多用户干扰（精选7篇）
多用户干扰 篇1
摘要：在发射与接收端天线数目相当的大规模多输入多输出 (MIMO) 系统中, 线性检测算法的性能较差, 而检测性能优异的检测算法复杂度偏高。针对该问题, 提出增强型并行干扰消除算法 (MMSE-e PIC) , 将搜索空间扩大到噪声增强方向矩阵的正交向量空间, 同时利用近似对数似然方程值排序来减小复杂度。仿真结果表明, 在误比特率为10-5时, MMSE-e PIC算法所需单位比特噪声功率谱密度比传统最小均方误差串行干扰消除 (MMSE-SIC) 算法小2 d B, 复杂度较MMSE-SIC降低了25%, 在保持良好检测性能的前提下, 复杂度明显降低, 可以较好地实现大规模MIMO的上行检测。
关键词：大规模MIMO,多用户检测,增强并行干扰消除算法
0 引言
大规模MIMO系统[1,2]具有极高的频谱利用率[3], 已成为第5代移动通信的关键技术之一。当基站端天线数量达到几十至上百时, 容易实现下行预编码和三维波束赋型[2]。当大规模MIMO与多用户MIMO (MU-MIMO) 结合应用时, 一个多天线的基站同时与一定数量的用户进行通信, 复用增益由所有用户所共享[4]。并且在基站端天线数量远多于用户终端设备天线数之和情况下, 即使每个终端仅有一根天线, 这种两侧天线数量的不对等性依然可以提高系统的容量和性能。但由于用户设备在上行传输时无法进行联合编码, 上行多用户检测也是一个大规模MIMO系统中亟待解决的问题[5]。
最大似然检测算法 (MLD) 可以使得误比特率达到最小, 然而其复杂度随着发送端数据流的数目呈指数增长, 尤其在大规模MIMO系统中其复杂度将过于庞大[6]。传统MIMO系统中, 最小均方误差串行干扰消除 (MMSE-SIC) [7]的复杂度较小, 且检测性能较好。但在大规模MU-MIMO系统中, 其自身的循环结构容易引起错误传播, 增加误比特率。文献[8]中的基于最小均方误差 (MMSE) 的多维搜索算法, 在多维噪声增强的方向上搜索信号点, 相比于MMSE检测性能较好。文献[9]中设计MMSE检测信号信干噪比 (SINR) 门限值, 高于该门限的信号使用MMSE检测, 否则使用球形译码方法检测。文献[10]中利用MMSE检测结果及噪声方差送入最大似然 (ML) 解调器进行二次检测, 该算法适用于高阶调制系统。
在发射与接收端天线数目相当的大规模MIMO系统中, MMSE算法的检测性能并不理想, 并且文献[8-10]中对MMSE的改进算法复杂度较高。针对该问题, 提出MMSE-ePIC, 通过扩大搜索空间, 将噪声向量投影到噪声增强方向矩阵的正交向量空间的方法补偿MMSE检测误差, 并用检测信号的对数似然方程来评估补偿误差的准确性。为减小复杂度, 本文仅计算检测信号的近似对数似然方程的取值较小的检测结果。最后针对发射与接收端天线数目均为16的情况进行仿真分析, 结果表明特征向量空间信号算法的检测性能优于MMSE和MMSE-SIC, 且改进MMSE检测算法在保持较好的检测性能的前提下, 其复杂度较MMSE-SIC明显降低。
1 MU-MIMO系统模型
MU-MIMO系统示意图如图1所示。
假设上行MU-MIMO系统是由在同一小区中的一个具有NR个天线的基站和K个用户设备组成, 并且每个用户设备仅有一根天线 (NR≥K) , 令sk (i) 表示第k个用户设备的传输符号, yl (i) 表示基站第l根天线接收到的信号。s (i) =[s1* (i) , …, sK* (i) ]H和是K×1维和NR×1维的复向量, 分别表示第i个符号周期内全部用户的发送的符号和基站端的接收符号。上标H表示埃尔米特 (Hermite) 转置矩阵。假设文中信道为瑞利衰落信道, hlk表示第l (1≤l≤NR) 根接收天线和第k (1≤k≤K) 根发射天线间的信道冲击响应。MU-MIMO系统中的hlk表示为:
式中, glk和dlk分别表示小尺度衰落和大尺度衰落系数。此时, 第l根接收天线上的接收信号为:
当信道矩阵表示为:
时, 接收向量可表示为:
式中, n (i) 为NR×1维复高斯白噪声, 其元素服从均值为0, 方差为σn2的独立同分布 (i.i.d) , 且σn2为噪声功率。本文只研究上行信号检测, 因此假设信道信息完全已知。
2 传统信号检测算法
2.1 MMSE检测算法
MMSE检测算法使得发射信号向量s (i) 和检测向量x (i) 之间的均方误差最小, 其K×NR维权矩阵为:
式中, IK为K×K维的单位矩阵, 令P表示权矩阵等号右边的左侧部分;P为K×K维埃尔米特矩阵, 检测信号表示为:
然而由于MMSE检测算法的检测规则不同于最大似然规则, MMSE检测无法取得最好的误比特率性能, 尤其当矩阵P存在较大特征值时。研究MMSE检测算法在传统点对点MIMO系统和MU-MIMO系统中误符号数时, 发现当信噪比较大时出现1个符号错误和2个符号错误的概率大于其他数量的错误。
2.2 MMSE-SIC检测算法
MMSE-SIC检测算法的权矩阵与MMSE检测算法相同, 如式 (6) 所示。用wi表示权矩阵W的第i个行向量, W可写为:
MMSE-SIC检测算法有2种常用的排序方式。其中一种叫做信噪比 (SNR) 排序, 选择第i层使得‖wi‖最大, 另一种叫做信干噪比 (SINR) 排序, 选择第i层使得SINRi最大, 通常使用后者。
式中, ρ为发送信号的信噪比。
消除串行干扰的步骤如下: (1) 按式 (10) 选择“最强”的发送信号; (2) 根据星座点判决信号; (3) 消除判决出信号对接收向量的影响, 生成新的矩阵W, 之后返回步骤 (1) , 直到检测出所有信号。
不难发现, 由于信号逐个地被检测出, 如果在之前的循环中没有正确地检测某一发送信号, 将影响之后信号的检测, 产生错误传播。在大规模MU-MIMO系统中, 当许多用户设备使用同一资源块发送信号时, MMSE-SIC算法很容易在检测过程中出错, 使得误比特性能变差。
3 信号检测算法
3.1 特征向量空间信号检测算法
本文算法通过补偿MMSE检测算法的误差, 从而获得更好的信号检测性能。在文献[8]中MMSE检测算法的误差形式如下:
式中, 为假设的K×1维噪声向量, 元素服从均值为0、方差为σn2的复高斯随机变量。然而, 被P1/2乘后, 各元素间变得相关, 在特定方向上引起噪声增强。
将相关的噪声向量投影到正交的矩阵P的特征向量空间中, 同时在噪声增强的方向上搜索信号。由于矩阵P是维埃尔米特矩阵, 可以分解为:
式中, V是由矩阵P的K个相互正交的K×1维列特征向量组成的K×K维酉矩阵;D是矩阵P的K个正的实的特征值组成的K×K维对角阵:
diag[·]表示由变量作为对角元素所组成的对角阵;λk (1≤k≤K) 为矩阵P的第k个特征值, 一般假设λ1≥λ2≥…≥λK>0, 因此MMSE检测算法误差可表示为:
式中, a (i) 表示K×1维向量, 其中 (·) k表示向量的第k个元素, 由式 (13) 、式 (14) 、式 (15) 和式 (16) 可得:
设主要的λk1/2的数量为NP (1≤NP≤K) , 式 (17) 约等于:
假设s (i) 的第k个元素等于一个发射调制的星座点b (m) , m (1≤m≤M) 为一个整数, M为选用调制方式所含的星座点数目。则式 (18) 可表示为:
式 (19) 可改写为向量形式, 即
式中, 维向量。该算法通过的最大似然估计得到s (i) 。在式 (20) 的约束下, 可以利用拉格朗日乘数法使最小化。由于约束条件可以多于一个, 设有l个约束条件, 此时通过使代价方程最小来确定
式中, γk (1≤k≤l) 为拉格朗日乘子。期望的需同时满足以下方程:
定义Λ和E为l×1维向量, 为NP×l维矩阵,
式 (25) 和式 (26) 可写为:
用表示期望的的结果, 即
符号表示Moore-Penrose伪逆。用替代式 (18) 中的ak (i) , 即
用C表示硬判决的集合, C中包含元素个数小于或等于CKlMl+1, 对数似然方程定义为:
检测到的信号为C中使得对数似然方程最小的元素。
在实际应用中, 该特征向量空间信号检测算法可以利用幂迭代法[11]来分解特征值, 减少迭代次数, 降低复杂度。同时可以通过并行计算设备得到, 提高计算速度, 优于MMSE-SIC算法中的串行计算。
3.2 复杂度减小方法
如文献[8]中推导, 当信噪比较高时, 检测信号的对数似然方程可表示如下:
式中, 对于每次检测一项只与MMSE检测得到的初值有关, 因此可视为常量;取得最小值时, 可使检测信号的对数似然方程取得最小值。由式 (31) 得:
其中当约束条件大于1时, 不等号右侧E与均为矩阵, 其范数可用矩阵的Frobenius范数来计算, 因其与向量的二范数相容。
基于值, 按照从小到大的顺序排序得到此时对应的m与k值, 即对应的星座点与认为发生错误的符号位置。选取前N个代入式 (33) 进行计算, 并根据式 (35) 输出使得对数似然方程最小的值, 其中N (1≤N≤CKlMl, N=2K) 为预设的固定迭代次数。将特征向量空间信号检测算法与减小复杂度的方法结合构成本文的MMSE-ePIC检测算法, 该文算法的整体流程如下:
(1) 计算矩阵使用幂迭代法[11]估计矩阵P的特征值和特征向量
(3) 根据约束方程数l, 计算各种情况下, 并按升序排序;
4 仿真分析
4.1 仿真条件
仿真信道为瑞利衰落信道, 调制方式为QPSK, 假设基站端有16根天线, 16个单天线用户, 1个或2个目标用户, 目标用户的信噪比相比于其他用户低3 dB, 通过目标用户的误比特率来对比不同算法间的检测性能, 因此可以假设当目标用户被正确检测, 其他用户也被正确检测。
4.2 误比特率性能分析
目标用户数分别为1和2时, 传统检测算法和文中算法的目标用户的误比特率性能, 如图2和图3所示。
当信噪比大于10 dB时, 本文算法比MMSE和MMSE-SIC性能优越。由图3可知, 在误码率为10-5时, 特征向量空间信号检测算法使用2个约束条件所需比特信噪比 (Eb/N0) 较MMSE-SIC小3 d B。约束条件数目相同情况下, MMSE-ePIC检测算法的性能稍差于对应的特征向量空间信号检测算法, 但仍优于MMSE-SIC。综上, 在多用户MIMO系统中, 该文算法可获得很好的检测性能, 且减小复杂度的方法有效。
4.3 复杂度分析
采用对比复乘次数来比较各算法的复杂度, 假设信道矩阵在一帧内不变, 在MMSE-ePIC检测算法中矩阵P和特征值分解及式 (37) 中的计算在一帧内不变。当采用幂迭代法分解特征值, 其迭代次数为4时, 复乘数为:
令一帧内发送F个符号, MMSE-ePIC检测算法使用1个和2个约束方程的复乘数分别为:
MMSE-SIC的复乘数为:
MMSE-e PIC检测算法的复杂度为O (NRK2) , 而MMSE-SIC算法的复杂度为O (NRK3) , 因此MMSE-e PIC检测算法在大规模MIMO系统中可以取得相对小的复杂度。取主要特征值数目NP=4, 针对上述仿真条件并结合图2的仿真结果绘制图4。图4中, 横轴表示每个算法所需的复乘数, 纵轴表示在误比特率为10-3时, 各算法相比于MMSE所需Eb/N0的提升。MMSE-e PIC检测算法使用1个约束条件时, 取得同MMSE-SIC相似的误比特性能, 所需复杂度仅为MMSE-SIC的75%。然而使用2个约束条件时, 误比特性能最好, 但其复杂度也明显高于其他各算法。
4.4 结果分析
仿真结果表明, 相比于MMSE-SIC算法, 在瑞利信道下, 使用QPSK作为调制方式, 且用户设备数与接收端天线数均为16时, 在误比特率为10-5时, MMSE-e PIC检测算法使用2个约束条件时所需单位比特噪声功率谱密度比比传MMSE-SIC算法小2 d B, 当使用使用一个约束条件时复杂度较MMSE-SIC降低了25%。
5 结束语
MMSE-e PIC检测算法在MMSE噪声增强矩阵的特征向量空间进行多维搜索检测, 相比于MMSE检测算法具有较大的性能提升。且相比于MMSE-SIC的循环检测结构, MMSE-e PIC检测算法并行检测结构不会产生错误传播, 因此在大规模MIMO系统中误比特性能更加优越, 且复杂度量级更小, 更适合于大规模MIMO系统, 且适用于在并行硬件上实现。MMSE-e PIC可通过改变约束方程的个数, 灵活地适应不同大小的小区以及不同的检测性能要求。相关信道会使得各检测算法性能变差, 研究MMSE-e PIC算法并行检测结构对抗相关信道情况在大规模MIMO系统中也是十分必要的。?
参考文献
[1]MARZETTA T L.Noncooperative Cellular Wireless with Unlimited Numbers of Base Station Antennas[J].Wireless Communications, IEEE Transactions on, 2010, 9 (11) :3 590-3 600.
[2]RUSEK F, PERSSON D, LAU B K, et al.Scaling up MIMO:Opportunities and Challenges with Very Large Arrays[J].Signal Processing Magazine, IEEE, 2013, 30 (1) :40-60.
[3]JUNGNICKEL V, MANOLAKIS K, ZIRWAS W, et al.The Role of Small Cells, Coordinated Multipoint, and Massive MIMO in 5G[J].Communications Magazine, IEEE, 2014, 52 (5) :44-51.
[4]LU L, LI G, SWINDLEHURST A, et al.An Overview of Massive MIMO:Benefits and Challenges[J].Selected Topics in Signal Processing, IEEE, 2014, 8 (5) :742-758.
[5]ISHIHARA K, TAKATORI Y, KUBOTA S, et al.Multiuser Detection for Asynchronous Broadband Single-carrier Transmission Systems[J].Vehicular Technology, IEEE Transactions on, 2009, 58 (6) :3 066-3 071.
[6]ZHU X, MURCH R D.Performance Analysis of Maximum Likelihood Detection in a MIMO Antenna System[J].Communications, IEEE Transactions on, 2002, 50 (2) :187-191.
[7]LAMPE A, HUBER J B.On Improved Multiuser Detection with Iterated Soft Decision Interference Cancellation[C]∥Vancouver, BC:Communication Theory Mini-Conference, 1999:172-176.
[8]ZHENG L, FUKAWA K, SUZUKI H, et al.Low-Complexity Signal Detection by Multi-Dimensional Search for Correlated MIMO Channels[C]∥Kyoto, Japan:Communications (ICC) , 2011 IEEE International Conference on.IEEE, 2011:1-5.
[9]CHEN R H, CHUNG W H.Reduced Complexity MIMO Detection Scheme Using Statistical Search Space Reduction[J].Communications Letters, IEEE, 2012, 16 (3) :292-295.
[10]KIM Y, SEO J H, KIM H M.Partial MMSE-ML Detection for Coded MIMO Systems[C]∥Berlin:Consumer Electronics Berlin (ICCE-Berlin) , 2014 IEEE Fourth International Conference on.IEEE, 2014:256-258.
[11]GOLUB G H, VAN L C F.Matrix Computations[M].Baltimore:JHU Press, 2012:366-368.
多用户干扰 篇2
在多用户MIMO下行系统中, 基站需要同时向多个用户传输数据, 由于多个用户的信道存在相关性, 将会产生多用户干扰, 多用户干扰会严重影响系统的和容量。所以, 选择空间正交性好的用户进行传输是十分必要的。此外, 由于基站能同时传输的用户数目不能大于基站的天线数, 所以在用户数大于基站天线数时需要进行用户选择。合理的用户选择可以获得更高的空间分集增益, 进而增加系统的和容量[7]。半正交用户选择算法 (SUS) 可以选择空间正交性好的用户进行通信[8], 减小了多用户干扰。但是SUS算法假设基站完全已知信道状态信息, 不适合有限反馈系统。目前, 大多数多用户MIMO有限反馈系统都采用固定码本方案, 通过有限的反馈比特选择本地码本, 基站和每个用户都已知码本信息, 用户根据自己的信道条件和本地码本做相关, 选择信干噪比 (SINR) 最大的一个码字, 并通过上行反馈信道将码字编号及相应的SINR值反馈给基站, 基站在预编码时, 将该码字作为该用户的预编码矩阵。目前的多用户选择方案很少考虑用户公平性的问题, 然而在实际系统中, 有时需要照顾信道条件差的用户, 比例公平调度 (PFS) 通过观察用户在一段时间内的平均吞吐量来判断用户是否被调度, 能够兼顾公平性和系统和容量[9,10]。
1 系统模型
本文考虑多用户MIMO下行链路系统, 系统模型如图1所示。基站配置N根天线, 每个用户配置单根天线, 基站可以同时与K (K≤N) 个用户进行通信, 系统用户数目为M (K≤M) 。用户k的信道系数可以表示为hk (t) ∈C1×N, 其中我们假设hk (t) 中的每个元素是独立但不同分布复高斯随机变量, 均值为0, 不同的方差代表不同的信道条件。本地码本采用LTE码本, 基站选择一个子码本作为预编码矩阵W (t) (∈CN×N) 形成N个预编码向量。W (t) 的列向量w (t) 代表一个预编码向量。每个时隙基站可以同时与K个用户进行通信, 第t个时隙第k个用户的接收信号可以表示为
式 (1) 中s (t) ∈CN×1代表基站的发送信号, 满足归一化功率限制E{s (t) s (t) *}=1, nk (t) 代表接收端的加性高斯白噪声向量, Pk是基站分配给用户k的发送功率, 满足功率限制。在本文中, 信道采用时变的瑞利衰落信道, 假设每个用户完全已知自己的信道状态信息hk。LTE码本集合设为{F (0) , …, F (G-1) }, 其中代表子码本, fm (g) ∈CN×1代表一个码字。LTE码本的特点是相同子码本的列元素之间相互正交, 不同子码本的列元素之间不正交。所以, 在选择预编码矩阵时需要选择一个子码本作为预编码矩阵, 子码本的每个码字作为用户的预编码向量。每个用户利用公式 (2) 计算和每个码字 (g, m) 的SINR, 其中g代表第g个子码本, m代表第m个码字。并选择使SINR最大的码字序号 (g, m) 和相应的值SINRk, g, m反馈给基站。
式 (2) 中k=1, 2, …, K, g=1, 2, …, G, m=1, 2, …, N, G代表子码本的个数 (由反馈比特数目决定) 。
基站接收到每个用户反馈信息, 首先对每个码字选择一个使SINR最大的用户如公式 (3) 所示, 之后按照公式 (4) 计算每个子码本能获得系统和容量, 选择子码本序号g*使得Rg获得最大值, 基站选择F (g*) 作为预编码矩阵, 即W (t) =F (g*) 。
式中P0=P/N代表每个用户的发送功率。在本文中, 只考虑等功率分配。
2 PFS方案
2.1 传统的PFS
大多数对多用户选择算法的研究都只关注系统和容量而忽视用户公平性。因此, 信道条件差的用户基本得不到服务, 在服务质量 (QOS) 敏感的系统中这些用户的服务质量不能得到保证。Jalali和Padovani所提出的PFS方案可以有效地解决用户公平性问题。在PFS方案中, 选择用户时不仅仅根据用户的瞬时吞吐量, 还需要考虑之前一段时间内该用户的平均吞吐量, 提高了信道条件差的用户被选择的机会, 兼顾了用户的公平性。用户选择的准则可以表示为:
式 (5) 中Rk (t) 代表第k个用户的瞬时吞吐量, Tk (t) 代表第k个用户之前tc个时隙内的平均吞吐量。每个时隙, Tk (t) 根据公式 (6) 进行更新。
传统的PFS方案在一个时隙仅仅选择一个用户, 但是在本文中, 基站每个时隙需要选择K个用户, 因此在多用户MIMO下行系统中需要修改传统的PFS方案。
2.2 多用户MIMO系统中的PFS
在本文中, 基站一个时隙需要选择多个用户进行数据传输, 但是对于一个码字, 每次只能选择一个用户。因此, 在第t个时隙, 基站通过传统的PFS方案对码字 (g, m) 进行用户选择:
式 (7) 中Rk, g, m (t) 代表第k个用户对码字 (g, m) 的瞬时信息速率, Tk (t) 代表第k个用户之前tc个时隙内的平均信息速率, 每个时隙根据公式 (8) 进行更新。
式 (8) 中Rk (t) 代表用户k在第t个时隙的瞬时信息速率。
3 用户选择方案
在本文中, 我们选择LTE码本作为本地码本, 子码本的个数由反馈比特数决定, 而每个子码本的码字数目由基站的天线数决定。
第k个用户通过下行导频信道获取信道状态信息, 计算和每个码字的SINR数值SINRk, g, m。之后选择使得SINR最大的码字序号 (g*, m*) , 通过上行反馈信道用户k将SINRk, g*, m*和相对应的码字序号 (g*, m*) 反馈给基站。基站接收到每个用户的反馈信息, 通过以下过程进行用户选择。
步骤1:对于每个码字 (g, m) , 选择用户k*使Rk, g, m (t) /Tk (t) 最大。
式 (9) 中Rk, g, m (t) =lg (1+P0SINRk, g, m) 。
步骤2:对于每个子码本g, 计算子码本容量Rg (t) 。
步骤3:选择g*=arg 1m≤ga≤xGRg (t) 使Rg (t) 获得最大值, 因此预编码矩阵为W=F (g*) , 系统和容量为R (t) =Rg* (t) 。
步骤4:通过公式 (8) 更新Tk (t) 。
上述算法为考虑用户公平性的PFS算法, 如果不考虑用户公平性只是基于系统和容量, 则在步骤1时选择用户根据公式 (11) , 并且不需要步骤4。
4 仿真结果
本节将给出仿真结果, 观察采用PFS方案和基于和容量方案的有限反馈多用户MIMO系统的用户公平性和系统容量。为了比较不同信道条件用户的公平性, 这里通过不同的方差来区分不同信道条件的用户。假设在所有的用户中, 四分之一用户服从CN (0, 1) 分布, 四分之一用户服从CN (0, 1/2) 分布, 四分之一用户服从CN (0, 1/4) 分布, 其余用户服从CN (0, 1/8) 分布。基站配置4根天线, 即N=4, 每个用户配置单天线。反馈比特数可以选择2或者4, 因此根据LTE码本的产生方式可以有1或者4个子码本。发送功率为P=10 d B, 观察窗口tc=100。采用100 000次Monte-Carlo仿真得到仿真曲线。
图2给出了2个反馈比特和4个反馈比特时, 分别采用PFS方案和基于容量的方案的系统和容量曲线。由仿真图可以很容易地看出当采用相同的方案时, 反馈比特数越多系统和容量越大, 这是由于更多的反馈比特可以携带更多的信道状态信息, 本地LTE码本数目增加, 可以获得更高的码本增益。当反馈比特数目一定时, 基于和容量的方案可以获得更高的系统和容量, 这是因为此时选择用户仅仅以和容量为依据没有考虑用户的公平性。此外, 随着用户数目的增加两种方案的差距逐渐增加, 这是因为基于和容量的方案不受信道条件差的用户的影响, 但是PFS方案由于需要照顾更多的信道条件差的用户, 使二者差距逐渐增加。
图3和图4对比了两种方案的用户公平性, 这里假设用户数目固定为16个。本文中, 将每个用户获得的平均信息速率作为衡量用户公平性的标准。从仿真图中可以很清楚地看出与基于和容量的方案相比, PFS方案中信道条件差的用户获得了更多的信息速率。此外, 比较图3和图4还可以看出, 2比特反馈可以获得更好的用户公平性, 这是因为当反馈比特数目较大时, 可以产生更多的子码本, 这时每个子码本的虚拟用户数将会减少, 没有足够的用户供基站选择, 这对于信道条件差的用户是不利的。
为了观察信道条件差的用户被服务的情况, 图5给出了信道条件最差的用户所获得信息速率随用户数目的变化曲线, 即服从CN (0, 1/8) 分布的一组用户的平均信息速率随用户数目的变化曲线。从仿真曲线可以看出, 当用户数较少时, 2比特反馈PFS方案的用户能够获得更好的公平性, 信道条件差的用户能够获得更好的服务。但是当用户数目增加时, 2比特反馈PF方案和4比特反馈PFS方案的性能逐渐接近, 而4比特反馈PFS方案能够获得更高的系统和容量。所以, 在有限反馈LTE系统中, 如果用户数目较少, 可以采用更少的反馈比特来节省带宽利用率和提高用户公平性, 当用户数目较大时, 可以采用更多的反馈比特来提高系统的和容量。
5 结论
本文研究了有限反馈多用户MIMO系统下行链路的用户选择算法, 采用LTE码本作为有限反馈码本, 比较了基于和容量的方案和考虑用户公平性的PFS方案, 并深入地分析了反馈比特数目和用户数目对系统和容量和用户公平性的影响。从仿真结果可以看出, PFS方案可以兼顾系统和容量和用户公平性;当用户数目较少时, 可以用更少的反馈比特获取用户公平性和带宽效率, 当用户数目较大时, 可以用更多的反馈比特来提高系统和容量。
摘要：在多用户多输入多输出 (MU-MIMO) 下行链路系统中, 通过合理的用户选择可以提高系统的空间分集增益。大多数目前的研究中, 往往假设基站完全已知每个用户的信道状态信息 (CSI) , 不适用于有限反馈系统。此外, 目前的用户选择算法很少考虑用户的公平性。为了有效地解决这两个问题, 采用LTE码本作为本地码本, 提出了有限反馈系统下考虑公平性的用户选择方案。并且深入地分析了反馈比特数和用户数对公平性和系统和容量的影响。仿真结果显示, 当用户数目较少时可以用更少的反馈比特来获取公平性和带宽利用率, 当用户数目较大时可以用更多的反馈比特数获取更高的系统和容量。
关键词：MU-MIMO,用户选择,用户公平性,有限反馈
参考文献
[1] 3 GPP.Evolved Universal Terrestrial Radio Access (E-UTRA) .Physical channels and modulation.3GPP TS 36.211 version 10.0.0Release 10, 2011
[2] Caire G, Shamai S.On the achievable throughput of a multiantenna Gassian broadcast channel.IEEE Transactions on Information Theory, 2003;49 (7) :1691—1706
[3] Spencer Q H, Swindlehurst A L, Haardt M.Zero-forcing methods for downlink spacial multiplexing in multiuser MIMO channels.IEEE Transactions on Signal Processing, 2004;52 (2) :461—471
[4] Masoud, BabakHassibi.On the capacity of MIMO broadcast channels with partial side information.IEEE Transanctions on Information Theory, 2003;51 (2) :506—522
[5] Taesang Y, Jindal N, Goldsmith A.Multi-antenna downlink channels with limited feedback and user selection.IEEE Journal on Selected Areas in Communications, 2007;25 (7) :1478—1491
[6] Huang K, Hearth Jr R, Andrews J.Space division multiple access with a sum feedback rate constraint.IEEE Transactions on Signal Processing, 2007;55 (7) :3879—3891
[7] Wang Youxiang, Hur Sooyung, Park Yongwan, et al.Efficient user selection algorithms for multiuser MIMO systems with zero-forcing dirty paper coding.IEEE Journal on Communications and Networks, 2011;13 (3) :232—239
[8] Yoo T, Goldsmith A.On the optimality of multiantenna broadcast scheduling using zero-forcing beamforming.IEEE Journal on Selected Areas in Communications, 2006;24 (3) :528—541
[9] Sharma, Naresh.A Study of opportunism for multiple-antenna system.IEEE Transactions on Information Theory, 2006;51 (5) :1804—1814
多用户检测技术研究 篇3
1 概述
多用户检测技术通过测量各个用户扩频码之间的非正交性, 用矩阵求逆方法或迭代方法消除多用户之间的相互干扰。由于CDMA系统是一个多输入多输出 (MIMO) 系统, 传统的检测方式如匹配滤波器采用单入单出检测方式, 不能充分的利用用户的边信息, 而将多址干扰看作是高斯白噪声, 因此大大降低了系统容量。多用户检测技术利用各用户之间码字的非正交性来消除多用户之间的相互干扰, 将造成多址干扰的所有用户信号信息、均看作是有用信号信号, 利用其对单个期望信号解调, 来降低多址干扰和远近效应的影响, 也降低了系统对控制精度的要求, 进而提高了通信系统的容量, 成为下一代移动通信系统提高性能的关键技术之一。
2 多用户检测技术发展
多用户检测的想法最早在1979年由Schneider提出的, 但当时并没有引起人们的重视。直到1986年Verdu将最优多用户检测的理论向前推动了一大步, 认为多址干扰是具有一定结构的有效信息, 理论上证明采用最大似然序列检测可以逼近单用户接收性能, 并有效地克服了远近效应, 大大地提高了系统容量, 从而开始了对多用户检测的广泛研究。
然而由于最优多用户检测算法的复杂度随系统中的用户数呈指数关系增长, 当用户数较大时, 运算量非常大, 以致在现阶段还难以实用。但是Verdu的工作为进一步研究奠定了理论基础, 促使人们去寻求复杂度较低、性能上优于传统检测器的各种次优多用户检测器。研究首先集中在AWGN信道下的次优多用户检测上, 而在实际的CDMA通信系统中, 收端不可能知道所有发端用户信息, 而且多用户检测的参数如:振幅、相位和用户间的互相关系数经常改变, 因此开始研究自适应多用户检测算法。
在1995年Michael Honig等人提出了盲自适应多用户检测的概念, 这种多用户检测机仅需要和传统检测机相同的信息, 就可以检测出所发送的信号, 使得多用户检测技术向实用化又前进了一步。自适应滤波的原理在其中得到了广泛的应用各种算法纷纷被应用到多用户检测的系统中。
在1998年Xiaodong Wang和H.Vincent Poor提出了子空间盲多用户检测技术, 将盲自适应信道估计、盲自适应阵列响应估计与盲多用户检测技术结合在一起, 利用基于子空间的高分辨方法对接收的信号进行多用户检测。在1999年他们又将多径CDMA信道中接收天线阵列技术与盲多用户检测技术相结合, 提出了空时多用户检测技术。盲自适应技术不需要采用训练序列, 且提高了系统的动态跟踪能力, 因而近年来也成为一个研究热点。
3 急需解决的问题
3.1 目前多用户检测器的时间复杂度和结
构复杂度都与实际应用存在差距, 尤其是当一些参数 (频率、幅度、相位及同步) 估计不理想时相关系数矩阵会发生变化, 多用户检测器性能也会随之下降。
3.2 多用户检测仅考虑本小区内的用户干
扰, 对周围小区影响不予考虑, 而对CDMA系统中的盲多用户检测技术的研究于处在本小区边缘的移动用户, 周围小区的干扰是不容忽略的, 而如何在周围小区的影响下发挥和使用多用户检测器的特性, 尤其是在小区扇区化后, 多用户检测技术如何应用于实际系统中都是值得进一步研究的问题。
4 最新的研究成果
4.1 基于Lagrangian乘子法的多用户检测。
将二进制二次规划问题连续化为一个带等式约束的二次规划问题, 借助于求解等式约束的Lagrangian乘子法, 推导出Lagrangian乘子与用户信息码及信道噪声之间的关系。同时, 根据多用户检测问题的特殊性, 还给出了估计Lagrangian乘子的方法, 进而得到了一种新的多用户检测器。仿真结果表明, 新算法的误码率与最佳多用户检测器大致相同, 低于一般的次最优多用户检测器。
4.2 基于瞬时混合结构的盲多用户检测。
基本思想是将现有的盲信源分离算法 (BSS) 应用到MIMO-OFDM系统的信号检测中。该算法从MIMO-OFDM系统中的频点角度出发, 解决了BSS算法在存在时延的系统中的应用问题以及由于被分离后的信号重组而带来的不确定置换和通信系统中的复值信号性质所引发不确定的尺度变化问题。方法的有效性已通过计算机仿真得以验证[2]。
4.3 基于演化策略的多用户检测。
DS-CDMA无线通信中的最优多用户检测属于NP完备组合优化问题, 启发式方法是求解这类问题的有效方法, 通过分析最优多用户检测问题的适应值曲面特征, 研究和设计系列低计算复杂度、接近最优多用户检测性能的启发式算法。仿真结果表明[3], 基于演化策略的多用户检测算法能够在中等规模用户数情况下提供与最优多用户检测相当的性能, 而快速迭代局域搜索算法能够以较低的计算复杂度得到比其他局域搜索算法更好的解。
4.4 基于MPIC算法的多用户检测。
在RAKE接收机的基础上, 用前一级解调出的信号对多径干扰进行估计, 并在后一级解调每一径时从接收信号中减去其他径干扰的估计, 以消除由于多径衰落造成的符号间干扰。MPIC算法是一种非线性的多用户检测算法, 采用多级迭代的方法消除多用户之间的干扰。随着迭代级数的增加, 该算法的性能将逐渐提高, 但也会增加运算的复杂度和时延。在MPIC的实现过程中, 综合算法复杂度和性能方面, 采用了2级IGU单元估计多径干扰, 每一级估计的多径干扰的准确性将随着级数的增加而增加[4]。
4.5 基于免疫克隆选择算法的多用户检测。
为了解决最佳检测器计算复杂度较高的难题, 提出一种精简有效的克隆选择算法。把人工免疫系统和神经网络系统的信息处理机制引入到CSA提出了免疫克隆选择算法。所提ICSA通过使用随机Hopfield神经网络制备疫苗构成新的免疫算子, 把新的免疫算子结合到克隆选择算法中, 不仅加快了克隆选择算法的收敛速度, 并提高了克隆选择算法的全局收敛能力。在CDMA系统利用此算法设计了新的多用户检测器, 仿真结果证明了ICSA检测器能够快速收敛到全局最优解, 并且无论抗多址干扰和抗远近效应能力都优于传统方法和一些应用优化算法的多用户检测器[5]。
5 结论
以上这些多用户检测算法多是停留在理论的探讨阶段, 寻找复杂度与性能之间的合理折中且能满足实际高速信号处理需要的实用化多用户检测器仍是目前多用户检测研究的主要方向。相信随着多用户检测理论的不断成熟和工业技术的不断进步, 尤其是半导体技术及DSP器件的飞速发展, 多用户检测技术一定能在未来的移动通信系统中得到充分利用。
参考文献
[1]刘文龙, 马晓红.Lagrangian乘子法在多用户检测中的应用[J].通信学报, 2008 (1) :51-55.[1]刘文龙, 马晓红.Lagrangian乘子法在多用户检测中的应用[J].通信学报, 2008 (1) :51-55.
[2]赵宸, 郭滨, 王珂.基于瞬时混合结构的盲多用户检测[J].通信学报, 2008 (2) :134-140.[2]赵宸, 郭滨, 王珂.基于瞬时混合结构的盲多用户检测[J].通信学报, 2008 (2) :134-140.
[3]王少尉, 季晓勇.最优多用户检测问题研究[J].电子学报, 2007 (12) :2339-2342.[3]王少尉, 季晓勇.最优多用户检测问题研究[J].电子学报, 2007 (12) :2339-2342.
[4]冯侨, 郑建宏.TD-SCDMA系统中多用户检测算法比较[J].重庆邮电大学学报 (自然科学版) , 2007 (12) :710-712.[4]冯侨, 郑建宏.TD-SCDMA系统中多用户检测算法比较[J].重庆邮电大学学报 (自然科学版) , 2007 (12) :710-712.
直接序列扩频多用户检测算法 篇4
1 最优多用户检测算法 (ML)
不确定性最优多用户检测算法是1986年Verdu提出的最大似然 (ML) 多用户检测算法。对于同步CDMA系统, 接收信号的最佳解调向量如下表示:
对于CDMA系统中同时传送信息的K个用户来说, 每个用户传送信息bk的取值有+1和-1两种可能, 向量B=[b 1, b 2, , ......b K]T的组合有2K种, 这种算法的目的就是要从种组合的用户信息向量中找出一种使似然函数最大的输出信息向量。使用该算法时, 用户每发送一个比特信息, 该算法的复杂度为O (2K) 。实际的CDMA系统具有相当庞大的活动用户数量, 该算法的复杂度随用户数量的增加呈指数上涨, 实际的系统中该算法运算的复杂度会使得系统难以忍受。
2 解相关多用户检测算法 (DEC)
多址干扰是由于不同用户的扩频码不能完全正交引起的。抑制多址干扰的影响, 去除所有用户扩频码之间的相关性, 是解相关检测的基本思想。
考虑离散CDMA信号模型。
第一步, 用转置后的扩频码集矩阵S左乘信号Y得到匹配信号Z。
其中R=SST, 叫做相关矩阵, 第一步的处理实质上就是对每个用户进行匹配的单用户检测。
第二步, 对相关矩阵R求逆, 得到R-1。
第三步, 用R-1左乘第一步中得到的匹配信号z, 并对结果进行判决。
由于需要计算相关矩阵的逆矩阵, 使得解相关多用户检测算法的计算复杂度达到了O (k3) 。
3 最小均方多用户检测算法 (MMSE)
最小均方 (MMSE) 多用户检测算法同时考虑了背景噪声和多址干扰, 该多用户检测算法的实质是使发送的信息与检测输出数据的均方误差最小, 即代价函数E[B-TY2]最小, 其检测过程如下。
其中R=SST为相关矩阵, A为振幅矩阵, ∂2为高斯白噪声的方差。将线性变换矩阵与匹配滤波器组输出向量相乘得到最小均方误差检测器输出, 再对此输出进行判决。
和解相关多用户检测一样最小均方多用户检测算法也需要计算相关矩阵的逆, 在运算复杂度上相对解相关多用户检测算法没有改变。
参考文献
[1]Verdu S.Multiuser detection[M].Cambridge University Press, 1 99 8.
[2]R.Kohno, M.Hatori, H.Imai.Cancellation technique of co-channel interference in asynchronous spread spectrum mul-tiple access systems[J].Elect.And Comma.In Japan, 1983, 66:20～29.
多用户干扰 篇5
在现代计算机管理信息系统设计中, 用户自定义的多事务处理的设计与管理是否合理, 对于提高数据库运行性能非常重要。Power Builder是一个开放的协作式环境, 具有可以访问任何一个常用的后台数据库系统的开放系统功能。在一个多用户客户/服务器结构中, 服务器驻留的数据库可能不止一个, 客户端可能还有本地数据库, 这就有可能发生在同一时间内对某一数据库有多个连接请求, 而在一个客户应用中同时要实现与多个分布数据库连接的情况。此外, 将来随着用户业务的扩展, 还可能引起数据库类型和数量的增加, 或选择其它数据库系统。而所有这些功能要求的实现都建立于事务处理的基础上, 因此事务处理的组织、管理与设计在管理信息系统设计中处于十分重要的地位, 尤其在开发分布式数据库系统和分布式处理以及事务的并发控制中对系统的整体性影响很大。
2 事务对象的基本应用
当应用程序与单一数据库进行通信时, 仅使用Power Builder提供的默认全局事务对象SQLCA就能满足要求。如果要管理许多并发的用户数据库请求和连接处理, 必须建立附加的事务对象。为实现与多个数据库进行连接, 则需要创建多个事务对象, 每个事务对象负责一个数据库连接。
2.1 事务对象的基本特征
在大型应用软件开发设计中, 事务处理的管理与控制基于事务对象进行, 每执行一次COMMIT提交或ROLL-BACK回退, 都影响到事务对象处理状态。事务对象是一个特殊的不可视对象, 它拥有用于连接数据库及从数据库得到反馈的所有信息, 为应用程序与数据库之间的通信提供一个通信区并实现与之相关的进程处理[1]。事务对象的属性包含数据库连接参数, 事务处理依据连接参数建立与数据库连接, 完成所需的数据库操作。事务对象除具备对象的所有特征外, 还有原子性、一致性和提交的可控性等特征。
2.2 事务对象的重载与多态性应用
应用中可通过多个事务对象与一个数据库建立连接, 这多个连至同一数据库的事务对象其属性可互有差异, 当应用支持多个不同用户连接同一数据库时, 不同事务对象的UID和PWD可不同, 而其它连接参数可相同。设数据源DSN1指向一特定DBMS, 事务对象A1, A2, …, Am, …, An可同时以各自的参数与DSN1建立连接, 当应用需要动态切换数据源时, 可通过事务类的声明和赋值使事务对象An完全等价事务对象Am, 从而形成多个不同名事务对象具有同样的事务处理功能, 这是多态性的体现;另一方面对于使用事务对象An的应用来说, 数据源动态切换前后, 同样的An却连接到不同的DBMS, 类似函数重载。利用事务对象对多态性与重载的支持开发多用户多数据库管理信息软件具有很高的应用价值, 但目前尚无有关经验可借鉴, 容易被开发者忽视。笔者在实际工程设计中, 正是利用事务对象的这种多态性与重载, 实现了同一应用环境中多个不同身份用户对多个数据库操作的安全性管理。同时, 利用事务对象重载, 使应用能方便地运行于不同的数据库环境, 真正做到库对象的位置对用户的透明性。
2.3 合理利用事务对象缓冲池
在多事务处理设计中, 多用户事务控制管理是重要的一环。多用户多数据库应用系统的数据库连接频繁发生, 每次都有数据库建立CONNECT以及应答等一系列系统资源开销, 合理利用事务对象缓冲池, 可以有效地提高数据库运行性能[2]。
采用传统设计方法不使用缓冲池时, 每当执行DIS-CONNECT时, Power Builder从物理结构上终止数据库事务处理。而利用缓冲池技术进行设计时, 每当执行DIS-CONNECT时, Power Builder只是逻辑上终止数据库事务处理, 并提交数据库改变, 在物理结构上并不删除事务处理, 在事务对象缓冲池中依旧保持与数据库的连接, 欲再次连接缓冲池中已解除连接的事务对象时, PowerBuilder仅检验本次连接的参数是否与缓冲池中相应的事务对象连接参数一致, 这些参数包括DBMS, 服务器名和数据库名等, 一旦匹配, 只要建立新关联即可, 而将数据库重新建立CONNECT以及应答等一系列系统资源开销省去, 极大地提高了系统性能。同时, 由于并未从物理结构上删除事务处理, 因此在多用户情况下, 其他数据库操作者仍然可以继续使用数据库事务处理。正是基于这些功能, 使得C/S和B/S体系结构并发数据库控制的设计更加灵活和有效, 其代价只是内存资源开销由于缓冲池而略有增加, 这对于目前大多数客户机内存的普遍配置而言均不存在问题。
2.4 自定义事务对象
在计算机管理信息系统开发设计中, 应根据系统的需求并考虑到今后的发展, 可能需要创建多个事务对象并进行管理, 具体实现的方法有多种。其原则是使用方便、灵活并便于DLL动态库运行模式。例如采用用户自定义函数的方式创建用户事务对象, 在声明事务对象类用户变量后可定义用户函数:
uf-db-connect (Transaction用户事务对象名, String DBMS, String数据库连接数参数串) , 需要创建用户事务对象时, 只需调用uf-db-connect函数并提供所使用的事务对象名、DBMS和数据源连接串3个参数即可。
2.5 应用中需注意的其它问题
1) 在完成数据库操作后, 应解除与数据库的连接。当关闭一个事务对象的数据库连接时, Power Builder自动执行一个COMMIT语句。当一个用户自定义事务对象完成了它的使用之后, 应该将它清除, 以释放它所占据的内存空间。因为Power Builder自动创建和清除系统默认的事务对象SQLCA, 所以不用对SQLCA执行清除。
2) 程序中有2类语句在执行后应该检查事务对象的SQLCode属性返回代码, 以判断相应操作是成功还是失败, 然后根据判断结果做出相应处理。这2类语句为:事务管理语句 (如CONNECT, COMMIT, DISCONNECT) 和嵌入式或动态SQL语句。
3) 执行DISCONNCT时应注意Power Builder会自动执行COMMIT。
4) COMMIT终止工作逻辑单元, 并保证自当前开始的工作逻辑单元成为新的工作逻辑单元。
5) ROLLBACK终止工作逻辑单元, 变更无效, 开始新工作逻辑单元。
6) 数据库应用开发时还应考虑何时CONNECT和何时COMMIT, 其目的是使性能最优, 锁滞 (lock) 和资源使用最小。在非长运行连接方式下 (no long-running connection) , 在连接生命期内CONNECT占用大量时间并占用很多资源, 当时间资源更为重要时, 可限制非缓冲CONNECT数目。宜采用长运行连接方式 (long-runing connection) 。
7) 连接一旦建立, SQL语句可能会在数据库服务器入口形成锁滞。在给定时间内锁滞越多 (lock) , 很有可能使别的事务对象挂起的越多。
8) 要决定是否值得采用长运行连接方式, 应考虑只有在绝对需要时, 才将应用采用长运行连接方式连至数据库, 所有事务完成后, 应马上解除连接。如采用长运行连接方式, 应尽可能恰当地执行COMMIT, 以保证所做变更在数据库端被及时执行。更重要的是有些语句执行CON-NECTION后, 很可能已在数据库入口被封锁, 应及时发送COMMIT语句以释放这些封锁。
9) 使用函数Settrans () 或settransobject () 的依据, 取决于采用datawindow事务处理的缺省进程调度, 还是在脚本中对事务处理进行控制干预 (settransobject () function) 。由于系统性能要求的限制而无法采用长运行连接方式时, 必然要形成多个短暂事务处理, 此时可利用缺省datawindow事务进程。如果希望连接处于保持打开并周期性地进行commit, 则应使用settransobject () 函数使得对事务处理可控。
3 结论
借助事务对象缓冲池、对象重载与多态性进行应用框架设计, 合理配置数据库事务对象缓冲池工作方式, 使得与数据库连接的开销最小, 支持的连接尽可能多, 大大的提高了数据库运行性能。
(编辑:王智圣)
参考文献
[1]李国民, 张磊.PowerBuilder7编程基础[M].北京:清华大学出版社, 2000.
多用户干扰 篇6
在室内及小区、高铁高速隧道的多运营商共建共享建设中, 需要引入多个系统。多系统共存时, 会产生系统内部干扰、系统间干扰以及系统外干扰。本文主要讨论系统间的干扰, 主要包括杂散干扰、互调干扰和阻塞干扰。
2 多系统共建存在干扰的主要类型
2.1 各运营商网络制式及频段简介
目前, 中国移动、中国电信、中国联通三家运营商共有GSM900M、GSM1800M、TD-SCDMA、WCDMA、CDMA, 加上即将大规模建设的TD-LTE, 共计9个系统同时存在。各系统网络制式及频段如表1所示。
2.2 干扰类型
通信系统间的干扰主要有系统内部干扰、系统间干扰以及系统外干扰, 本文重点关注系统间的干扰系统。其干扰类型主要有杂散干扰、阻塞干扰和互调干扰。
(1) 杂散干扰
杂散干扰是一个系统的发射频段外的杂散发射落入到另外一个系统接收频段内造成的干扰, 其发射电平可以降低而不致影响相应信息的传递。杂散发射包含谐波发射、寄生发射、互调产物及变频产物, 但带外发射除外。干扰基站在被干扰基站接收频段内产生杂散辐射, 并且干扰基站的发送滤波器没有提供足够的带外衰减, 会引起接收机噪声基底的增加而导致接收机灵敏度的降低。
(2) 阻塞干扰
阻塞干扰是指当较强功率加于接收机端时, 可能导致接收机过载, 使它的增益下降的干扰情况。为防止接收机过载, 从干扰基站接收的总的载波功率电平需要低于它的1dB压缩点。
(3) 互调干扰
互调干扰是指由于系统的非线性导致多载频合成产生的互调产物落到相邻系统的上行频段, 使接收机信噪比下降的干扰情况。
3 几种干扰的隔离度分析
3.1 系统间干扰的隔离原则
(1) 被干扰接收机在设备机顶天线连接处接收到来自干扰发射机的杂散干扰电平需在接收机底噪ROT (dB) 以下。ROT以灵敏度损失不超过1dB为原则。这里取6.9dB作为杂散辐射的干扰底限, 这时灵敏度损失0.8dB对系统的影响很小, 可忽略。
(2) 由干扰发射机导致被干扰接收机产生的每个三阶交调 (IMP) 不超过接收机允许的互调干扰限值。
(3) 被干扰接收机经滤波器衰减后的全部干扰载波功率不超过接收机允许的阻塞限值。
3.2 杂散干扰隔离度分析
杂散干扰所需要的隔离度为:
MCL≥Pspu-10Log (WInterfering/WAffected) -Pn-Nf+6.9
其中:
MCL为隔离度要求;
Pspu为干扰基站的杂散辐射电平, 单位为dBm;
WInterfering为干扰电平的测量带宽, 单位为kHz;
WAffected为被干扰系统的信道带宽, 单位为kHz;
Pspu-10Log (WInterfering/WAffected) 为干扰基站在被干扰系统信道带宽内的杂散辐射电平;
Nf为接收机的噪声系数, 基站的接收机噪声系数一般不会超过5dB;
Pn为被干扰系统的接收带内热噪声, 单位为dBm。
Pn=10lg (KTB)
其中:K为波尔兹曼常数, 其值为K=1.38×10-23;T为绝对温度, 常温下取值为T=290K;B为信号带宽, 单位为Hz。
将常量带入公式可以简化为:
比如, GSM900系统工作信道带宽为200KHz, 因此GSM系统工作信道带宽内总的热噪声功率:
-174dBm+10lg (200×1000Hz) =-121dBm。
各系统的接受带内热噪声如表2所示。
根据国家无委、工信部的要求和相关国际、国内标准, 对各系统设备杂散干扰指标要求 (比如对GSM, 要求是在1GHz～12.75GHz频率范围内, 杂散指标为最大-30dBm/3MHz) , 可以计算出各系统间杂散隔离度要求 (单位:dB) 如表3所示。
其中最高的要求为92dB。
因此对于各系统间的隔离, 如果是上下行合缆, 采用器件隔离方式, 即依靠多频合路器 (或POI) 系统实现系统间隔离, 则器件的杂散隔离度 (带外抑制指标) 需要大于92dB。
3.3 阻塞干扰隔离度分析
当一个较大干扰信号进入接收机前端的低噪放大器时, 由于低噪放大器的放大倍数是根据放大微弱信号所需要的整机增益来设定的, 强干扰信号电平在超出放大器的输入动态范围后可能会将放大器推入到非线性区, 导致放大器对有用的微弱信号的放大倍数降低, 甚至完全抑制, 从而严重影响接收机对弱信号的放大能力, 影响系统的正常工作。
在多系统设计时只要保证到达接收机输入端的强干扰信号功率不超过系统指标要求的阻塞电平, 系统就可以正常的工作。
假设接收机的阻塞电平指标为Pb, 干扰发射机的输出功率为Po, 只要:
Pb≥接收的干扰电平=Po-MCL
这时, 强干扰信号不会阻塞接收机, 这种情况下需要的系统间隔离度为:
MCL≥Po-Pb
根据国家无委、工信部的要求和相关国际、国内标准, 对各系统设备阻塞干扰指标要求 (比如对WCDMA, 要求是在1920～1980MHz频率范围内, 阻塞指标为最大-40dBm) , 可以计算出各系统间阻塞干扰隔离度要求 (单位:dB) 如表4所示。
综合杂散和阻塞干扰, 可得各系统间隔离度详见表5 (取杂散和阻塞干扰最大值) 所示。
从表5可以看出, 计算出的各系统间杂散干扰和阻塞干扰要求的系统隔离度最大为92dB。
3.4 互调干扰隔离度分析
多系统合路较突出的互调产物为三阶互调产物, 由三个频率F1、F2、F3频段产生的三阶互调干扰分为:
三阶I型 (双信号互调) , 即2F1-F2, 2F1-F3, 2F2-F1, 2F2-F3, 2F3-F1, 2F3-F2;
三阶II型 (三信号互调) , 即F1+F2-F3, F1-F2+F3, F2+F3-F1。
多系统覆盖时由于引入的系统频段相当多, 各系统又有上行、下行, 因此互调干扰的情况会很复杂。但由于上行为弱信号, 主要考虑下行对上行的互调干扰。
假设对于三阶I型互调:GSM、CDMA两个干扰信号所对应的三阶互调干扰频率:
第一干扰信号f1:CDMA下行870～880MHz;
第二干扰信号f2:GSM下行930～960MHz;
可计算得:2f1-f2=2×870-960=780 MHz;
2f1-f2=2×880-930=830 MHz。
互调频率在780～830MHz之间, 该频段影响了CDMA (825～835MHz) 信号。以此类推, 可以计算出多个系统间相对应的互调干扰组, 如表6、表7所示。
其中蓝色数值的频率组表示可能存在互调干扰。比如2Fi-Fj频率表中的{1935～1955}, 表示TD-SCDMA (F) 与DCS (移) 的互调产物会干扰联通的WCDMA上行频段。
互调干扰隔离计算公式:
MCL为隔离度要求;
Pn为被干扰系统的接收带内热噪声, 单位为d Bm;
Nf为接收机的噪声系数, 基站的接收机噪声系数一般不会超过5dB;
P1为干扰系统1的信号电平 (dBm) ;
P2为干扰系统2的信号电平 (dBm) ;
P3为干扰系统3的信号电平 (dBm) ;
POI合路器互调抑制值, 一般为-120～-140dBc, 在这里, 为了计算, 取最高值-140dBc。
这里计算互调要求的隔离度是按最大的干扰信号进行计算的, 实际上的互调信号电平都不大于这个值。
根据互调干扰组中各系统的下行最大发射功率, 可以计算出在POI合路器互调抑制值取-140dBc, 不同的互调干扰情况下, 仍然需要20dB的隔离度。因此, 如果采用上下行合缆的方式, 因为互调信号对上行信号的干扰不存在空间隔离度和链路损耗, 因此对器件 (多频合路器或POI) 的互调抑制度要求非常高, 必须达到-160dBc左右才能够满足系统指标要求, 目前主流厂家的POI设备互调抑制均无法达到-160dBc。
4 几种干扰的解决方案
4.1 POI简介
在探讨解决方案之前, 有必要对目前建设中大量使用的POI系统做一下介绍。
POI多系统接入平台 (Point Of Interface) 运用频段合路器与电桥合路器, 将接入的多种业务 (包括CDMA800、GSM900、GSM1800、3G、LTE等) 信号合分路, 并将合分路后的信号引入天馈分布系统, 达到充分利用资源、节省投资的目的。根据其合路方式的不同可以分为以下两种方式:
(1) 收发同缆的POI合路
如图1所示, 收发同缆的POI合路由于其无法避免高功率下多种系统间的相互干扰, 所以只能支持有限的几种系统组合的合路。其特点是结构相对简单, 体积下, 安装灵活、适用于普通中、小规模建筑的室内覆盖等项目。
(2) 收发分缆的POI合路
如图2所示, 收发分缆的POI合路适合于大范围室内覆盖系统使用, 其特点是功能完善, 性能指标高, 适用于各种城市地下铁路、飞机场航站楼、大型会展中心、大型商务商业中心等城市大型建筑室内覆盖项目。
4.2 杂散、阻塞干扰解决方案
从第3节的干扰隔离度计算分析中可以得出, 各系统间的杂散干扰和阻塞干扰要求的系统隔离度最大为92dB, 目前的主流POI厂家系统隔离度均可以满足杂散和阻塞隔离度的要求。
4.3 互调干扰解决方案
根据第3节的干扰隔离度计算分析结果, 目前主流厂家的POI设备互调抑制均无法达到-160dBc, 无法通过POI设备本身解决互调干扰问题。
因此, 为了减少互调干扰带来的影响, 可以采取以下措施:
方案一, 合理的频率分配方案——采用无互调的信道组
方案二, 调整干扰系统发射机的输出信号功率。
方案三, 增加干扰系统发射机和被干扰系统接收机之间的隔离度——采用收发分开的天馈系统, 通过信号的空中链路衰减增加隔离度。
对于方案一, 若引入系统数量较少, 则各运营商可根据互调频率表, 通过合理的频率分配方案规避互调干扰。但是随着引入系统的增加, 互调干扰的种类会变得越来越多, 此时通过频率规划规避互调干扰将会异常困难, 而且将会对用户感知造成较大影响。
对于方案二, 此种措施是以牺牲设备的覆盖能力为代价, 对造价影响较大。尤其是在隧道覆盖中, 设备的数量及安装位置受限于避风洞的位置, 此方案的适用场景较为有限。
对于方案三, 采用收发分缆的POI, 此方案可通过信号的空中衰减来增加隔离度, 一般可增加50dB左右, 完全可以满足要求, 规避互调干扰, 适用场景及实际覆盖效果较好。
5 结束语
POI的隔离度可以满足杂散干扰和阻塞干扰的要求, 但是由于互调干扰是由于非线性的产物, 存在诸多不确定性因素。针对共建系统较少 (建议四系统及以下) 的情况时, 可以通过频率规划来规避。但是对于共建系统较多 (四系统以上) 的情况时, 建议通过上下行分缆来解决。
摘要：室内及小区、高铁高速隧道等专项覆盖, 历来是各电信运营商在网络建设中改善客户感知、提升用户体验、体现品牌形象的重点, 也是建设的难点。随着运营商节能减排、共建共享力度的加大, 上述场景中各运营商之间的共建共享越来越多。在多系统共存的情况下, 都会产生哪些干扰, 应该如何解决, 是此类场景建设中必须要考虑的问题。本文详细分析了多系统共存时产生干扰的类型, 并对干扰的解决方案进行了探讨。
关键词：多运营商多系统覆盖,共建共享,干扰,POI,上下行分缆合缆
参考文献
[1]王代飞.多制式共用无源分布系统隔离度的计算.2007.
[2]孙镜华.LTE与其他系统室内分布干扰分析探讨.2011.
多用户干扰 篇7
虽然多小区协作协议的复杂性有所差异, 但基本的原理是相同的:基站不再单独调整它们的物理层和链路/MAC层参数 (功率等级、时隙、子载波的使用、波束赋形系数等) 或彼此独立的解码, 而是通过几个小区之间的回程链路交换信道状态信息 (CSI) 及用户数据信息, 来协调它们的编码或解码操作同时进行多小区发送/接收。如图1所示用户的移动台 (MS) 将与多个基站的天线建立上下行链路进行通信。相互协作的各基站通过X2接口共享CSI及用户数据, 这里相互协作的基站都由回程链路有效地连接到一个中央处理器 (CP) 。
根据协作的水平不同可以将多小区协作ICI处理技术划分为多小区干扰协调和多小区联合处理。干扰协调:基站之间仅能共享由用户终端反馈的直传链路和干扰链路的CSI。多小区联合处理:基站之间由容量高延迟小的链路连接, 不仅可共享CSI而且还有它们各自用户的完整数据。
2 多小区干扰协调及多小区联合处理的研究现状
2.1 多小区干扰协调的研究现状
多小区干扰协调方案中的基站只能共享直传链路和干扰链路的CSI, 可利用CSI采用跨越多小区的传输策略以处理干扰。传输策略常包括:调度、功率控制、波束赋形以及为消除干扰而专门设计的先进编码方法。
文献[1][2][3][4][5]广泛地研究了多小区环境中的资源分配问题包括跨越多个基站的调度和联合功率控制。在联合功率控制协调策略中寻找优化问题的全局最优解是一个公认的难题。在文献[4][5]中提出了在调度和功率分配之间作迭代以获取最优解的方法, 但其主要困难是仍然存在非凸的SINR表达式, 这样此问题就没有凸的重构解。文献[6]提出了让每个小区中的基站以博弈论模型独立的优化自己的发射功率, 其多个小区最终收敛到一个最优的状态。然而要进一步提升小区边缘的性能除非进行多小区协作。文献[7]提出了一个有前景的被称为干扰评价 (Interference Pricing) 的方法, 即设计一种机制以测量每个基站的发射机对其邻近发射的干扰, 然后在基站之间交换这些测量值以进行协调。
当基站配备多天线时, 就提供了额外的可用空间维度从而使波束赋形向量有可能跨多个基站协调, 从而减小对位于小区边缘用户的小区间的干扰, 可进一步提升整个网络的小区边缘性能。文献[8]应用上下行链路的对偶性在TDD多小区环境下提出了用上行链路接收机最优的波束赋形作为下行发射波束赋形, 然后在波束赋形更新与功率更新步骤之间迭代, 以最终满足目标SINR的算法。且此方法可以分布式地实现最优的多小区波束赋形和功率控制。尽管迭代更新的发射波束赋形向量及功率不能保证收敛到全局最优解, 仅保证有一个局部最优解, 但是对现有的静态网络性能有所提升。
2.2 多小区联合处理的研究现状
然而, 要进一步提升网络的数据传输速率除共享CSI之外, 就必须使基站同步, 而且参与协作的基站之间通过高容量的回程链路共享所有活动用户的数据流或所有天线接收到的信号。在原理上, 多小区联合处理由整个网络或至少有一个区群共同协作为用户终端 (UE) 提供服务, 联合使用属于不同小区的几个基站天线发射或接收多个用户的数据流, 从而经过适当的预编码/解码使所有的传播链路 (包括干扰的链路) 能用来携带有用数据。
文献[9]于2001年首次研究了CDMA网络中下行信道的多小区协作处理即软切换技术, 其假设基站与CP之间的回程链路的容量是无限的。文献[10]提出了在回程链路容量有限的情况下, 邻近基站之间的链路可提供一个速率有限的与接收信号有关的处理信息。其不仅提供了接收信号的有用信息而且还有干扰的相关信息。文献[11]中采用脏纸编码使用TomlinsonHarashima预编码或Lattice预编码策略可近似的将已知的干扰预先滤除。文献[12]将网络内波束赋形向量的优化与连续的解码或脏纸预编码指令结合起来变成一个相关的问题研究, 并提出相应的解决方案。多小区联合处理是当前比较活跃的一个研究领域。
3 多小区协作所面临的挑战
3.1 信道不确定性对多小区协作的影响
网络容量:信道不确定性会影响点对点MIMO信道 (在LTE、LTE-Advanced网络中采用了MIMO技术) 的可扩展性。这是因为在一个连续的数据块中发射天线的数量不应超过符号的数量[13]。部分块符号必须用于训练从而使MIMO信道可以在接收机端进行测量。即能有效使用的发射天线数受限于符号的相干时间。这对多小区协作MIMO网络的影响是什么?文献[14]对此问题进行了研究, 其利用随机矩阵理论获得了易处理的每小区速率表达式, 涉及的参数有基站的数量及符号的相干时间等。由于测量额外的信道参数需要付出一定的代价, 所以每小区的速率在有些情况下会随协作基站数量的增加而减小。这一结论可能会影响协作MIMO网络中所使用的最优区群的规模, 从而影响整个网络的容量。
3.2 如何设计更实用的多小区协作方案, 以使其信令开销随网络规模变大而适度地增大?
此问题的提出是由这样的一个基本问题所引出的:由多小区联合处理而带来的增益是否会被隐性的信令开销所抵消?有两条减少信令开销的研究路线:第一条是处理由信道状态信息衍生的有效信息, 即研究预编码和解码算法通过降低预编码方案和解码方案的复杂性来减少信令开销。第二条假设共享的是 (完全的或可能是部分的) 信道状态信息, 研究的重点是如何利用分布式的预编码和解码算法去实现可扩展的协作方案。
3.3 CSI的采集
一个很重要的开放性问题是:要确定网络中每个特定的节点究竟需要多少CSI, 包括其它网络节点已经测量过的信息。此问题引起了反馈资源的分配问题, 多小区MIMO协作带来的增益是以反馈资源的开销为代价的, 因此当干扰足够强时付出此代价是合理的。更一般地, 仍需在理论上探讨如何在协作所带来的增益与信息交换所需开销之间做权衡的问题。
4 未来研究趋势
多小区协作的研究才刚起步需要做进一步的研究。与标准的MIMO系统 (其多天线处理的成本在于单个设备额外的硬件和软件) 不同, 多小区MIMO协作技术的代价在于参与协作的设备之间或设备与集中式架构的中央控制器之间的额外信息交换 (用户数据和信道状态) 。而且信息交换受到严格的延时限制, 这难以满足一个大型网络的要求。现存的大多数关于多小区MIMO协作的研究都是基于集中式架构的MIMO网络系统, 这对未来的MIMO网络是不现实的, 将来的LTE、LTE-Advanced网络架构将向全IP扁平化方向发展, 需要大力研究多小区MIMO协作的分布式解决方案。
5 结语
ICI是制约LTE系统性能的重要因素, 基于多小区协作的干扰协调和多小区联合处理是目前正在研究的两种ICI处理技术, 虽然取得了一些研究成果, 但是距商用的水平还有一定的差距, 需要做进一步研究。
摘要：介绍了多小区协作ICI处理技术的最新研究成果, 分析了现有方案所面临的挑战, 最后对多小区协作ICI处理技术的发展趋势做了展望。