基于大规模MIMO的联合用户调度方法、功率分配方法与流程

本发明涉及一种基于大规模mimo的联合用户调度方法，同时也涉及相应的功率分配方法，属于无线通信技术领域。

背景技术：

对于5g超密集网络的部署来说，现有基于光纤链路的有线回传方案需要将光纤连接到各个小基站，部署成本十分昂贵，显然不具备可行性。因此，低成本、便捷的无线回传是一个比较合适的解决方案。另外，目前在低于6ghz的频段中，可用于蜂窝移动网络的频谱资源特别少，甚至可能无法满足5g系统的无线接入对于频谱的要求，而且由于该频段波长较大，不适合在小基站端部署大规模天线阵列。因此，将现有蜂窝频谱资源直接用于5g系统的小基站带内无线回传是不可行的。

在piz,choij,jrrh发表的论文《millimeter-wavegbpsbroadbandevolutiontowards5g:fixedaccessandbackhaul》(ieeecommunicationsmagazine,2015,54(4):6–11)中，提出毫米波宽带系统为当前和未来蜂窝系统中的重要回程问题提供了解决方案，其关键思想是使用毫米波段中已经可用的频谱，通过优化的动态波束形成和大规模mimo基础架构，实现固定无线接入，从而在大范围覆盖范围内实现高容量，但其不足之处在于只有无线回传网络利用了毫米波频段，而接入网络工作在另一频段。

在lib,zhud,liangp发表的论文《smallcellin-bandwirelessbackhaulinmassivemimosystems:acooperationofnext-generationtechniques》(ieeetransactionsonwirelesscommunications,2015,14(12):1-1)中，针对基于带内回传的5g超密集异构网络的能耗最小化问题，提出三种可以提高大规模mimo系统的系统吞吐量的带内无线回传方案。这三种方案分别考虑了基站与用户之间信道条件较差的情况、基站自干扰消除的情况以及在基站端增加干扰抑制过程的情况，但是没有说明在考虑回传动态性和调度时如何动态优化整个网络的性能，也没有考虑各小区边缘用户的平均吞吐量。

技术实现要素：

本发明所要解决的首要技术问题在于提供一种基于大规模mimo的联合用户调度方法。

本发明所要解决的另一技术问题在于提供一种基于大规模mimo的功率分配方法。

为实现上述技术目的，本发明采用以下的技术方案：

根据本发明实施例的第一方面，提供一种基于大规模mimo的联合用户调度方法，包括以下步骤：

步骤1：获得信道矩阵、功率分配向量、调度向量以及预编码矩阵；

步骤2：计算宏用户、小基站和小用户处的信干噪比及平均数据速率区域；

步骤3：基于在非理想信道状态信息和无线回传队列有限的条件下最大化网络效用函数，计算最优调度向量；

步骤4：根据所述最优调度向量更新队列。

其中较优地，所述最优调度向量是在每个时刻t，通过cvx凸优化工具箱中基于连续凸逼近的方法，对系统队列缓存向量，利用李雅普诺夫漂移加惩罚算法计算得到的。

其中较优地，所述最优调度向量是根据(网络队列、虚拟队列和λ的影响)-(小基站队列和β的影响)得到的。

其中较优地，所述最优调度向量是将减去计算得到的。

其中较优地，计算宏用户、小基站和小用户处的信干噪比时，利用随机矩阵理论进行计算。

根据本发明实施例的第二方面，提供一种基于大规模mimo的功率分配方法，包括如下步骤：

步骤1：获得信道矩阵、功率分配向量、调度向量以及预编码矩阵；

步骤2：计算宏用户、小基站和小用户处的信干噪比及平均数据速率区域；

步骤3：基于在非理想信道状态信息和无线回传队列有限的条件下最大化网络效用函数，计算最优调度向量；

步骤4：计算宏基站的功率分配和小基站的功率分配；

步骤5：基于更新后的队列和所述功率分配，进行下行数据传输。

与现有技术相比较，本发明综合考虑业务动态变化、用户调度、干扰控制、功率分配等方面，结合大规模mimo技术和毫米波通信技术，改进网络系统模型，提出了一种基于李雅普诺夫(lyapunov)优化方法的联合用户调度方法及功率分配方法。利用本发明，在系统动态变化时能够优化整个网络的性能，提高大规模mimo系统的整体吞吐量。

附图说明

图1为实施本发明的大规模mimo系统的架构示意图；

图2为本发明所提供的联合用户调度方法的流程图；

图3为本发明所提供的联合用户调度方法的逻辑示意图。

具体实施方式

下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。

本发明首先针对5g超密集异构网络的实际情况，对系统模型进行了优化改进。其次，综合考虑用户调度、功率分配、信道估计、干扰控制等因素对带内无线回传的最优资源分配问题进行建模。最后，上述优化问题是一个复杂的组合优化问题，通过随机矩阵理论以及优化理论对该优化问题进行分析求解。

本发明实施例中，超密集异构场景的系统模型如图1所示。图1是一个典型的多基站多用户的双层异构网络，以宏基站(mbs)为中心的区域内均匀分布着s个工作在全双工模式下的小基站(fd-sc)。宏基站与小基站之间的链路为回传链路，以带内无线回传的方式进行数据传输。基站与用户之间的链路为接入链路。宏基站具有数量为n的天线，并且服务m个单天线的宏用户(只受宏基站调度，并且受小基站干扰)和s个小基站。每个小基站以就近接入原则服务ns个小用户(只受小基站调度，并且受宏基站干扰)，即每个小区内的小用户只接收该小区的小基站传输的数据，小基站可以视作宏基站与小用户之间的通信中继。宏基站直接调度的用户总数k＝m+s，整个基站系统中接受宏基站调度的用户总数ks＝m+s×ns。以各个小基站作为中心对区域进行划分即得到s个小小区，每个小基站有2根天线，其中接收天线用于与宏基站之间的无线回传，发射天线用于服务其小小区内的单天线小用户终端(sue)。在此假设小基站具有全双工通信能力并且不考虑其自身引起的自干扰。在该模型中，以共信道时分双工(co-channeltdd)作为通信协议，宏基站与小基站共享整个通信带宽，可以同时进行下行链路的数据传输。且该系统模型中，k，m，n，s，ns＞＞1。

步骤1：获得信道矩阵、功率分配向量、调度向量以及预编码矩阵

由于信道矩阵、功率分配向量、调度向量以及预编码矩阵的计算或者设置没有先后顺序，可以同时进行，也可以先后进行，在此分别介绍获得方法，但是此处描述的先后顺序，并不构成对信道矩阵、功率分配向量、调度向量以及预编码矩阵的处理顺序的限制。

1.获得信道矩阵

根据宏用户、小用户以及小基站上报的csi(channelstateinformation)，宏基站可以进行信道估计，得到信道矩阵。

首先，基于前述系统模型，建立信道模型如下：

宏基站与所有m个宏用户之间的信道矩阵可由式(1)表示：

其中，表示第m个宏用户与宏基站之间的信道矩阵。

用户终端的移动性所带来的误差使得信道状态信息出现偏差，因此由式(2)可对式(1)中的信道矩阵进行估计：

第m个宏用户与宏基站之间的信道矩阵即非理想信道状态信息可由式(3)建模：

其中，为对小尺度衰落信道矩阵的信道估计，和分别为实际信道和信道噪声，可以建模为均值为零，方差为1/n的高斯随机矩阵。为考虑路径损耗和阴影衰落的信道相关矩阵。对于宏基站与第m个宏用户之间的信道估计误差为τm，而当信道状态信息为理想状态时，τm＝0。类似地，表示宏基站与小基站，表示宏基站与小用户之间的信道矩阵。另外，表示基站bs到任一接收者的信道传输矩阵，cs,i表示在第s个小基站的小区内的第i个小用户。

2.计算调度向量

宏基站的下行链路通过接入链路为宏用户提供数据传输，同时通过回传链路向小基站提供数据传输。小基站也会通过接入链路向其所在的小区内的小用户提供服务。宏基站调度向量l(t)和小基站的调度向量q(t)来表示宏基站的当前t时刻接受服务的用户集：

l(t)＝(l1(t),l2(t),…,lk(t))(4)

小基站的当前t时刻接受服务的用户集：

q(t)＝(q1(t),q2(t),…,qsu(t))(5)

其中，l(t)＝1或q(t)＝1表示用户在t时刻接受服务，l(t)＝0或q(t)＝0则表示用户在t时刻不接受服务。

3.设计波束赋形，获得预编码向量

工作在全双工模式下的小基站通信理论上可以达到两倍的信道容量，并且可以减小反馈延迟，减少端对端的传输时延，但同时也会带来很多不必要的干扰，包括相邻宏用户或者其他小基站所带来的跨层干扰以及相同小区内其他小用户或者其他小区内的小用户带来的同层干扰。为了将干扰信道转化为miso(multiple-inputsingle-output)信道从而控制全双工带来的干扰，宏基站具有一个预编码器，从而在接收机中的总全双工干扰可以被处理为噪声。

宏基站天线中，一部分被用来服务它的宏用户以及小基站，另一部分则被用来消除它对小用户的干扰。宏基站端的预编码器由式(6)表示：

v＝ut(6)

其中，u和t分别用于控制跨层干扰和同层干扰。根据信道相关矩阵，预编码器u可由式(7)表示：

其中表示宏基站天线和小用户cs，i之间的信道相关矩阵。是矩阵u的厄米特共轭矩阵。结合跨层干扰预编码器u和实时信道状态信息，并且满足功率限制条件其中p为宏基站发射功率矩阵，考虑正则迫零原则，设计预编码器t，由式(8)表示：

其中参数α为正则化系数。

式(9)定义从第s个小基站到任一接受调度的接受者r的全双工干扰噪声比，即干噪比：

其中，是小基站下行链路分配给第i个小用户的发射功率，ηi为接受者r处的热噪声，表示第s个小基站与第i个小用户之间的信道矩阵的共轭形式。

全双工干噪比门限为ε0，需满足约束条件(10)：

4.获得分配功率向量

宏基站同时服务宏用户和小基站。用和分别表示宏基站下行链路分配给第m个宏用户和第s个小基站的发射功率以及宏基站的最大发射功率。类似地，对于第s个小基站，用和分别表示小基站下行链路分配给第i个小用户的发射功率以及小基站的最大发射功率。

步骤2：计算宏用户、小基站和小用户处的信干噪比及平均数据速率区域

结合调度向量，功率分配向量，信道矩阵以及预编码矩阵，可以表示t时刻下宏用户、小基站和小用户处的接收信号，为了表示方便，暂时不考虑时间依赖性。

在t时刻第m个宏用户处的接收信号可由式(11)表示：

其中，表示mbs传输到第m个宏用户的信号，ηm为第m个宏用户处的热噪声，vm是第m个宏用户的预编码向量。

类似地，在t时刻第s个小基站处的接收信号可由式(12)表示：

在t时刻第s个小基站下的第i个小用户csi处的接收信号可由式(13)表示：

根据式(11)～(13)可得宏用户、小基站和小用户处的信干噪比，分别由式(14)～(16)表示：

对于给定的调度向量l,q、干扰抑制矩阵u以及发射功率分配向量p，定义复合控制变量λ，显然λ与空间信道相关矩阵有关。对于给定的复合控制变量λ＝{l,q,u,p}，宏用户、小基站和小用户处的遍历数据速率分别由式(17)～(19)表示：

对于给定的复合控制变量λ，平均数据速率区域定义为用户平均数据速率的凸包可由式(20)表示：

其中，为给定复合控制变量和信道相关矩阵条件下的基站传输速率。

步骤3：基于在非理想信道状态信息和无线回传队列有限的条件下最大化网络效用函数，计算最优调度向量

通信系统在离散时间t∈{0,1,2,…}时可以建模为排队网络模型。假设第k个用户的突发到达数据为ak(t)，且到达数据流之间独立同分布并都满足泊松分布。

宏基站处的数据队列(图1中表示为网络队列q)可由式(21)来定义：

q(t)＝(q1(t),q2(t),…,qk(t))(21)

在任一时刻t，小基站端的无线回传队列由式(22)来表示：

宏基站端的发送队列缓存(图1中表示为队列缓存d)的时间更新过程由式(23)表示：

qk(t+1)＝max[qk(t)-rk(t),0]+ak(t)(23)

小基站端的无线回传队列缓存的时间更新过程由式(24)表示：

定义第k个用户的突发到达数据的上界rs(t)为宏基站发送给第s个基站的数据速率，为第s个小基站发给其小区内用户的数据速率，为到达数据的上界。

在给定空间信道相关矩阵θ的条件下，可用f(·)来定义凸包内的网络效用函数。资源分配优化问题的目标即在非理想信道状态信息和无线回传队列有限的条件下最大化网络效用函数。因此，该优化问题可以建模为：

其中，ωk(t)为用户权重，为第k个用户的数据速率的时间平均期望。

由于凸包形式在上述问题中不易处理，因此需要对数据速率以及平均发射功率进行处理从而得到确定性等价形式的闭式表达式。通过随机矩阵理论可以得到式(14)～(16)的确定性等价形式，即式(26)～(28)：

其中，表示几乎确定收敛。

更进一步地，可以通过引入辅助变量来代替优化问题约束条件(25b)，辅助变量满足：

此时无线回传队列可以写成：

网络稳定性约束下的优化问题(25)可以写成：

为了满足(31b)中的不等式约束条件，可以引入虚拟队列向量：

此时系统队列缓存向量可以表示为σ(t)＝[q(t),y(t),d(t)]。

结合上述分析，对于给定的复合控制变量，最优资源分配问题即在凸区域上联合复合控制变量和动态网络传输负载变化的时间平均优化问题。本发明所要解决的技术问题就是在队列稳定的约束条件下最大化网络效用函数。上述问题可以通过李雅普诺夫优化框架，即李雅普诺夫函数和漂移加惩罚算法来解决。

该系统模型中，t时刻的李雅普诺夫函数可由式(33)表示：

此时李雅普诺夫漂移由式(34)表示：

根据常见数学不等式可得：

用π来表示(35)的右边部分。其中ψ是一个常数。

此时通过李雅普诺夫漂移加惩罚算法，优化问题可写为：

其中v为非负的李雅普诺夫优化参数。且ψ是有限的，则式(37)的优化问题即最小化下式：

换言之，式(38)表示在队列稳定的约束条件下最大化网络效用函数为最小化{(网络队列、虚拟队列和λ的影响)-(小基站队列和q的影响)+(虚拟队列、小基站队列和辅助变量的影响)-惩罚}。

式(38)可根据调度向量(1△)、辅助变量(2△)以及宏基站和小基站的功率分配向量(3△)(4△)解耦。上述最优向量可通过分别优化式(38)中的三个独立部分求解。其中，调度向量是根据最小化(网络队列、虚拟队列和λ的影响)-(小基站队列和q的影响)得到的；辅助变量是根据最小化{(虚拟队列、小基站队列和辅助变量的影响)-惩罚}计算得到的；宏基站的功率分配是根据网络队列、虚拟队列和λ的影响得到的；小基站的功率分配是根据小基站队列和q的影响得到的。

对于调度向量(1△)的求解即求解优化问题(39)：

其中，ak(t)＝qk(t)+yk(t)，τk为第k个宏用户相关的信道估计误差，τk,i为第k个小基站的第i个小用户相关的信道估计误差，ε0为全双工干噪比门限值。在每个时刻t，通过cvx凸优化工具箱中基于连续凸逼近的方法求解问题(39)可以得到调度向量的最优解。

对于最优辅助变量(2△)的求解即求解优化问题(40)：

由于上述问题是凸的，因此通过一阶导数即可解得最优辅助变量：

因此，最优辅助变量为dk-m(t)为第k-m个基站回传队列，为第k个用户的传输速率上限。

步骤4：计算宏基站、小基站的功率分配

在解得最优调度向量的基础上可以对接受服务的用户进行功率分配，优化问题(42)是对宏基站的功率分配，优化问题(52)是对第s个小基站的功率分配。

宏基站的功率分配可由求解(3△)得到，如优化问题(42)所示：

目标函数(42a)可以写为：

其中，形成约束条件(43b)唯一正解，这是非负有限度量的斯蒂尔切斯变换(stieltjes变换)，式中其中，α为正则迫零参数，ni为用于消除跨层干扰的天线数，

由于目标函数在情况下是严格凸的，故可用拉格朗日乘子法来求解上述优化问题。拉格朗日函数可以写为：

l(p(t),μ0)＝n(p(t))+μ0g(p(t))(45)

其中，kkt乘子μ0＞0。kkt条件如下：

-p(t)≤0,μ0≥0(49)

由于μ0≠0，故由式(46)可解得：

由式(47)和式(50)可解得：

同时，计算小基站功率分配。对于第s个小基站的功率分配，相似地，可以由优化问题(52)得到其功率分配。

其中，ds,i(t)为第s个小基站的第i个小用户的回传队列，为小基站总发射功率，表示与发射功率相关的传输速率，为第s个小基站对第i个小用户的发射功率。目标函数(52a)可以写为：

上式中为1表示小用户cs,i在t时刻接受服务，表示小基站bs与小用户cs,i的信道矩阵，即功率的系数，从而方便式(53)的表示。

由于目标函数在情况下是严格凸的，故可用拉格朗日乘子法来求解上述优化问题。拉格朗日函数可以写为：

其中，kkt乘子μs＞0。kkt条件如下：

由于μs≠0，故由式(56)可解得：

由式(57)和式(60)可解得：

根据每一时刻t的最优调度向量以及功率分配向量，并由式(23)(24)(32)进行时间更新并重复上述步骤。

步骤5：基于更新后的队列和功率，进行下行数据传输

上述步骤是常规步骤，在此不赘述。

本发明针对5g超密集异构网络中的带内无线回传问题，对传统网络系统模型进行改进，结合考虑信道估计、干扰控制、用户调度、功率分配、业务动态变化等因素，对5g超密集异构网络的带内无线回传的最优资源分配问题进行建模。该优化问题是一个复杂优化问题，在建模的基础上，通过lyapunov优化漂移加惩罚方法，在保证系统基站队列稳定的前提下最大化网络效用函数。在优化求解过程中，通过对目标函数和约束条件的松弛处理，结合随机矩阵理论、凸优化方法、拉格朗日乘子法等方法对问题进行求解，从而得到带内无线回传最优资源分配的最优解。本发明能够在系统动态变化时优化整个网络的性能，显著提高大规模mimo系统的整体吞吐量。

上面对本发明所提供的基于大规模mimo的联合用户调度方法、功率分配方法进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质内容的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。