技术领域本发明属于无线传输技术领域，特别涉及一种MassiveMIMO系统中混合波束形成和空时编码多用户下行信号传输方法。
背景技术：
MassiveMIMO技术成为了无线通信5G里面的关键技术。通过配置大量天线，使得信道近似正交，通过简单的接收发送技术，比如最大比合并和最大比发送，即可消除多用户间干扰，平滑噪声，从而极大的提升了系统的能量和频谱效率。但是，MassiveMIMO系统所带来的性能的提升，很大程度依靠信道信息的获取情况。对于TDD系统来说，可以利用上下行的互易性，利用上行发送导频进行信道估计，从而用在下行上。而对于FDD系统来说，由于缺少上下行的互易性，没有通过对上行信道的估计，来进行下行信道的获取。当在下行发送导频对信道进行估计的时候，需要的导频资源是与天线数目成正比的，从而大大增加了系统的资源负担。因而，如何在FDD系统中获取下行信道信息，已然成为了学术界的研究热点。空时块码(STBC)技术是在多输入多输出(MIMO)技术里面提出来的，当发端不知道信道信息的时候，通过空时块码实现发射分集增益，提升系统的误码率性能。G.等人在文献“Combiningbeamformingandorthogonalspace-timeblockcoding,”InformationTheory,IEEETransactionson,vol.48,no.3,pp.2599-2613,2002中提出了联合波束成形和正交空时块码的信号传输方案。利用获得的部分信道信息，结合给定的空时块码，设计波束形成器系数，最小化系统误码率。但是文章考虑的是点对点通信系统，没有考虑到多用户的问题。A.Adhikary等人在文献“Jointspatialdivisionandmultiplexing-thelarge-scalearrayregime,”InformationTheory,IEEETransactionson,vol.59,no.10,pp.6441-6463,2013里面提出了一种利用信道协方差矩阵，通过两个阶段设计发端预编码矩阵。由于信道协方差矩阵的高度相关性，降低了系统对信道估计的开销。然而，文章里面的两阶段方案，在利用信道协方差矩阵完成第一阶段的预编码设计后，第二阶段的预编码，需要知道精确的等效信道，系统复杂度仍然较高。
技术实现要素：
本发明的目的在于提供一种MassiveMIMO系统中混合波束形成和空时编码多用户下行信号传输方法，减低系统信道估计的开销，并提升系统的误码率性能。为了实现上述目的，本发明采用如下技术方案：一种MassiveMIMO混合波束形成和空时编码多用户下行传输方法，所述MassiveMIMO系统包括一个具有大规模均匀线阵的基站，天线数目为M，K个单天线的用户节点，在考虑角度时，彼此不重叠；所述一种MassiveMIMO系统中混合波束形成和空时编码多用户下行信号传输方法，包括以下步骤：1)首先，基站对发送给各个用户的数据进行空时块码编码，得到发送空时块码矩阵其中Zk是给第k个用户的空时块码矩阵；2)然后，基站对发送空时块码矩阵Z，进行线性加权，线性加权系数矩阵为W，第k个用户的接收信号为：其中hk是第k个用户的信道矢量，ek是加性高斯白噪声，yk是接收矢量；3)在各个用户功率独立约束下，分解加权系数矩阵为k个小矩阵，对每个用户分别进行优化，最小化系统误码率；4)在总功率约束下，优化系统的加权系数矩阵，最小化系统误码率。进一步的，步骤2)中利用信道协方差矩阵进行线性加权的步骤包括：首先对第k个用户的信道协方差矩阵Rkk进行特征值分解得到：其中Uk是M×rk的列酉矩阵，rk是信道协方差矩阵Rkk的秩，是有特征值构成的对角矩阵；设计发端线性加权系数矩阵为：W＝[W1,W2,…,WK]＝[U1M1,U2M2,…,UKMK]其中Mk是待优化变量。进一步的，步骤3)中考虑各个用户功率独立约束，得到各个用户的误码率及各自的功率约束为：其中是估计的等效信道，其和等效信道的关系是ξk是相关系数，τk是误差矢量；等效矩阵其中νk是利用Karhunen-Loeve表示的信道，即αk是各个用户的独立功率约束，ρk,min是关于sk和的最小值，其中sk是发送符号，是检测错误的符号，Ek是发送能量，N0是噪声功率谱密度。进一步的，对各个用户功率独立约束时的误码率及其功率约束采用SDR方法求解；首先进行变量代换得到优化问题为：上式是一个凸优化问题，对其求解获得各个用户功率独立约束时的误码率及其功率约束。进一步的，步骤4)中，总功率约束条件下，考虑系统平均误码率最小，其优化问题为：其中进一步的，对总功率约束下的误码率及其功率约束采用SDR方法求解或者采用交替迭代方式求解；采用SDR求解，令得到优化问题：其中采用交替迭代方法，对原始优化问题变形为：采用交替迭代的方法，首先固定令得到优化问题：其中其中是特征值分解，βk,i是βk的第i个元素，σk,i是Σk的第i个对角元素；对上式求解，得到最优的相应的最优的当给定pk时，优化问题变为上述优化问题使用SDR求解，令优化问题为：交替求解，得到一个收敛点，从而得到加权系数矩阵。与现有的方法相比，本发明的有益效果是：1、提供了多用户通信下的混合波束形成和空时编码方案；2、考虑了利用信道协方差矩阵的高度相关性进行波束形成器的设计，降低了对信道估计的开销。3、考虑了各个用户的独立功率约束和求和功率约束，提出了SDR和交替迭代的方法求解加权系数矩阵，计算复杂度较低。本发明在设计线性加权矩阵的时候，利用了信道的协方差矩阵进行了二阶段的设计，由于信道的高度相关性，使得信道协方差矩阵具有低秩特性，从而能够降低信道估计的开销。效果方面，利用各个用户的角度不重叠性，二阶段设计中，消除了用户间的干扰。考虑了各个用户独立功率约束和求和功率约束的情况。对于问题的非凸性，采用了SDR和交替迭代方法进行处理，将原问题的非凸性转化为凸优化问题，从而对问题进行了有效的数值求解。相比SDR方法，交替迭代方法计算复杂度较低。附图说明图1是本发明方法所涉及的系统模型示意图。图2a，图2b和图2c是现有方法的仿真结果图，其中：图2a给出了估计信道和真实信道的相关系数对系统误码率的影响图，图2b给出了不同用户数下的发送总功率对系统误码率的影响图，图2c是独立用户功率约束下SDR方法和求和功率约束下SDR方法和交替迭代方法的误码率曲线图。具体实施方式下面结合附图与具体实施例对本发明做进一步的详细说明。本发明涉及系统模型如图1所示，一个具有大规模均匀线阵的基站，天线数目为M，K个单天线的用户节点，在考虑角度时，彼此不重叠。发端对各个用户的数据进行空时块码编码，发送空时块码矩阵为利用信道的协方差矩阵，进行线性加权，加权矩阵的形式为W＝[W1,W2,…,WK]＝[U1M1,U2M2,…,UKMK]。当考虑各个用户独立功率约束的时候，利用SDR方法得到的优化问题为当估计信道和真实信道相关系数ξk变大的时候，上述优化问题的目标函数会变小，从而降低系统的误码率，这个从图2a可以反映出来。这是因为信道信息越准确，空时编码越接近波束形成。同样的可以看到，随着用户数目K的增大，误码率会升高，这一个是因为相应的αk会减小，另一个是用户间的干扰会增大，从而误码率性能变差，如图2b所反映的。当考虑求和功率约束时，利用SDR和交替迭代的方法，得到的优化问题分别为：SDR：交替迭代：可以看出来，相对于独立用户功率约束，求和功率约束具有更好的误码率性能，因为其在各个用户之间进行了功率分配。此外，交替迭代性能会比SDR性能差一点，这个是因为在交替迭代中也用了SDR的方法，这个可以从图2c中体现出来。图2a-2c给出的系统误码率，采用的空时块码都是Alamouti编码。本发明一种MassiveMIMO混合波束形成和空时编码多用户下行传输方法，包括以下步骤：1)首先，基站对发送给各个用户的数据进行空时块码编码，得到发送空时块码矩阵其中Zk是给第k个用户的空时块码矩阵；2)然后，对发送空时块码矩阵Z，进行线性加权，线性加权系数矩阵为W，第k个用户的接收信号为：其中hk是第k个用户的信道矢量，ek是加性高斯白噪声，yk是接收矢量；3)在各个用户功率独立约束下，分解加权系数矩阵为k个小矩阵，对每个用户分别进行优化，最小化系统误码率；4)在总功率约束下，优化系统的加权系数矩阵，最小化系统误码率。按照上述的方法，首先需要得到线性加权系数矩阵的分解式，然后在功率约束下，最优化线性加权系数矩阵。对线性加权系数矩阵采用两阶段的设计方法：1、首先对第k个用户的信道协方差矩阵Rkk进行特征值分解得到：其中Uk是M×rk的列酉矩阵，rk是信道协方差矩阵Rkk的秩，是有特征值构成的对角矩阵。设计发端线性加权系数矩阵为：W＝[W1,W2,…,WK]＝[U1M1,U2M2,…,UKMK]其中Mk是待优化变量；2、在各个用户功率独立约束下，优化问题为：其中是估计的等效信道，其和等效信道的关系是ξk是相关系数，τk是误差矢量。等效矩阵其中νk是利用Karhunen-Loeve表示的信道，即αk是各个用户的独立功率约束，ρk,min是关于sk和的最小值，其中sk是发送符号，是检测错误的符号，Ek是发送能量，N0是噪声功率谱密度。3、为了有效求解上式，采用SDR方法进行近似；首先进行变量代换得到优化问题为：上式是一个凸优化问题，能够数值有效求解。4、在总功率约束条件下，考虑系统平均误码率最小，其优化问题为：其中5、为了求解上式，分别采用SDR方法和交替迭代方式求解。采用SDR求解，令得到优化问题：其中该优化问题是凸优化问题，可以数值有效求解。采用交替迭代方法，对原始优化问题变形为：采用交替迭代的方法，首先固定令得到优化问题其中其中是特征值分解，βk,i是βk的第i个元素，σk,i是Σk的第i个对角元素。上式是一个凸优化问题，能够数值有效求解。得到最有的相应的最优的当给定pk时，优化问题变为上述优化问题可以使用SDR求解，令优化问题为上述优化问题是凸优化问题，可以数值有效求解。交替求解，即可得到一个收敛点，从而得到加权系数矩阵。