一种多用户大规模MIMO系统上行链路的天线选择方法与流程

本发明涉及天线选择技术领域，具体的说是一种多用户大规模MIMO系统的上行链路天线选择方法。

背景技术：

多输入多输出(Multi-input Multi-output,MIMO)技术是指在发射端和接收端分别配置多根发射天线和接收天线，使信号通过多根天线收发，从而改善传输质量(分集提高可靠性，复用提高有效性)。MIMO技术通过多发多收，能充分利用空间资源，大幅提高通信容量。

在通信中，多用户MIMO(Multi-user MIMO,MU-MIMO)是指在基站侧配置多天线，用户侧配置单根或少量多天线，基站利用相同的时频资源为多个用户提供通信服务，从而提高资源利用率，增大用户连接密度。在MU-MIMO上行链路中，不同用户使用相同时频资源进行单/多天线数据流发送，基站侧可将其看作是来自一个用户的不同天线，从而构成虚拟MIMO。

相对于仅配置中小规模天线阵列的传统MIMO，大规模MIMO技术具有众多优点：首先，随着基站天线数的增加，无线信道的小尺度衰落效应和噪声效应能有效抑制。其次，发射功率随天线数增加线性减小，意味着单位比特的发射能耗随天线数增加能大幅降低，且部分天线单元或射频链路故障不会对系统整体性能造成严重影响，鲁棒性强。再者，随着基站天线数的增加，仅需采用低复杂度信号处理的接收检测和发射预编码(Transmit Precoding,TPC)就能优化系统性能。

尽管大规模MIMO技术极具应用潜力，但还面临诸多挑战，首先，受天线阵列结构、体积等因素制约，阵元间的空间隔离度受限，不可避免会存在一定的空间相关性，特别是对于上行链路，由于基站天线空间隔离度不够导致的各向异性会影响基站侧的所有分集支路，进而导致系统可达容量下降。其次，由于信道状态信息(Channel State Information,CSI)不完美和复杂的无线信道衰落环境，信道估计误差会降低系统容量增益。

在多用户大规模MIMO系统中，上行链路天线选择是在保证接收性能的同时，避免天线空间相关性影响，减小射频链路数的有效措施。

技术实现要素：

针对上述问题，本发明提供了一种多用户大规模MIMO系统上行链路的天线选择方法，根据不同应用场景建立优化模型并寻求最优解，得出最佳天线选择方案。采用最优化技术执行天线选择，旨在保持大规模MIMO系统综合性能基本不变的同时，有效降低处理成本和运算复杂度。

为达到上述目的，本发明采用的具体技术方案如下：

一种多用户大规模MIMO系统上行链路的天线选择方法，其关键在于包括以下步骤：

S1：确定天线选择方案的应用场景；

S2：将步骤S1确定的应用场景分成两个天线选择方案：基于整体的天线选择方案和基于个体的天线选择方案；

S3：分别就步骤S2得到的两种天线选择方案构造天线选择条件下的天线选择矩阵，进一步建立天线选择优化模型；

S4：采用ROMP算法对步骤S3建立的两个天线选择优化模型进行求解和评估，选出其中最佳天线选择方案。

通过上述设计，可根据多用户大规模MIMO系统不同的应用场景，建立不同的优化模型，进而对优化模型求解和比较，选出最佳天线选择方案，既保持了多用户大规模MIMO系统综合性能基本不变，又有效降低了处理成本和运算复杂度。

进一步描述，所述天线选择方案的应用场景包括单天线多用户应用场景和多天线多用户应用场景。

再进一步描述，所述单天线多用户应用场景的天线选择条件包括基站天线空间不相关、基站天线空间相关、基站天线空间相关且存在信道估计误差。

再进一步描述，所述单天线多用户应用场景的天线选择矩阵是基于稀疏恢复算法建立的。

再进一步描述，所述多天线多用户应用场景的天线选择条件包括存在信道估计误差、存在信道估计误差且基站和用户天线空间相关。

所述多天线多用户应用场景建立天线选择矩阵的方法为：

B1：将多天线多用户应用场景看作为多天线单用户应用场景的拓展；

B2：将多天线单用户应用场景分成基于整体的天线选择方案与基于个体的天线选择方案；

B3：分别对步骤B2得到的两种天线选择方案构造多天线多用户应用场景天线选择条件下的天线选择矩阵；

B4：将步骤B3的多天线单用户应用场景天线选择矩阵拓展为多天线多用户应用场景天线选择矩阵。

其中，单天线多用户应用场景和多天线多用户应用场景建立的天线选择矩阵均是基于对应应用场景的天线选择条件构造的，天线选择条件不同，天线选择矩阵也不相同。

再进一步描述，所述天线选择方案的评估指标包括在不同所述天线选择条件下的误比特率随信噪比的变化量、误比特率随信道估计误差的变化量、误比特率随选择天线数的变化量。

本发明的有益效果：本发明分别针对单天线多用户和多天线多用户应用场景，并考虑天线空间相关性和信道估计存在误差来建立天线选择矩阵和优化模型，最后针对不同天线选择方案，比较不同天线选择条件下的误比特率，可以有效降低空间相关信道效应和信道估计误差效应对性能的影响，最终选择的天线方案性能可靠，且成本低，采用本发明的天线选择方案，更接近于全天线选择方案的性能。

附图说明

图1是本发明的多用户大规模MIMO系统上行链路天线选择方法流程图；

图2是本发明的多天线多用户应用场景生成天线选择矩阵的方法流程图；

图3是本发明的ROMP算法流程图；

图4是本发明的单天线多用户应用场景误比特率随信噪比变化图；

图5是本发明的单天线多用户应用场景误比特率随信道估计误差变化图；

图6是本发明的单天线多用户应用场景误比特率随选择天线数变化图；

图7是本发明的单天线多用户应用场景误比特率随空间相关性变化图；

图8是本发明的单天线多用户应用场景基站天线空间相关性强、信道估计误差大时误比特率随选择天线数变化图。

具体实施方式

下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。

如图1所示，一种多用户大规模MIMO系统上行链路的天线选择方法，包括以下步骤：

S1：确定天线选择方案的应用场景；

其中，天线选择方案的应用场景包括单天线多用户应用场景和多天线多用户应用场景。

S2：将步骤S1确定的应用场景分成两个天线选择方案：基于整体的天线选择方案和基于个体的天线选择方案；

S3：分别就步骤S2得到的两种天线选择方案构造天线选择条件下的天线选择矩阵，进一步建立天线选择优化模型；

其中，单天线多用户应用场景的天线选择条件包括基站天线空间不相关、基站天线空间相关、基站天线空间相关且存在信道估计误差。

多天线多用户应用场景的天线选择条件包括存在信道估计误差、存在信道估计误差且基站和用户天线空间相关。

天线选择矩阵是基于稀疏恢复算法建立的。

结合图2可以看出，多天线多用户应用场景建立天线选择矩阵的方法为：

B1：将多天线多用户应用场景看作为多天线单用户应用场景的拓展；

B2：将多天线单用户应用场景分成基于整体的天线选择方案与基于个体的天线选择方案；

B3：分别对步骤B2得到的两种天线选择方案构造多天线多用户应用场景天线选择条件下的天线选择矩阵；

B4：将步骤B3的多天线单用户应用场景天线选择矩阵拓展为多天线多用户应用场景天线选择矩阵。

S4：采用ROMP算法对步骤S3得到的两个天线选择优化模型进行求解和评估，选出其中最佳天线选择方案。

其中天线选择方案的评估指标包括在不同所述天线选择条件下的误比特率随信噪比的变化量、误比特率随信道估计误差的变化量、误比特率随选择天线数的变化量。

其中，正则化正交匹配追踪(Regularized Orthogonal Matching Pursuit,ROMP)算法是以正交匹配追踪(Orthogonal Matching Pursuit,ROMP)算法为基础，运用正则化思想提出的改进算法，ROMP算法流程如图3所示，基本步骤如下：

输入：测量矩阵Ψ；测量值向量v；输入信号向量x；

输出：x信号的恢复值索引值集合Λ；残差rK＝v-ΨΛv；

①初始化：残差r0＝v，索引值集合原子集合J＝0，迭代次数t＝1；

②计算的K个最大值对应的索引值集合，将其与非零原子索引值集合比较，选择二者中较小者更新原子集合J；

③正则化：正则化满足u(i)≤2u(j),i,j∈J的方向向量，存入集合J0；正则化是指在原子集合J中计算得到具有最大能量的集合J0，用于执行候选方向向量的二次筛选；

④更新支撑集ΨΛ，其中Λ＝Λ∪J0；

⑤计算信号估计值

⑥更新索引值集合和残差：Λ＝Λ∪J0，rt＝v-ΨΛx；

⑦当|Λ|≥2K时，算法停止，否则令t＝t+1，转到步骤②。

ROMP算法最多经过K次迭代就能得到一个原子数|Λ|小于2K的支撑集ΨΛ用于精确重建信号，正则化过程保证了未入选支撑集原子的能量一定远小于入选原子的能量。

算法迭代次数K就是信号稀疏度，ROMP算法选取前K个最大值作为候选方向向量，即一次迭代选取多个方向向量，算法更稳定，对稀疏信号的恢复更精确。

实施例1

在本实施例中，应用场景为单天线多用户，即多用户大规模MIMO系统中单天线用户数为K，基站天线数为M。

在单天线多用户应用场景中，天线选择矩阵包括：基于整体的天线选择矩阵和基于个体的天线选择矩阵。

(1)基于整体的天线选择矩阵

基站将所有用户看作一个整体执行天线选择，此时生成的天线选择矩阵为一个对角阵Sa＝diag{s11,s22,…,sMM}，其对角线元素表示天线选择结果，sii＝1表示选中天线i；sii＝0表示未选天线i，i＝1,…,M。将经过天线选择后的接收信号进行最大比合并，其输出其中G为信道估计获得的信道传播矩阵，为基站选择天线接收信号向量；y＝Gx+n为基站天线接收信号向量；x为用户发射信号向量，n为噪声向量。

(2)基于个体的天线选择矩阵

将多用户大规模MIMO系统看作是多个点对点大规模MIMO系统，基站对每个用户分别进行天线选择，构成一个行向量，用表示用户k的天线选择结果，如果天线i对用户k的信号检测无贡献：ski＝0；如果天线i被用户k选中：其中gki为用户k与天线i之间的信道传播系数，表示在天线选择的同时完成了接收信号合并。将所有用户的天线选择行向量组成天线选择矩阵经过天线选择后的输出其中基站天线接收信号向量

1、单天线多用户应用场景天线空间不相关条件下的天线选择优化模型

在单天线多用户应用场景下，基于上述天线选择矩阵结构Sa或Sb，上行链路最优天线选择问题等效于最小化均方误差(Mean Squared Error,MSE)问题。定义接收信号向量的误差向量为其MSE描述为：

其中为针对上述两种天线选择矩阵获得的接收信号检测的误差相关矩阵。对其分别简化处理：

(1)基于整体的天线选择方案的优化模型

其中，Rxx＝E(xx^H)，Ryy＝E(yy^H)＝GRxxG^H+Rnn，Rxy＝E(xy^H)＝RxxG^H，Rnn＝E(nn^H)，Ryx＝E(y^Hx)＝GRxx，是Ryy的逆矩阵。

MSEa＝tr[A]+tr[BRyyB^H]，式中与天线选择相关的仅有右边第二项，最小化MSEa即最小化上式右边第二项。应用Cholesky分解：其中Ly是一个下三角矩阵。将上式右边第二项写成：根据柯西-施瓦茨不等式，有

此时，与天线选择相关的量只有令根据矩阵2-范数定义，进一步利用天线选择矩阵Sa的对角结构做降维处理：

其中，是G^H的第j列向量，从而，

一般地，用于接收合并的选择天线数少于总天线数，且未选天线对应的天线选择矩阵元素为零，是稀疏向量，将天线选择向量的优化转化为稀疏近似问题求解。稀疏近似与MSE优化间的映射关系：以向量2-范数最小化为目标，测量矩阵和测量向量分别为和ca，基于ROMP算法求解。ROMP算法的输入为测量矩阵测量向量ca以及迭代停止判据其优化模型为：

每次迭代后都能获得一个局部最优解，对应于天线选择向量的一种选择结果，所以迭代停止判据也表示所选接收天线数。

(2)基于个体的天线选择方案的优化模型

其中，应用Cholesky分解其中Ly是一个下三角矩阵，重写上式：

与天线选择相关的仅有右边第三项，因此最小化MSE等效于最小化：

同样，将天线选择向量的优化转化为稀疏近似问题求解。稀疏近似与MSE优化间的映射关系：以向量2-范数最小化为目标，其测量矩阵和测量向量分别为Ψb和cb，迭代停止判据为基于ROMP算法求解上述优化问题，其优化模型为：

天线选择矩阵Sb的元素反映了每个用户根据信道状况分别选择自己的接收天线情况，因此，停止判据代表了所有用户的天线选择总数，并非最终选中天线数，因为不同用户可能选中相同天线。

上述基于整体和个体的天线选择矩阵分别为Sa和Sb，若Sa≥Sb，当且仅当基于个体的天线选择中每个用户选择不同天线时取等号。此外，当基于整体的天线选择选中一根天线时：sii＝1，相当于所有用户都选择该天线进行信号检测；而在基于个体的天线选择中，Sb的一行对应一个用户的天线选择，用户1选择的天线对用户2的信号检测并非最优。因此，当时，基于整体的天线选择性能优于基于个体的天线选择。

2、单天线多用户应用场景天线空间相关条件下的天线选择优化模型

在单天线多用户大规模MIMO系统上行链路中，用户随机分布，用户天线彼此独立，天线空间相关仅需考虑基站侧天线阵列。根据Kronecker模型，用户到基站的信道矩阵为：其中ΦR是基于指数相关模型描述天线之间相关性的空间相关矩阵：

其中ρ∈[0,1]，当ρ＝1时，完全相关；ρ＝0时相互独立。用Gc替换中的G，得到天线空间相关条件下两种天线选择方案的MSE为：

其中，为空间相关下基于整体的天线选择矩阵，为空间相关下基于个体的天线选择矩阵，下三角矩阵Lc是Ryy的Cholesky分解。

(1)天线空间相关下基于整体的天线选择优化模型

当基站天线存在空间相关性，并经过降维处理后，

其中，是的第j列向量，是的第i行i列对角线元素。此时稀疏近似与MSE优化间的映射关系：以向量2-范数最小化为目标，其测量矩阵和测量向量分别为和迭代停止判据为基于ROMP算法求解上述优化问题的优化模型：

(2)天线空间相关下基于个体的天线选择优化模型

当天线存在空间相关性时：

此时稀疏近似与MSE优化间的映射关系：以向量2-范数最小化为目标，其测量矩阵和测量向量分别为和迭代停止判据为基于ROMP算法求解上述优化的优化模型：

3、天线空间相关且存在信道估计误差条件下的天线选择优化模型

将不完美信道估计效应融入天线选择，针对多用户大规模MIMO系统上行链路，估计信道矩阵其中E为独立于Gc的白误差矩阵，均值为0，方差为1。

(1)天线空间相关且存在信道估计误差条件下基于整体的天线选择

在天线空间相关下执行基于整体的天线选择后，再利用最大比合并对接收信号合并检测，当存在信道估计误差时，接收信号检测输出为：

同时存在天线空间相关和信道估计误差时天线选择的误差相关矩阵为：

其中，经过降维处理后：

其中，是的第i列向量，是天线选择矩阵的第i行i列对角线元素。此时基于ROMP算法的优化模型为：

(2)天线空间相关且存在信道估计误差条件下的基于个体的天线选择

当天线存在空间相关性和信道估计误差效应时，

其中，Le是经Cholesky分解的下三角阵。此时基于ROMP算法求解上述优化问题的测量矩阵为测量向量为迭代停止判据为其优化模型：

就实现复杂度而言，执行ROMP算法是以天线为对象，每条支路的运算资源占用较少，无需配置大规模器件，且迭代次数与设定的选择天线数相同。

4、仿真测试与结果分析

通过搭建仿真环境，评估在单天线多用户应用场景下本发明提出的大规模MIMO系统上行链路天线选择方案的性能。仿真场景如下：单小区配置一个天线数为M的基站，为K个单天线用户提供服务，天线选择矩阵的稀疏度、天线空间相关性和不完美信道估计效应分别调整Ks,ρ,ξ的取值模拟。

图4所示为信道估计准确且天线空间不相关时，即ρ＝,0ξ0＝，分别采用OMP算法和ROMP算法求解天线选择优化模型，误比特率随接收信噪比的变化。结果表明：随着接收信噪比的增加，误比特率呈下降趋势，但ROMP算法的性能优于OMP算法。

图5所示为不同天线选择方案下误比特率随信道估计误差的变化，其中基站天线数M＝128，用户数K＝4，基站天线空间相关系数ρ＝0.8。结果表明：当信道估计准确时，基于个体的天线选择方案性能较好，但随着信道估计误差的增加，基于整体的天线选择方案性能更好。

图6所示为不同天线选择方案下误比特率随选择天线数的变化，其中基站天线数M＝128，用户数K＝4，基站天线空间相关系数ρ＝0.6。结果表明：随着选择天线数的增加，两种天线选择方案的误比特率均呈下降趋势；但信道估计误差较小时，基于个体的天线选择方案优于基于整体的天线选择方案。

图7所示为不同天线选择方案下误比特率随天线空间相关性的变化，其中基站天线数M＝128，选择天线数分别为Ks＝32，信道估计误差系数ξ＝0.8。结果表明：误比特率随天线空间相关程度增大而增加，特别是天线空间相关超过0.9时，误比特率急剧恶化。

图8所示为基站天线空间相关性和信道估计误差较大时，ρ＝0.8,ξ＝0.8，误比特率随选择天线数的变化。结果表明：基站天线数越多，系统性能越好。

本发明提出的天线选择方案与全天线选择方案的误比特率均受天线空间相关性和信道估计误差影响，但采用天线选择可有效降低空间相关信道效应和信道估计误差效应。当信道估计误差较大时，基于整体的天线选择性能较好，即使在低信噪比区域，只要所选天线数达到基站天线数一半左右，即可获得近似于全天线选择的传输性能。

实施例2

在本实施例中，应用场景为多天线多用户，即多用户大规模MIMO系统中用户数为K，每个用户配置的天线数为N，基站天线数为M，上行链路天线选择如下：

首先研究多天线单用户上行链路天线选择，进而扩展至多用户多天线应用场景。用x＝[x1,x2,…,xN]^T表示用户发射信号向量，其中xk为用户第k根天线上的发送信号，G为M×N维不相关复信道传播矩阵。

1、无信道估计误差条件下的天线选择

当用户多天线之间和基站多天线之间存在空间相关时，根据Kronecker模型，用户到基站的信道传播矩阵为：

其中，ΦR是基站天线的空间相关矩阵，ΦT是用户天线的空间相关矩阵。此时，基站接收信号为：

在基站侧，引入天线选择矩阵S对每根天线的接收信号加权合并，经过天线选择后的接收信号为：

(1)多天线单用户基于整体的天线选择优化模型

将单用户的多根天线看作多个单天线用户，基站天线选择矩阵Sa仍是一个对角阵，其对角线元素为天线选择结果。此时，接收信号检测MSE为：

其中，降维后得：

其中是的第j列向量，是天线选择矩阵Sa的第i行i列对角线元素。基于ROMP算法求解上述优化问题的优化模型为：

(2)多天线单用户基于个体的天线选择优化模型

天线选择矩阵Sb的行向量是用户天线i对基站天线的选择结果，此时，接收信号检测的MSE为：

其中，LL^H是Ryy的Cholesky分解。

稀疏近似与MSE优化间的映射关系：以向量2-范数最小化为目标，其测量矩阵和测量向量分别为Ψb和cb，迭代停止判据为基于ROMP算法求解上述优化问题的模型为：

2、存在信道估计误差且天线空间相关条件下的天线选择

将不完美信道估计效应融入基站侧天线选择，为估计信道矩阵，为独立于的白误差矩阵，均值为0。

(1)存在信道估计误差且天线空间相关条件下基于整体的天线选择

执行天线空间相关下基于多发射天线整体的天线选择后，再利用最大比合并对接收信号合并检测，当信道估计不完美时，接收信号检测输出为：

其中，天线选择矩阵，此时的有效均方误差为：

其中，降维处理后：

其中，是的第i列向量，是天线选择矩阵的第i行i列元素。基于ROMP算法的优化模型为：

(2)存在信道估计误差且天线空间相关条件下基于个体的天线选择

当天线存在空间相关性和信道估计不完美效应时，

其中，Le是的Cholesky分解，Le是一个下三角矩阵。基于ROMP算法求解上述优化问题的测量矩阵为测量向量分迭代停止判据为其优化模型如下：

3、多天线多用户应用场景下的天线选择

假设基站已知完美的CSI，用表示所有用户的发射信号矩阵，其中xi＝[xi1,xi2,…xiN]^T是用户i的发射信号向量。信道传播矩阵为：

其中，是用户i的复信道矩阵，Gi是不相关复信道矩阵，其元素表示用户i的第n根天线与基站第m根天线间的信道系数；ΦTi为用户i的天线空间相关矩阵，假设所有用户的天线空间相关性均为ΦT，即

事实上，在形式上与单天线多用户、多天线单用户场景下建立的信道矩阵相同，仅维度更高，因此，对多用户多天线下的天线选择方案可以借鉴本发明前述的两种天线选择矩阵形式和优化模型，包括基于整体的天线选择和基于个体的天线选择，以及分别针对已知完美信道状态信息、天线空间相关或/和信道状态信息不完美构建的优化模型和寻优算法，分别将其命名为基于多用户多发射天线整体的天线选择和基于多用户多发射天线个体的天线选择，此处不再重复。

4、多天线多用户下的天线选择仿真测试与结果分析与单天线多用户应用场景类似，在此不作赘述。