y分别为拉格朗日乘子的迭代步长，K表示 小区中宏用户的数目，SINRk，M(n)表示第n次迭代中用户k的信噪比。
【文档编号】H04W24/02GK104486775SQ201510009019
【公开日】2015年4月1日 申请日期:2015年1月8日 优先权日:2015年1月8日
【发明者】杨清海, 杨遵立 申请人:西安电子科技大学