[发明专利]一种基于学习的无定形小区的多准则用户选择方法

摘要

本发明涉及一种基于学习的无定形小区的多准则用户选择方法，属于无线通信技术领域。本发明方法通过选择接入次级小区的用户并设计其发射功率，使主小区和次级小区之间的干扰被限制在一定的阈值之内，然后利用一种灵活度较高的多准则用户选择方法来选择被服务的次级用户，从而改变次级小区的覆盖范围，同时最大化次级小区的系统容量，实现无定形小区的设计；能实现小区形状的动态调整，同时最大化次级小区的系统容量，并取得用户公平性和系统性能的折中。

主权项

一种基于学习的无定形小区的多准则用户选择方法，其特征在于：建立在如下基础上进行的设计：主小区的形状确定，次级小区的形状不确定；在主小区中，主用户与主基站通信时不需考虑次级小区用户传输；对其中任意一个配置Mp根天线的主用户，设其对应的次级小区中有K个次级用户，各个用户分别配置有Mi根天线，次级基站配置有MB根天线,且同时满足Mp<Mi，Mp<MB和Mi≤MB；其中，MB和Mp取正整数，i＝1,…,K，Mi为第i个用户配置的天线数目，取常数值；主基站到次级基站的信道为GB,主基站到次级用户的信道为Gi,次级用户到次级基站的信道定义为Hi；传输采用时分双工模式，上下行信道具有互易性；设计次级小区中每个传输帧分为四个阶段，即学习阶段，信道训练阶段，用户选择阶段和数据传输阶段，每个传输帧的帧长N固定，N＝Nl+Nt+Ns+Nd，其中，Nl为学习阶段的帧长，Nt为信道训练阶段的帧长，Ns为用户选择阶段的帧长，Nd为数据传输阶段的帧长；具体包括以下步骤：步骤1，学习阶段：次级基站和次级用户通过盲估计得到主小区中发送信号的噪声空间；通过设计信号的噪声空间，消除主小区和次级小区之间的干扰；具体方法为：设主用户在符号间隔n发送的信号为sp(n),n＝1,…,Nl，其中sp(n)是独立同分布的随机信号；次级小区复用主小区的频率段，次级基站和次级用户侦听主小区的传输，次级基站和次级用户接收到的信号分布表示为yB(n)=GBsp(n)+zB(n)yi(n)=Gisp(n)+zi(n)---(1)]]>其中yB(n)为次级基站接收到的信号，yi(n)为次级用户接收到的信号，zB(n)为次级基站接收到的噪声，zi(n)为次级用户接收到的噪声，yB(n)和yi(n)的协方差矩阵分别为RB和Ri，通过对协方差矩阵进行特征值分解得到信号的噪声空间，分别表示为UB和Ui；利用信号和噪声的正交性，通过设计Nl的大小使得和然后次级用户和次级基站对接收到的信号分别进行预编码，即乘以接收信号的噪声空间从而消除主小区对次级小区的干扰；按相同的方法，在次级小区中，次级基站和次级用户发送信号为分别为dB(n)和di(n)，然后次级基站和次级用户对发送信号进行预编码，即将对应的发送信号分别乘以UB*和Ui*，则主用户接收到的信号表示为yp(n)=Σi=1KGiTUi*di(n)+GBTUB*dB(n)+zp(n)---(2)]]>其中zp(n)为主用户接收到的噪声信号，UB*和Ui*分别表示噪声空间UB和Ui的共轭，由于设计的Nl使得因此主用户所受干扰也会被消除；步骤2，信道训练阶段：在步骤1将主次级小区间的干扰消除以后，设次级小区中次级基站向所有次级用户同时发送训练序列t(n)，首先进行信道估计，得到次基站到第i个次级用户的下行信道矩阵以及估计误差ΔWi；然后通过训练得到用户的平均信噪比：SNR‾i=1NtΣn=1NtSNRi(n)=PBStr(W^iWiH)δni2---(3)]]>其中，PBS为次级基站的发射功率，为次级用户接收到的噪声的方差，最后次级用户通过反馈信道将平均信噪比反馈给次级基站；步骤3，用户选择阶段：选择出次级基站服务的次级用户，最后次级基站通过反馈信道将选择的用户集传送给所有次级用户；设定Ns＝1；具体方法如下所述：设次级基站最多能够同时服务Kopt个次级用户，Kopt为常数，第i个用户的用户选择函数为si；根据实际系统和用户的需求设计准则的种类为Γ种；第i个用户相对于第j个用户的优先级表示为sij=Στ=1Γφτbτ,ij---(4)]]>其中φτ表示第τ个准则的权重，满足且在准则τ下第i个用户相对于第j个用户的优先级函数如下式：bτ,ij是一个二值函数，fτ(i)为准则τ对应的数学函数值；计算任意两个次级用户的优先级，并进行比较后将K个次级用户的优先级按照从大到小的顺序进行排序；取其中前Kopt个次级用户作为被选择接入小区的用户；然后次级基站通过反馈信道将选择的用户集传送给所有次级用户；步骤4，传输阶段：在根据步骤2得到的下行信道矩阵在考虑估计误差ΔWi的情况下，利用信道互易性得到上行信道的信道矩阵为由于信道估计存在误差，为优化次级小区容量，首先固定Nt，在发送端和接收端已知信道的情况下，采用注水算法进行仿真优化步骤3选择的Kopt个次级用户的功率分配，然后在最优功率分配的基础上，得到次级小区容量和训练时间Nt的关系，最后在Nt的范围内进行计算机搜索，得到使次级小区容量最大时对应的训练时间Nt。