多用户资源共享论文（精选9篇）
多用户资源共享论文 第1篇
在认知无线 (Cognitive Radio, CR) 网络中, 频谱共享可以进一步提高频谱利用率, 由于主用户 (Primary User) 比认知用户 (Cognitive User) 具有更高的优先权, 因此频谱共存策略必须保证主用户的Qo S。将MIMO技术应用到CR中, 空间复用和分集增益将给多天线认知网络带来更多的益处。然而MIMO系统是针对无线多径信道而产生的, 对于频率选择性衰落无法避免, 而解决频率选择性衰落问题是OFDM技术的一个长处。因此MIMO与OFDM的结合将成为一种优化组合。
本文考虑针对主用户行为的可能变化, 提出基于主用户行为的多天线频谱共享方案, 并根据CR系统中频谱共享的覆盖和平铺两种不同的接入方式, 分别提出两种系统频谱共享优化算法。在本文中, 大写粗体字母表示矩阵, 小写粗体字母表示向量。对于方阵A, |A|表示矩阵是行列式, Tr (A) 表示矩阵的迹, 而A*则表示任意矩阵的共轭转置。I代表单位矩阵。E[·]表示期望。
图1认知MIMO的系统模型
2系统模型
本文系统模型考虑的认知系统模型包括K个主用户接收器和一对具有多天线的认知用户发送和接收器, 并假设认知用户发送和接收端之间的MIMO信道以及认知用户发送端和主用户接收端之间的MISO信道在认知用户发送端是已知的。在单信道条件下, 认知用户接收到的信号向量为:
H∈□Nr×Nt为认知用户信道矩阵, Nt, Nr分别为发送和接收端的天线数。y (n) 和x (n) 分别为接收和发送的信号向量, n为符号指数, z (n) 为认知用户接收端的加性噪声向量, z (n) □CN (0, I) 。设认知用户的发送信号向量的协方差矩阵为R, R=E[x (n) x* (n) ], 且根据信息论中理想的高斯码本包含无限的码字符号, 即x (n) □CN (0, R) 。设认知用户的传输功率限制为Pt, 那么需满足Tr (R) ≤Pt。gi∈□1×Nt为认知用户发送端到第i个主用户接收端的信道矩阵, 1≤i≤K。发送信号向量的协方差矩阵R可以奇异值分解为:
2.1主用户的行为模型
设K个主用户具有相互独立的信道, 每个主用户信道状态可以通过二元马尔科夫链模型进行描述, 即主用户的信道状态为{忙 (Busy) , 闲 (Idle) }, αi为主用户信道从状态忙转换到状态闲时的概率, βi为主用户信道从状态闲转换到状态忙时的概率, 其中1≤i≤K。如图2所示, 由此可以得到每个主用户信道的忙时概率pBi和闲时pIi分别为:
在频谱检测中根据二进制假设检验, 如果感知结果出现错误, 即当主用户信道忙时, 认知用户估计为闲时, 称该概率为漏检概率pmi;反之, 称该概率为虚警概率pfi。因此在错误感知的情况下, 认知用户接入主用户信道i的概率变为:
3频谱接入方式
认知用户在不干扰主用户的情况下, 可以有机会使用空闲主用户信道。频谱共享接入技术包括覆盖 (overlay) 和平铺 (underlay) 两种不同接入模式。本文分别对覆盖和平铺接入方式进行系统优化, 并比较两种接入方法的优化性能。
3.1覆盖方式接入
覆盖接入模式中, 为克服频率选择性衰落, 认知用户以OFDM的方式接入多主用户信道。我们假设主用户数即OFDM子信道数。设Hi和Ri为对应的第i个主用户信道上认知用户信道参数和发送信号向量的协方差矩阵, 其中1≤i≤K。那么系统的优化问题可以由下面的式子描述:
λi, j, σi, j分别对应前文参数第i个主用户信道矩阵的对角元素值和认知用户在信道i上发送数据的协反差对角元素值, 根据拉格朗日乘子算法可以得到式 (8) 的解为:
其中v为非负拉格朗日乘子, 与认知用户发送功率限制有关, (·) +表示max (·, 0) 。由式 (8) 可以得出, 当主用户空闲概率大时, 认知用户可以以更大的功率进行接入, 当认知用户之间的信道幅度增益大时, 认知用户则可以以较小的功率发送数据。
3.2平铺方式接入
平铺接入模式允许认知用户和主用户同存, 但前提条件是认知用户对主用户的干扰要在一定的干扰门限之内, 设Γ为主用户的干扰门限值 (假设K个用户具有相同门限) 。因此, 对于频谱共享的优化问题可以由下面的式子描述:
利用拉格朗日方法可以获得解:
其中u为非负拉格朗日乘子。可以看出, 当主用户信道条件好时, 认知用户需以较小的发送能量发送数据。对于变量u和v的求解, 可以根据二分算法获得。
4系统仿真
本文的系统模型假设了K个单天线的主用户和具有多天线的认知用户共存的情况, 认知信道和主用户信道服从零均值的循环对称复高斯分布, Hi□CN (0, I) , gi□CN (0, 0.1) , 认知用户的容量单位为bit/sec/Hz。
设Nr=2, Nt=2, 漏检概率和虚警概率在瑞利信道当SINR=30d Bm时获得。图3为覆盖方式接入情况下, 认知用户系统容量通过SISO和MIMO通信的比较。MIMO例子中设Nr=2, Nt=2。如图3所示, 利用多天线阵列的复用增益明显提高了系统容量。
如图4可以看出, 当主用户空闲概率较小时, 平铺方式接入性能优于覆盖方式接入性能, 原因是主用户空闲概率较小时覆盖方式接入的接入机会也小, 使得认知用户容量较小, 而平铺方式接入可以以噪声的方式与主用户共存, 因此认知用户获得了容量。
结语
本文考虑主用户的行为的变化, 提出基于主用户行为的多天线频谱共享方案, 并在频谱共享的覆盖方式接入和平铺方式接入两种不同的接入方式下分别提出系统频谱共享优化算法。覆盖方式接入充分利用了MIMO-OFDM系统带来的增益, 提高了认知用户系统性能, 又保护了主用户的正常通信, 本文同时比较了多天线覆盖方式接入和平铺方式接入所带来的系统性能。
摘要：本文考虑认知无线电系统中主用户的行为的变化, 提出基于主用户行为的多天线频谱共享方案, 并针对频谱共享的覆盖和平铺两种不同的接入方式, 分别提出系统频谱共享优化算法。通过仿真, 结果表明新的频谱共享优化算法在保护主用户的前提下提高了认知无线电系统性能。
关键词：频谱共享,主用户行为,覆盖接入,平铺接入
参考文献
[1]Musavian, L.Aissa S.Capacity and power allocation for spectrum-sharing communications in fading channels.IEEE Transactions on Wireless Communications, Jan.2009.Vol.8 (01) .On page (s) :148-156.
[2]Q.Zhao, L.Tong, A.Swami Decentralized cognitive MAC for opportunistic spectrum access in ad hoc networks:A POMDP framework, IEEE Journal on Selected Areas in Communications 2007.On page (s) :589-600.
多用户资源共享论文 第2篇
经过多年的发展, 我国教育信息化已经取得了显著进展。目前, 高等学校已经全部建立了校园网络, 多媒体教室比例达到43.65%, 师生平均百人拥有计算机63台。中等职业教育学校联网率达到74.9%, 多媒体教室的比例达到39.2%, 生机比达到19:1。普通中小学已有8万多所学校建立校园网, 在教学中很多都是采用信息技术进行教学, 生机比达到了16.7:1, 其中普通高中生机比为8.5:1。
与此同时, 随着教育信息化的快速发展, 在电脑的采购成本、日常的维护成本, 以及其他相关的教学管理等方面, 教育行业面临着一系列新的挑战。对此, 作为全球商用显示解决方案的厂商, LG面向教育行业研发了革新性的多人共享计算机解决方案:LG慧联显示群组。它不仅实现了节省购置费用的问题, 更提供了简便的安装与操作程序, 不需复杂及频繁的维护即可保持系统稳定的运行。
一、多用户共享一台电脑主机的解决方案
作为革新性的多人共享计算机解决方案, LG慧联显示群组的系统实现非常简单易用, 主要有以下几个方面构成:
1. 方案卡 (PCI类型或无线网卡) &软件 (Vspace) :多用户计算机系统的解决方案构成, 1个PCI卡可以引导5个用户;1个无线网卡可以引导30个用户。
2. SFTP网线:每台慧联显示器都通过网线连接 (SFTP) ;这不是上网用的线路, 而只是用于信号传输。
3. 慧联显示器:内置键盘, 鼠标和音频接口。
4. 管理方案:在每台电脑里安装教育解决方案, 比如italc (免费软件) 。
在实际应用中, LG慧联显示群组利用方案卡, 共享虚拟软件 (Vspace) 以及SFTP网线, 可以有效地实现1台电脑主机搭载5台、10台, 甚至更多台慧联显示器。可以说, 与现有的电脑应用模式相比, LG慧联显示群组的革新之处在于通过应用软件实现了多个用户共享1个电脑主机, 真正地将日常办公带入“多用户”时代, 从而让电脑摆脱了1台主机只能配置1台显示器的历史。与此同时, L G慧联显示器自身配置有音频输出接口, 以及PS2或USB接口, 可以直接使用鼠标、键盘、耳机。这样显示器用户就可以独自实现文字处理, 上网冲浪, 娱乐以及收发电子邮件等日常办公工作。
目前, L G慧联显示群组主要包括了两个系列产品, 分别是N系列和N PLUS系列。N系列包括了1642W、N1742L、N1941W三个型号, 分别为16寸、17寸和19寸, 拥有最低的使用成本和最佳的多媒体效果。这三款产品均可通过PCI卡与主机相连, 每台电脑主机最多可连接的N系列慧联显示器用户达11人。N PLUS系列则无需使用PCI卡与电脑主机相连, 直接应用无线网卡即可。由于应有的是无线连接方式, 1台主机最多可以连接高达31个N PLUS系列产品用户, 而且摆脱了物理距离的限制, 可在更大的空间范围内实现应用。
二、应用教育行业的优势特征
不论是在产品的研发理念, 还是在人性化的功能设计方面, LG慧联显示群组都显示出其独特的一面。这也让其在教育行业应用时彰显出诸多的优势特征:
1. 有效降低采购和维护成本
随着信息技术的快速发展, 最新型电脑都拥有强大的功能, 但大多数用户甚至都用不到其10%的性能, 这是对电脑潜力的巨大的浪费。LG慧联显示群组可以有效利用好剩余的90%的性能, 从而降低教育用户的整体使用成本 (TCO) 。
就初次采购成本来说, 目前采购1台电脑的费用在2000-4000元之间。在1个30人的小型多媒体教室, 原先需要购买30台电脑主机和30台电脑显示器, 而应用LG的慧联显示群组多用户解决方案, 用户只需单购3台电脑主机以及30台慧联显示器, 从而为教育用户节省了购买其他27台电脑主机的费用。对教育用户来说, 这是一笔十分可观的费用。
与普通的PC相比, LG慧联显示群组在功耗, 散热量等方面也比较有优势, 因此不再需要降低空调以调节室温从而帮助教育用户节省电费。数据显示, LG慧联显示群组可以减少电力消耗高达90%。此外, 使用LG慧联显示群组, 用户还会相应的减少管理电脑主机的成本, 包括维修, 保养和管理的费用。
2. 简单和便捷的管理应用环境, 更加“绿色化”
LG慧联显示群组为用户提供相同的软件配置, 安装和应用都非常便捷, 就好像他们使用的是普通PC一样, 并且提供给教育用户一个简单的管理环境。在实现低功耗的前提下, 还可方便地解决数据安全问题。具体而言, LG慧联显示群组可以自由运行大多数最新的软件配置, 包括适用Windows或者是Linux的操作系统。在应用的过程中, 无需复杂的设置就可以方便地安装和使用诸如Office、Acdsee一类的办公软件, 就如同使用Windows终端服务器一样。
不会生成过高的噪音, LG慧联显示群组为用户创建了一个安静的工作和学习的环境。通常, 房间内只有1台PC时并不会产生很大的噪声污染, 但当办公室、图书馆、多媒体教室里面有多台电脑时, 就会产生大量的噪音。这样难免会影响到人们正常的学习和工作, 甚至影响到用户的身体健康。LG慧联显示群组则只需使用比较少的电脑主机就可开展日产工作, 真正地创造了一个远离计算机噪音的环境, 让教育用户完全无需担心要忍受噪音的污染。
与1台大约功率在110W的PC相比, LG慧联显示群组的功率仅1-5瓦。这就意味着可以减少每位用户高达99%的能源消耗。低能耗也意味着低热量的产生, 1间有多台电脑主机的房间需要空调来控制室温, 但1间只有1台电脑主机和LG慧联显示器的房间则不需要。此外, 大多数个人电脑在3-5年后报废, 但LG慧联显示群组可以使用10年或更长的时间, 在很大程度上减少了电子垃圾的产生。
3. 让学生管理和教学过程变得更简单
在教学中, 特别是在应用多媒体教学时, 由于每个学生都拥有自己的电脑主机, 老师通常很难确认学生的学习状况并对其网上行为进行有效的监管。应用LG的慧联显示群组可有效解决这个问题, 在上课的过程中精准确认学生的电脑使用情况, 从而促进学习效果的提升。
在实际应用中, 作为一种多用户解决方案, 所有的慧联显示器都由1台主机掌控。安装由LG免费提供的italc软件后, 教师就可以在主显示器中监控学生在课堂上的一举一动, 甚至可以简单控制学生的鼠标、键盘、画面等, 做到对学生正在访问的网站或学习状况进行实时确认。此外, 还可通过多媒体使用环境实现ICT实用教学, 并在教师机上设置相关程序, 对非法及与教育无关的有害信息阻止, 形成健全的教育网络文化。
在安全上, LG慧联显示群组也拥有很好的表现, 可切断学生电脑上的USB或CD-Rom的使用, 完全控制外部病毒的侵入, 并且修复也较简单, 能够从根本上去除病毒或恶性代码入侵中央服务器的所有因素。通过对分散的软件资源的实时现况掌握, 可以简便高效管理资产及费用, 并最终为学生营造安全舒适的学习环境。而对教师来说, 无需了解太多的技术也可实现对LG慧联显示群组的轻松掌控, 更好地实现对教学的管理。
多用户资源共享论文 第3篇
关键词：信号；稳健回归；M估计；检测
中图分类号：TN911.25 文献标识码：A 文章编号：1674-7712 （2012） 14-0032-01
铁路信号是保证运输安全的保障。在其信道中，由于人为电磁干扰和大量自然噪声的脉冲特性，众所周知，在单用户条件下，非高斯噪声十分不利于以高斯噪声假设为基础设计的传统通信系统，而其有益于经适当建模和改进的系统。这是线性和二次信号处理方法对许多形式的非高斯型统计特性缺乏稳健性而引起的，也是人们不喜欢高斯信道的一种表现。考虑到多用户检测技术可能应用的实际信道中环境噪声的AWGN模型不符合实际情况，因此产生了多用户检测技术在非高斯多址信道中的适用性、稳健性及性能等问题。本文研究讨论了基于M回归原理的稳健多用户检测技术在铁路信号中的运用。
一、系统模型
该模型是更为基本的Middleton A类噪声模型的一个近似，并且已广泛应用于建模由铁路信号信道引起的物理噪声。下面讨论研究稳健型的线性解相关检测器问题。
二、基于M回归的稳健多用户检测
众所周知，最小二乘估计对噪声密度的尾部特性非常敏感，其性能与高斯假设密切相关，只要噪声密度稍微便利高斯分布，就会使最小二乘估计的性能显著下降。因为线性解相关多用户检测就是最小二乘解形式的线性回归问题。因此，其性能对噪声分布的尾部特性也很敏感。只要背景噪声稍微偏离高斯分布，线性解相关检测器的性能就会严重下降。所谓估计器的稳健性，就是其性能对实际统计模型微小偏离假设统计模型不敏感。
（一）线性解相关检测器
式中为任意正的常数。注意，线性解相关检测器具有比例不变性。
（二）最大似然解相关检测器
（三）最大最小解相关检测器
最大最小意义下的稳健解相关检测器是以Huber的最大最小M估计器为基础。Huber研究了稳健的局部搜索问题。假设一组一维独立同分布的观测值，并设这些观测值属于实线R上的某个子集X。参数模型由一族X上的概率分布组成，其中的未知参数属于某个参数空间。当模型中的估计区域时，参数模型，且M估计器由具有特性的函数来确定，即局部参数的M估计器有下列方程的解给出： （2-6）
它通过找出最不利分布来获得。
三、小结
本文采用常用的二项高斯混合分布（很好地近似Middleton模型）来建模非高斯噪声，并基于该模型研究了基于稳健回归多用户检测技术。实践证明，稳健信号处理技术对非高斯噪声条件下接机性能的改善是非常有效的。
参考文献：
[1]王会敏.广义回归神经网络在MC-CDMA多用户检测中的应用[J].宇航计测技术，2004，10.
多用户资源共享论文 第4篇
宽带电力线通信技术是利用广泛存在的配电网络进行高速通信的一种方式。伴随着通信技术的飞速发展,其业务也逐渐从自动抄表、负荷控制、供电管理等电力企业专用通信领域扩展到宽带接入和智能家庭网络等领域[1]。相比于传统的有线电缆通信和无线通信,宽带电力线通信技术有着无需重新布线、汲取电源便利和传输速率快等优势。然而电力线信道具有频率选择性衰落严重、噪声功率谱幅度差异大及时变性等弊端,为了克服电力线信道所带来的影响,正交频分复用(OFDM)技术已经被多个宽带电力线通信标准所应用[2]。其基本原理是将频带划分为若干彼此正交的子载波,在各子载波上传输相应的数据信息,其本质上是一种多载波调制方式。因而,如果已知各个子载波的信道信息,利用自适应资源分配的原理,动态分配各个子载波的数据比特和发射功率,就能更加有效地利用电力线频带资源,提高通信速率。
由于电力线是一种共享信道,连接在同一相上的多个用户共享带宽资源,所以需要考虑多用户之间的子载波及功率分配。而电力线是一种非屏蔽、对称性差的线缆,考虑到电磁辐射的要求,电力线通信信号的功率谱也受到一定的约束[3]。同时电力线信道的变化幅度很宽,各用户间的信道衰减差异较大,为保障电力线通信系统中的用户都能分配到一定的系统资源,用户之间的比例约束公平性也需要考虑。
以往文献中,有的提出利用凸优化算法进行多用户之间的资源分配[4],有的考虑了在功率谱约束下的电力线多用户资源分配问题[5],及讨论了公平性条件下的电力线多用户资源分配问题[6]。
本文从电力线信道的实际情况出发,考虑了宽带电力线通信的功率谱限制条件,兼顾多用户间的公平性原则,研究了宽带电力线通信的资源分配模型。并在此基础上提出了一种基于量子遗传算法的电力线多用户通信资源分配方法,并给出了目标函数。在典型多用户电力线信道条件下,同文献[6-8]的方法进行仿真比较。结果表明:利用本文方法可以快速、准确地进行宽带电力线的资源分配,提高频谱利用率,增加宽带电力线系统的传输速率。
1 多用户系统模型及问题描述
1.1 典型电力线信道建模
由于配电网中存在大量的支路,且支路插座上的负载与电力线特性阻抗失配,所以形成了典型的多径衰落信道。而电力线建模的方法也主要分为计算法和测量法2类。本文采用欧洲开放电力线研究联盟OPERA(Open PLC European Research Alliance)组织提供的电力线信道标准模型[9],考虑不同多径数目下的信道情况,反映了实际配电网中位于不同位置用户的信道情况。模型如图1所示(图中ε为信道衰减)。图中,4种信道分别为7径、5径、10径和15径下的信道衰减特性。其多径数目越多,衰减也越大,而且符合电力线的频率选择性衰落特征。电力线信道中的噪声可以分为5类[10,11,12,13]:有色背景噪声、窄带噪声、同步脉冲噪声、异步脉冲噪声和随机脉冲噪声。而与宽带电力线通信资源分配相关的是有色背景噪声。
1.2 多用户系统优化模型
电力线是典型的共享介质。在低压配电网络中,多个用户连接到同一相电源线上。服务器向这些用户提供各种类型的服务。
此处考虑由服务器到用户的下行通信情况,假设服务器可获知完整的信道信息。服务器利用这些信道信息以及各个用户的需求通过资源分配算法进行优化分配,得到各个子载波、比特和功率的分配情况。再将这些情况通过信令的方式发送给终端。然后服务器开始根据分配情况为每个子载波选择合适的数据进行调制发送。而终端则根据信令中的信息从共享信道中提取发送给自己的信息并进行相应的解调,直到用户的信道情况或业务需求发生变化。
1.3 优化问题描述
假设系统有K个用户共享N个子载波,信道的总带宽为B(Hz)。系统总的发射功率是Ptarget,由于电力线的电磁辐射要求,其信号的功率谱必须小于P。优化目标是在发射功率和功率谱双重约束下的系统容量最大化。而同时要兼顾各个用户之间的公平性要求。因此优化问题可以描述为
其中,为每个子载波上的功率谱密度;αk,n为子载波分配系数,如果第n个子载波分配给用户k,则αk,n为1,反之则为0,此约束条件表明一个子载波只能分配给一个用户使用;γk为比例系数,表征各用户之间传输速率的比例约束;Rk则表示用户k分配到的比特数。
1.4 优化问题简化
考虑约束条件式(2)和式(3),如果各个子载波的功率谱限制之和小于总的发射功率Ptarget,则系统只需要满足功率谱上限要求即可,同时也确定了各个子载波的功率分配。上述问题从而简化为子载波的分配问题。如果各个子载波的功率谱限制之和大于总的发射功率Ptarget,也可以先考虑使用进行子载波分配,最后再进行子载波功率的调整即可。若用户k在子载波n上的发射功率谱为,则在该信道上的最大传输速率可以表示为
其中,gk,n表示用户k在信道n上的衰减系数,Γ为信噪比间隔,用来表示实际容量和理论计算的差额;σ表示背景噪声的功率谱(“”为下取整符号,表示rk,n为小于或等于的最大整数)。所以,电力线资源的优化问题可以分为2个步骤进行:首先按照功率谱限制进行子载波的分配,然后根据分配功率是否超过总功率限制进行子载波功率消减。因此约束条件式(2)和式(3)可以被替代为
其中,Rk,n表示用户k在信道n分配的比特数。
2 算法描述
2.1 基于量子遗传算法的子载波分配
由于功率谱的限制,分配给每个用户的子载波能够发送的比特数即已确定,因此原先的优化问题已经简化为一个0-1整数规划问题。由于公平性约束的限制,实际上构成的是一个非线性优化问题。寻找此问题的最优方法是匈牙利算法。但它的复杂度为O(N4),N为子载波的数量。在宽带电力线通信中,子载波往往很多,所以并不具有实际应用价值。而遗传算法作为一种随机搜索算法已经在很多优化问题上得到成功的应用,但其所需种群大,收敛速度慢。考虑到电力线通信对计算速度的要求,因此本文利用量子遗传算法[14]进行子载波的分配。量子遗传算法是用量子比特来表示信息,通过量子比特测量时的随机性来扩大种群搜索的范围,通过进化的方向性来快速逼近最优解。相比于传统的遗传算法,具有种群少、迭代进化次数少、不容易陷入局部极值的特点[15],适合用于子载波的分配。下面介绍具体实现。
2.1.1 初始化种群,进行量子编码
在量子遗传算法中,信息的基本单元是量子比特(qubit),与经典比特不同,量子比特可以处在叠加态。一个qubit可以表示为
其中,表示2个不同的量子态,而α和β分别表示处于这2个量子态的概率。因此1个qubit可以同时存储和表达2个态的信息。本文使用qubit来对优化目标进行编码。其中,1个个体包含N条染色体,表示N个待分配的子载波。而1条染色体含有条基因,表示该子载波分配给哪个用户(“”为上取整符号,表示S为大于或等于log2K的最小整数)。编码后的个体表示为
其中,qjt表示第t代第j个个体。
2.1.2 对每个个体进行量子态测量
量子态的测量是通过1个0~1的随机变量来测量1个量子叠加态,使之从一个概率状态坍塌到一个具体状态。
2.1.3 对每个具体的状态进行目标评估
评价函数的选择对量子遗传算法有着至关重要的作用。合适的目标函数可以有效地表示各状态的优劣,加速收敛。在电力线通信资源分配问题中,由于需要考虑各用户之间的公平性和系统总容量的最大化目标,提出了下面的评价函数:
其中,Rk表示第k个用户分配到的比特数,由子载波的分配情况式(9)和比特分配计算式(6)确定。而R′k表示用户k的相对速率,由式(11)计算得到,式(10)的后一项主要表示公平系数。因此,评价函数既考虑到了总体的速率最大化,又兼顾了公平性的需求。
其中,γk为约束条件式(5)中的比例系数。
为加快计算速度,在实际应用中,可以先建立所有用户在各个子载波上的传输速率表,为1个N×K的矩阵。子载波的分配确定后,通过查表可以快速计算出各个用户的传输速率。
2.1.4 进化
如果计算的子载波分配方案达到系统要求或达到最大的迭代次数,则终止。反之则进行子代的进化。量子遗传算法的方向性主要表现在进化上。选出最优的个体,其他的个体根据进化规则向该个体进化。主要是通过量子旋转门实现。
其中,αi和βi表示个体中第i个量子比特的概率幅,θi为调整的旋转角。
文献[11]给出了旋转角的计算方法。通过量子旋转门的进化,最终达到子载波优化分配的目的。
2.2 功率调整算法
上面的子载波分配算法在功率谱限制条件下的分配功率小于系统功率要求的情况下成立。当已分配功率大于功率限制时,还需要进行功率调整。功率调整是通过减小特定子载波上的比特数目来达到降低功率的作用,有4个步骤。
a.计算功率差额。如果Δp≤0,结束功率调整。其中:
b.寻找相对速率最大的用户K*。
c.在用户K*分配的子载波集合ΩK*中寻找减小1 bit功率最大的载波N*。
在实际应用中,减小功率最多的是仅分配1 bit的子载波,然后是分配比特数最多的子载波。
d.更新子载波上的比特分配和功率分配。返回步骤a。
综合子载波分配和功率调整算法,完整的宽带电力线资源分配算法如图2所示。
3 仿真试验与分析
实验采用OPERA组织给出的标准电力线信道模型进行建模,如图1所示。系统的功率谱限制为-60 dBm/Hz,背景噪声用高斯白噪声替代,功率谱密度为-120 dBm/Hz。量子遗传算法中,种群大小为100,进化代数上限为100代。误码率要求为10-7。
根据上述仿真参数,本文的算法与一些经典算法进行比较。文献[6]的算法是一种完全公平性算法,用户间的比例约束均为1。文献[8]的算法是专为电力线通信设计的算法,其用户间的比例约束为各个用户独占所有信道的速率比。文献[7]是无线通信中一种经典的比例约束算法,其比例约束同本文一样可以任意设定。为进行公平比较,本文按照文献[6]和文献[8]的要求设定这2种比例约束,分别同上述算法进行比较。
图3和图4是在2种不同的比例约束下分别同文献[6]以及文献[7-8]中的方法进行比较(2幅图中,Nbit为总分配比特数;N为用户数)。从图中可以看到,本文方法在总分配比特数,也就是系统的总容量上要优于其他3种方法。由于实际的电力线信道之间的差异性较大,当存在比例约束条件时,为保障信道情况较差的用户也能拥有一定的传输速率,势必会影响系统的总体容量。此外,还可以看出,第2种约束条件下的系统容量要大于前一种。所以不同的比例约束也对系统的总体性能有一定的影响。
下面详细分析在4用户情况下的系统容量和公平性之间的关系。4用户在2种比例约束下的各方法分配结果如表1所示(表中,单位为bit/OFDM,表示1个OFDM符号可加载的比特数)。表中的最后一行是各个用户独立占用整个系统资源所达到的数据分配数,和信道情况的优劣直接相关。可以看出用户2的信道最优,而用户4的信道最差,这和图1中的信道曲线是吻合的。
为了比较资源分配的公平性,定义公平系数为
其中,φ=0时为完全公平。
所以,文献[6]的算法是一种公平性优先的算法,公平系数为0.64%。而在这种比例约束下,本文方法的公平系数为0.39%。但本文方法的系统总容量较文献[6]的方法提高了10.7%。同样,在第2种比例约束条件下,文献[7]和文献[8]的公平系数分别为11.73%和2.63%,而本文算法仅有1.02%。同时,本文算法在系统总容量上也优于其他几种算法。
图5(图中,n为进化代数;γ为适应度值)说明利用量子遗传算法能够有效地实施子载波分配。量子态测量的随机性使得种群搜索更加广泛,并使个体的差异性也更加明显。
4 结论
本文研究了考虑公平性的电力线资源优化问题。通过功率谱的限制,将复杂的双重约束条件进行简化,提出了分2步解决资源优化的方案。首先,通过量子遗传算法进行子载波的分配,然后通过功率调整算法达到限制功率的作用。通过仿真计算得到以下结论:
a.系统总容量和多用户之间的公平性在一定程度上是互相矛盾的,寻找一个合适的平衡点能够有效提升系统整体性能,本文中讨论的后一种比例策略较前一种有明显的性能提升;
b.传统基于贪婪策略的子载波分配算法在用户差异性较大的情况下难以进一步提高系统的性能,而以遗传算法为代表的智能算法能够在总体上考虑问题,达到系统性能的进一步提升;
c.本文利用量子遗传算法能够有效地加速算法的收敛,减小种群的数量,提高分配效率。
摘要：研究了宽带电力线通信在功率谱限制和比例公平约束条件下的资源优化分配问题,提出了基于量子遗传算法的资源分配方案。在功率谱限制条件下通过量子遗传算法进行子载波的分配,再根据总功率分配情况判断是否需要进行功率调整。利用欧洲开放电力线研究联盟(OPERA)提供的信道模型,在等比例分配和依信道分配2种不同的比例系数约束下进行了仿真实验。结果表明:所提出的方法可以提升系统的容量,也能很好地平衡多用户之间的比例公平性。与max-min算法及传统比例分配算法相比,该方法对系统的整体传输容量提升约为5%～10%,增加了频谱利用率,具有良好的比例公平性。
多用户资源共享论文 第5篇
关键词：正交频分复用,粒子群和遗传联合算法,子载波分配,比特分配
1 OFDM系统
随着通信业务的不断发展,用户对实时大容量通信质量的要求越来越高。同时,由于互联网技术日新月异地发展,新的无线通信系统必须拥有新的传输技术来适应发展需求,并且要求这一技术具有频谱利用率更高、抗多径干扰能力更强等优势。正交频分复用( OFDM) 以其良好的抗多径干扰能力与更高的频谱利用率,被广泛地应用在现代通信系统中。
在OFDM系统中,资源分配的是否合理对于系统的性能影响很大。合理的子载波和比特分配能够有效降低系统的发射功率和误比特率,提高频谱效率,增加系统容量。
对于单用户OFDM系统,常用注水方法优化子载波和比特分配[1]。但多用户OFDM系统中的子载波和比特分配比单用户OFDM系统要复杂得多。多用户OFDM系统的资源分配大致分为两类: 静态分配和动态分配。典型的静态资源分配算法有正交频分复用时分多址( OFDM- TDMA) 和正交频分复用频分多址( OFDM -FDMA)[2 - 3]。 在这两种静态算法中,由于没有考虑到瞬时信道状态信息( CSI) 的变化,会丢弃一些衰落严重的子载波,从而降低频谱利用率,减少系统吞吐量。
实际上,在OFDM系统中每个子载波的信道增益随着用户的不同而变化,即对某一用户来说是最佳的子载波对于其他用户未必也是最佳的; 反过来,对某一用户来说是严重衰落的子载波对于其他用户未必也是严重衰落的。 这需要根据所有用户的瞬时CSI进行系统的资源分配。 因而,研究动态资源算法更有实际意义。Cheong Yui Wong提出了基于拉格朗日乘子法的最优子载波、比特和功率分配算法[4],可以在满足所有用户传输速率和误码率好地兼顾用户之间的公平性,因而一些学者提出了一些次优算法,如Didem Kivanc等人提出的贪婪算法以及低复杂度并兼顾用户速率公平性的载波分配算法[5 - 6]。而之后,不少学者从多个方面提出了改进算法。Zhang G. 提出了一种迭代的注水算法来解决子载波分配问题,使得系统总的发射功率最小[7]; 文献[8]利用遗传算法搜索基因个体,使系统总的发射功率最小; 文献[9]研究了多用户OFDM系统下行链路中各种边缘自适应( MA) 和速率自适应( RA) 的资源分配方法,并且比较了不同分配方法的目标、性能和复杂度; 文献[10 - 11]研究了资源分配的实用算法和最佳重用因子,提出一种分布式实用的资源分配算法; 文献[12]考虑了中继传输的频率复用问题,提出一种动态子载波分配算法; 而文献[13]利用遗传算法( GA) 寻找接近最优的解决方案,使系统总吞吐量最大化。
遗传算法的优点是其有效的非线性规划和调度搜索能力,但它收敛速度慢、对初始种群的选择非常敏感[14]( 初始种群选取的不合适会对结果产生很大影响,甚至可能造成算法不收敛) ; 而粒子群算法( PSO)[15]具有较好的初始种群鲁棒性、在算法的初始阶段收敛速度快,但在逼近全局最优解的时候,搜索速度比较慢、容易陷入局部最优,并且在子载波数量较多时其性能不如GA算法。因此,本文将改进PSO算法和GA算法相结合,提出一种基于PSO-GA联合优化的子载波和比特分配算法,以最小化系统总功率。
2系统模型
假设多用户OFDM系统中有K个子载波和N个用户,用户n需要传输Rn比特数据,如图1所示。
用户n在一个子载波k上传输rk，n比特数据所需要的接收功率为[16]
式中: N0为子载波上的加性噪声功率谱密度; BERn为用户n在该子载波上的误码率。则用户n在子载波k上所需的发射功率为
式中: Gk，n为用户n在子载波k上的信道增益。于是得到多用户OFDM系统总的发射功率为
优化目标是在给定的误码率和传输比特数条件下, 使总发射功率为最小,即
式中: Rn为用户n需要传输的比特数据; BERtarget为规定的误比特率上限。
3 PSO-GA算法
PSO-GA算法联合改进PSO算法和GA算法,优化多用户OFDM系统的子载波和比特分配,从而达到最小化总发射功率目的。该算法先进行若干次改进PSO算法迭代,待改进PSO算法收敛后,将最后的种群作为GA算法的初始种群,再进行若干次GA算法迭代,待GA算法收敛后就可以得到PSO-GA算法的最优解。具体算法步骤描述如下:
1) 初始化。设粒子种群大小为W。首先生成一个元素个数为K的一维数组,每个元素的坐标与子载波一一对应,数组元素的值限定为1 ~ N,即一个子载波只能分配给一个用户,一个数组即为该优化问题的一个解决方案, 随机生成W个这样的数组即得到初始种群; 设定学习因子为c1和c2,粒子的最大速度为vmax,最小速度为vmin; 初始惯性权重为wstart,终止惯性权重为wend。
2) 计算粒子适应值。对于种群中每个粒子,采用注水算法为每个元素( 对应于用户) 分配需要发送的比特, 并计算所有用户的发射总功率。这里将用户发射总功率( 优化目标) 的倒数作为粒子的适应度,即
3) 更新粒子速度和位置。速度更新和位置更新分别为[17]
式中: vid( t + 1) 表示迭代到第t +1代时粒子的速度。当vid( t + 1) > vmax时,原始的PSO算法就会将vid( t + 1) 置为vmax,但PSO-GA算法中将其置为( vmin,vmax) 之间的一个随机数; 同理当vid( t + 1) < vmin时,PSO-GA算法中也将其置为( vmin,vmax) 之间的一个随机数; xid( t +1) 表示迭代到第t +1代时粒子的位置; r1和r2为在( 0,1) 之间的随机数; 将迭代第t代个体适应值与前t -1代个体最佳适应值比较后得到新的最佳适应值个体表示为pid( t) ,将迭代第t代种群中最佳适应值个体与前t -1代种群最佳适应值个体比较后得到新的最佳个体表示为pgd( t) ,即pid( t) , pgd( t) 分别表示迭代到第t代个体最优解位置和全局最优解位置; w( t) 表示迭代到第t代惯性权重[18]
式中: tmax为最大迭代次数; wstart,wend分别为初始惯性权重和终止惯性权重; t为当前迭代次数。
4) 更新后的粒子,根据式( 3) 计算用户总发射功率Ptotal,然后根据式( 5) 计算粒子适应度。
5) 判断是否满足终止条件。终止条件为群体极值适应度值迭代20次无变化或达到迭代上限T。记迭代次数为TP,若满足终止条件则确定当前种群; 否则重复步骤3) ~ 5) ,直到满足终止条件。
6) 将改进PSO算法终止迭代后得到的种群作为GA算法的初始种群。
7) 计算粒子的适应值。根据式( 5) 计算种群中所有粒子的适应值。
8) 选择操作。选择算子采用最优保存策略,即保留适应度最好的个体不参与交叉和变异操作。
9) 交叉操作。PSO-GA算法采用双点交叉操作,在相互配对的两个个体编码串中随机设置两个交叉点,交换两个个体在所设定的两个交叉点之间的部分染色体,交叉概率设置为pc。
10) 变异操作。PSO-GA算法采用实值变异操作,对个体的每一个基因座,依变异概率指定其为变异点,将其基因值用其他等位基因值来替换,变异概率设置为pm。
11) 判断是否满足终止条件。即是否达到迭代次数Tg( Tg+ TP= Ttotal,其中Ttotal为PSO-GA算法总迭代次数) ,若满足则最后一代群体中适应度最高的个体就是本算法搜索到的最佳分配方案,否则重复步骤( 7) ~ ( 11) , 直到满足终止条件。
算法流程图如图2所示。
4仿真与分析
为了比较分析文中所提的PSO-GA算法与原始的PSO算法、GA算法和Zhang算法的性能,进行了仿真分析。仿真参数如表1所示。
图3 ~ 图6是当用户数为2,4,6和8时,PSO-GA算法、GA算法、原始的PSO算法及Zhang算法每次迭代产生的最佳子载波分配方案所对应的总发射功率的比较图。
从图3可以看出,当用户数为2时,PSO-GA算法和GA算法都可以收敛于文献[7]提出的Zhang算法搜索到的最优的子载波和比特分配方案所对应的最小总发射功率,但原始的PSO算法却不能收敛于Zhang算法搜索到最小总发射功率,性能稍比PSO-GA算法和GA算法差。
从图4可以看出,当用户数为4时,待4种算法收敛后,就收敛值来说,PSO-GA算法优于原始的PSO算法大约2. 5 d B ,优于Zhang算法和GA算法约4 d B。 而牺牲的代价是, PSO-GA算法较其他3种算法迭代次数增加了, 但仍在可接受的范围内 。
从图5可以看出,当用户数为6时, PSO-GA算法优于原始的PSO约3 d B ,优于GA算法约4 d B且优于Zhang算法约9 d B ,同用户数为4时一样, PSO-GA算法相较其他3种算法迭代次数增加了 。
从图6可以看出,当用户数为8时, PSO-GA算法优于原始的PSO约2. 5 d B ,优于GA算法将近5 d B ,优于Zhang算法约12. 5 d B ,付出的代价是迭代次数增加了 。
从图3 ~ 图6可以看出,当用户数少时,各种算法几乎都能找到最优的子载波和比特分配方案。当用户数量较多时,PSO-GA算法与GA算法和原始的PSO算法相比,其最终收敛的最优子载波和比特分配方案所对应的总发射功率最小。由此得知,当用户数增多时,PSO-GA算法搜寻的最佳分配方案优势越明显,原始的PSO算法次之,然后是GA算法。
为了更方便地观察各算法在不同用户情况下所得到的最佳分配方案,图7是各算法最终收敛后系统所需要的最小发射功率随着用户数从2增到8的变化情况。从图7可以看出,在用户数为2时,PSO-GA算法与另3种算法性能差不多,当用户数增加时,系统利用PSO-GA算法优化子载波和比特分配后需要的总发射功率比另3种算法低2 ~10 d B。
5结语
多用户资源共享论文 第6篇
根据“十五”863计划通信技术主题战略发展报告,我国移动通信研究开发的主要目标是面向未来10年无线通信领域的发展趋势与需求,研究Beyond 3G/4G新一代蜂窝通信空中接口技术,建立相关关键技术验证系统,支持面向未来的无线通信新业务。目前,B3G/4G所支持的业务速率为8 kb/s～20 Mb/s,另外下行链路准静态环境下峰值速率应该可以达到100 Mb/s。在未来的移动通信系统中将面临更高的传输速率和更高的移动速度的需求,但恶劣的时变传播环境,匮乏的频谱资源和发射功率的限制成为其发展的瓶颈。近来出现的收发双方使用多个天线的多入多出(MIMO)无线通信系统在充分散射的环境中可以用同一带宽支持多个独立的信道,在提高系统容量方面极具潜力,为未来无线通信解决容量瓶颈问题带来了希望。
实际通信系统是自然的多用户系统,各个用户分享同一的空间环境。和单用户系统相比,多用户系统更为复杂。多用户MIMO系统在单用户MIMO系统具有时间、频率和空间自由度的基础上又多了一维用户自由度。如何在一定的服务质量的约束下进行这些自由度的优化和整合获得最大的系统容量是系统设计的主要目标。在能够允许一定时延的高速数据传输系统中,系统容量最大化设计尤为重要。根据Internet接入信道的特点,下行传输数据量通常远大于上行数据量,而且通常情况下下行信道用户之间难以进行联合处理,所以多用户下行多天线系统容量和传输技术的研究被认为是未来无线通信发展的瓶颈,也是当前研究的热点所在。
2 多用户下行MIMO系统信道容量
单用户MIMO系统通过发送天线和接收天线的联合处理,可以同时提供多个并行的空间传输通道,因而能够非常有效地提高系统频谱利用率。但对于单用户下行多天线系统,基站只能在同一时间和一个用户通信,所以其形成的并行空间传输通道受限于接收天线和发送天线的最小值。在实际系统中,用户终端由于受到体积、功率和处理能力方面的限制,所能提供的天线数远远小于基站所能支持的天线数,因此,传统单用户MIMO系统的和容量极大地受制于用户端天线数目较少这一缺陷。而在多用户下行多天线系统中基站可以同时和多个用户进行通信。这样虽然每个用户的天线数较少,但是由于同时通信的用户数较多,仍然可以有效地提高系统的和容量。
为了在不提高发射机功率和系统带宽的情况下获得无线链路的高数据率传输,MIMO系统的容量域的研究尤为重要,对实际系统的实现具有非常重要的指导意义。单用户高信道的容量问题的研究已经解决,而且已经把它扩展到高斯多址接入(MAC)信道的容量域的研究。在发送端和接收端全部已知信道状态信息时,MAC的容量域已经得到明确的结论[1],可以表示为:
其中Pi是对用户i的功率约束,Qi是其发送协方差矩阵。求解达到容量域边界的各个用户的最优发送协方差矩阵是一个凸优化问题,可以利用数值方法求解。Caire和Shamai[2]提出了采用逐次DPC编码的方法可以得到两个用户(每个用户是单根天线)的一般非退化高斯广播信道的容量域,在高SNR的情况下,当信道矩阵是满秩的情况下迫零DPC编码是最优的,低SNR的情况下,最大比合并波束成形是最优的。文献[2]的主要贡献是把DPC编码技术首次引入到高斯MIMO广播信道的研究中,得到了在简单情况下两个用户单天线接收的容量域,向解决高斯广播信道的容量域的问题迈出了一步。Vishwanath,Jindal 和Goldsmith[3]建立了MIMO广播信道的容量域和MIMO多址接入信道的容量域之间的对偶关系。证明了MIMO广播信道在功率为P约束下的容量域对偶于MIMO多址接入信道在各用户和功率为P的容量域。利用二者的对偶关系,作者根据高斯MIMO多址接入信道容量域的结论得到了DPC编码广播信道的容量域,即:
文献[3]还证明了DPC编码达到了MIMO广播信道的和容量。MIMO广播信道的和容量可以表示为:
其中Rnn和Rxx分别是噪声和信号的相关矩阵。整个广播信道下行和容量的表达式是允许接收联合处理的最差噪声相关矩阵和最优发送功率矩阵共同作用的结果。至于DPC编码广播信道的容量域是不是就是MIMO广播信道的容量域在这篇文章里没有得到证明,但给出了证明这个结论的可能性。Shamai在他的论文[4]中证明了DPC编码的容量域就是一般MIMO广播信道的容量域,在证明过程中作者还证明了退化MIMO广播信道的容量域可以通过高斯编码得到。
3 完全信道状态信息下的传输技术
DPC编码虽然在理论上被证明是可以达到系统信道容量的有效编码算法,但DPC主要具有理论意义,其高度非线性、极高的复杂度和对数据的依赖性使得DPC很难实用。由于在多用户下行多天线系统中,用户之间难以进行联合处理。只有当发送端知道用户完全或部分信道状态的情况下通过发送端预编码的方式实现联合传输,使各用户在一定接收算法的配合下从接收到的数据流中分离出所传输的对其有用的数据。
在基站端完全知道信道信息的情况下的传输技术可以分为两类:线性预编码技术和非线性预编码技术。线性预编码技术比较典型的有分块迫零算法[5]和收发端联合编码TR-MMSE算法[6]。
分块迫零算法的基本思想是通过设计每个用户的预编码矩阵使每个用户发送的信号形成的零点对准了其他用户,从而有效地避免用户之间的干扰,将一个MIMO多用户信道解耦为多个独立并行的MIMO单用户系统。和容量最大化问题转化为单用户的MIMO容量最大化的问题,可以通过SVD分解和功率注水来解决。分块迫零算法是一个次优的算法,当用户数趋于无穷的时候它可以达到和DPC算法同样的和容量。分块迫零算法具有两个缺点,一是为了保证向特定用户发射的波束能在其他同时工作的用户方向上形成零点,发射天线的数目要大于等于所有用户接收天线的数目之和;二是由于用户间信道的非正交性,在进行迫零的过程中需要提高发射功率。这两个问题可以信道扰动技术和用户选择算法得到一定的解决。信道扰动技术是通过信道的加扰,改善信道矩阵求逆的性能,从而减少发射功率。用户选择算法是选择空间正交性最好的用户同时工作。因为如果同时工作的用户理想正交,那么发端的迫零运算实际上就相当于一个矩阵旋转运算,从而没有因抵制其他用户的干扰而造成的容量损失。当然,这种理想情况只有在用户数趋近无穷的时候才能实现,这其实也就是迫零波束成形算法在用户数逐渐增多的时候能逼近广播信道和容量的原因。
收发端联合编码TR-MMSE算法的基本思想是在总发射功率一定的约束下,优化系统整体均方误差,通过收发迭代得到发送矩阵和接收矩阵。具体算法将在后面的章节中介绍。该算法的性能优于其他已有线性预编码算法。文献[7]在提出该算法的基础上,还得到了发射端只知道用户信道统计信息的情况下的优化算法。
一种常用的非线性预编码方案称为Tomlinson-Harashim预编码 (THP)[8],它最初应用于ISI信道(Inter-symbol Interference)用于抵消符号间串扰,后来被推广到MIMO点对点传输中,并与MIMO下行系统相结合。THP预编码的核心思想是由于发送端知道信道的全部信息,就可以在发送端进行干扰预抵消,从而去除了用户之间的干扰。但在发端进行预编码操作,会造成发送功率的增大,所以在发端增加了非线性的取模操作,接收端再采用取模操作去掉发端加上的偏移。无论从信息论的角度分析THP的性能,还是用仿真的方法都验证了在高信噪比情况下,采用THP技术能够达到下行多用户多天线系统的和容量。
4 部分信道状态信息下的传输技术
第三部分介绍的预编码技术需要发端实时知道每个用户的信道状态信息,这在实际的系统中很难实现。特别是在FDD系统中,为了使发送端得到及时、准确的接收端信道信息,接收端必须不断地通过多址接入信道将自己的信道状态信息反馈到发送端,巨大的反馈数据量降低了系统的效率,同时,反馈造成了发送端的信息滞后于实际的信道变化,也会对系统性能造成一定影响。因此研究在发端已知部分信道状态信息下的预编码技术尤其重要。随机波束成形算法和码本法是多用户下行多天线系统的减少信道反馈量的常用方法。
随机波束形成算法的出现首先是从增加信道的波动性以提高多用户分集增益的角度提出来的。基站端产生单个随机波束,根据各用户反馈的信息,选择和该随机波束最匹配的用户工作从而得到多用户分集的增益。只有当用户数足够多的情况下,用户信道和发送的随机波束恰好匹配的概率才大,所以这种算法适合于用户比较多的情况。这也限制了它的应用。文献[9]进一步发展了随机波束成形算法,发端同时发送多个随机正交波束,选择用户中相对于某正交波束信干噪比(SINR)最大的用户进行传输。每个用户只需要反馈相对于正交波束最大的SINR和相应的序号,而不需要反馈完全的信道状态信息。它在用户数趋于无穷的时候可以达到和发端完全知道信道状态信息时同样的和容量。同样它也只是在用户数很多的时候才有较好的效果,这限制了它在实际系统中的应用。
码本法类似于智能天线中的波束切换系统,在波束切换系统中预先定义好若干波束,根据相应的用户信道切换不同的波束,从而减轻了信号处理机的压力。而码本法是在发端不知道完全信道状态信息的情况下预定义若干发射波束成形矢量的集合,接收端根据具体信道的情况选择和发射矢量集合中最匹配的发送矢量矩阵,把矢量编号反馈到发射端。从而避免了完全信道状态信息的反馈,大大减少了信道反馈量。文献[7]证明了单用户MIMO中设计波束成形码本等价于在Grassmann流形中空间直线距离最大化,也就是说所设计的码本矢量在信道空间的各方向上等间隔采样。在该算法中接收端只需要反馈给定的码本中最匹配的波束成形矢量的序号即可。但基于Grassmann流形的码本只在单用户MIMO系统中可以得到比较好的性能。在多用户系统中不能直接应用。Nihar Jindal[10]分析了发端采用迫零波束成形算法,码本采用随机矢量量化(RVQ)情况下的低反馈系统的性能。得出的结论是该系统反馈的比特数必须随发射天线数目以及系统SNR线性增长才能得到和完全知道信道状态信息相近的性能。这个反馈量的要求是相当苛刻的,因此也限制该方法的实际应用。
5 结 语
在多用户下行多天线系统中,用户间难以合作,信道容量的提高取决于基站端的联合处理,即发端预编码。通过前面有关下行传输技术的介绍我们知道,发端要进行预编码的前提条件是基站端要已知各用户的信道状态信息(CSI)。为了使基站得到及时、准确地接收端信道信息,各用户必须不断地通过多址接入信道将自己的信道状态信息反馈到发送端。系统所需要的瞬时信道状态信息的反馈量是用户收天线数、基站发天线数和用户数目的乘积。即使发送端能够进行理想的预编码,这么大的代价只能得到信道容量的线性增长。在实际系统中,特别是高速移动的环境中,由于巨大的反馈数据量以及反馈信道的延时和误差,基站能及时得到所有用户的精确、瞬时的信道状态信息几乎是不可能的。因此该领域的工作重点是研究在基站端具有部分信道状态信息的情况下,如何提高下行多用户多天线系统的信道容量。国内外关于多用户多天线系统下行的传输技术的研究还刚刚起步,理论上和实践上还存在着大量问题需要进一步的解决。
参考文献
[1]Biglieri E,Proakis J,Shamai S.Fading Channels:Information-theoretic and Communications Aspects[J].IEEE Transac-tions on Information Theory,1998,44(6):2 619-2 692.
[2]Caire G,Shamai S.On the Achievable Throughput of a Mul-tiantenna Gaussian Broadcast Channel[J].IEEE Transac-tions on Information Theory,2003,49(7):1 691-1 706.
[3] Vishwanath S,Jindal N,Goldsmith A.Duality,Achievable Rates,and Sum-rate Capacity of Gaussian MIMO Broadcast Channels[J].IEEE Transactions on Information Theory,2003,49(10):2 658-2 668.
[4] Weingarten H,Steinberg Y,Shamai S.The Capacity Region of the Gaussian MIMO Broadcast Channel[A].In Proc.ISIT2004,2004.
[5]Spencer Q H,Swindlehurst A L,Haardt M.Zero-forcingMethods for Downlink Spatial Multiplexing in MultiuserMIMO Channels[J].IEEE Transactions on Signal Process-ing,2004,52(2):461-471.
[6]Ivrlac M T,Choi R L U,Murch R D,et al.Effective Use ofLong-term Transmit Channel State Information in Multi-us-er MIMO Communication Systems[A].In Proc.IEEE VTC'03-Fall,2003,1:373-377.
[7]Love D J,Heath R W,Strohmer T.Grassmannian Beam-forming for Multiple-input Multiple-output Wireless Sys-tems[J].IEEE Transactions on Information Theory,2003,49(10):2 735-2 747.
[8]Liavas A P.Tomlinson-Harashima Precoding with PartialChannel Knowledge[J].IEEE Transactions on Communica-tions,2005,53(1):5-9.
[9]Sharif M and Hassibi B.On the Capacity of MIMO Broad-cast Channels with Partial Side Information[J].IEEE Tran-sactions on Information Theory,2005,51(2):506-522.
多用户资源共享论文 第7篇
关键词：双向中继,权重二部图,最大权匹配,公平性
0 引言
中继技术能够有效地扩大无线网络覆盖范围和抵抗信道衰落的影响[1]。双向中继较传统的单向中继, 能成倍地提高频谱效率成为国内外研究的重点和热点之一[2,3]。在双向中继网络中所进行的研究还相对有限, 还有不少问题等待解决。现有的研究场景主要集中在:单用户对多中继双向中继网络的中继选择和功率分配;多用户对单中继双向中继网络的用户对调度等[4,5,6]。考虑更具一般性的场景:由多个预先配对的用户对, 以及多个可选双向中继组成的双向中继网络。下面将讨论这一场景的中继和用户对选择策略。
1 系统模型
1.1 研究场景
如图1所示, AF双向中继网络, 由2K个用户节点Ak, Bk (k=1, 2, …, K) 和N个中继节点Ri (i=1, 2, …, N) 组成, 所有节点只装备单天线。不失一般性, 假设A组中的Ak和B组中的Bk预先配对为用户对k (k=1, 2, …, K) 。系统有完整CSI (Channe state information) 。hn, Ak, hn, Bk分别表示Ak, Bk和第n个中继之间的信道增益系数。
1.2 权重二部图建模
如图2所示, 系统建模为权重二部图G (U, R, W) , 其中U表示用户对顶点部集, 含有顶点个数为|U|=K;R表示中继顶点部集, 含有顶点个数为|R=N|;W={wkn|k=1, …, K;n=1, …, N}表示边集, wkn为第k个用户对和第n个中继之间边的权重。设计合理的权重, 使得权重能够表征系统的性能。系统性能最优化问题将等效于权重二部图G (U, R, W) 的最大权匹配问题:寻找部集U (或者部集R) 权重和最大的完备匹配Mopt。
设计权重:对于双向中继信道来说, 两跳链路中信道系数较差的一跳是系统性能的瓶颈。设计权重为:
2 算法设计
2.1 最大权匹配选择策略 (MWS)
K≤N, 基于权重二部图最大权匹配的中继选择:通过获得二部图部集U的最大权匹配来实现。
K>N, 基于权重二部图最大权匹配的用户对选择:通过获得二部图部集R的最大权匹配来实现。
算法过程如下:
(1) 获得二部图G (U, R, W) , 并判断|U|>|R|;成立, 转到 (2) ;否则转到 (3) ;
(2) 通过匈牙利算法得到部集R的最大权匹配矩阵Mopt, 转到 (4) ;
(3) 通过匈牙利算法得到部集U的最大权匹配矩阵Mopt, 转到 (4) ;
(4) 计算系统总速率。
当K>N时, 即用户对个数大于可选中继个数, 信道条件较差的用户对, 权重较小, 可能长时间没有被选择到, 即此算法不能保证用户对之间的公平性。从而提出以下2种同时给予最大权匹配和用户对公平性的用户对选择策略。
2.2 K>N, 最大权匹配轮询策略 (MR-RS)
完成所有用户对的一次选择, 需要round=K/N (表示K/N向上取整) 轮, 算法过程如下:
(1) 首轮:获得二部图G (U, R, W) , 获得二部图部集R的最大权匹配;计算并保存被选择到的用户对以及总速率;
(2) 第2轮到第 (round-1) 轮:每一轮除去已选择到的用户对顶点, 更新部集U重新生成二部图后, 获得二部图部集R的最大权匹配;每一轮计算并保存被选择到的用户对以及总速率;
(3) 第round轮:除去前 (round-1) 轮选择到的用户对顶点, 更新部集U生成二部图, 获得二部图部集U的最大权匹配, 计算并保存总速率;
(4) 通过保存的速率以及round计算系统的平均总速率。
2.3 最大权匹配策略 (MDS)
2.2节策略中, 一个用户对必须在所有用户对都完成一轮交互后, 才能被重新选择, 牺牲了总的系统性能。因此, 在原场景中考虑, 每个用户对有相同数量的需要交互的数据序列。初始时, 每个用户对的数据长度相同, 均为L。Lk表示第k个用户对剩余数据序列长度。随着每一轮的用户对选择, 被选择到的用户对完成各自的数据交互, 则这些用户对的剩余数据长度减小, 在下轮的选择中, 选择优先级也应该相应地降低, 从而保证用户对之间较长时间内的公平性。
权重设计调整为:
式中, Lk/L为归一化的数据序列因子, 初始时, 每个用户对的数据序列因子均为1;剩余数据序列长度Lk越大, 数据序列因子越大, 优先级越高。每一轮选择过后, 由新的信道信息和剩余数据序列长度更新二部图权重, 重新获得更新后的权重二部图, 获得最大权匹配;直至所有用户对的数据交互完毕。
算法过程如下:
(1) 获得初始二部图G (U, R, W) ;初始化round=0, 记录选择轮数;
(2) 判断|U|>|R|;成立, 转到 (3) , 否则转到 (4) ;
(3) 由最大权匹配算法获得G (U, R, W) 部集R的最大权匹配, 转到 (5) ;
(4) 由最大权匹配算法获得G (U, R, W) 部集U的最大权匹配, 转到 (5) ;
(5) 计算被选择到的用户在本轮完成交互的数据量Sk;其中ki表示选择到的用户对的序号。round=round+1;
(6) 更新剩余数据序列长度:Lki=Lki-Ski, 并结合新的信道系数, 更新权重;
(7) 判断Lk是否为0, 将部集U中Lk=0的用户对顶点去除, 更新二部图G (U, R, W) , 转到 (2) , 如果所有Lk全部为0, 转到 (8) ;
(8) 由K, N, L, round计算系统的平均总速率。
3 仿真分析
仿真中, 信道建模为独立的瑞利衰落信道, 即信道增益是均值为0、方差为1的循环对称复高斯随机变量:hn, Ak~CN (0, 1) , hn, Bk~CN (0, 1) ;n=1, …N and k=1, …, K。所有中继为AF双向中继, 功率平均分配, 且认为用户对间干扰可以通过分布式波束成型消除[7]。分别对3种不同情况进行仿真: (1) K=10, N=4;或者K=4, N=10时的MWS策略; (2) K=10, N=4时的MR-RS策略; (3) K=10, N=4时的MDS策略。
MWS策略仿真结果如图3所示, K=10, N=4时的用户对选择以及K=4, N=10时的中继选择都进行最大权匹配, 得到一样的性能[8]。MWS策略较随机或固定匹配, 获得了系统性能的显著的提升。
MR-RS策略K=10, N=4时的用户对选择仿真结果如图4所示, 较随机或固定顺序轮询也获得了系统性能的显著的提升。但其较最大权匹配策略相比, 牺牲了一部分性能提升, 原因是保证了用户对之间的公平性。
MDS策略K=10, N=4时的用户对选择仿真结果如图5所示, 较随机匹配获得了系统性能的显著的提升;同时较MR-RS策略性能明显提升, 原因是引入了数据序列因子;与MWS策略相比, 只是牺牲了很小一部分性能提升, 原因也是保证了用户对之间的公平性。
4 结束语
上述讨论多用户对双向中继网络的中继和用户对选择策略, 通过将系统建模为权重二部图, 并对权重进行合理设计, 提出了3种以最大化系统总速率为的中继和用户对选择策略。MWS单纯考虑系统总速率最大化;MR-RS和MDS同时考虑系统总速率最大化和用户对公平性。仿真结果证明, 3种策略均显著提升了系统的总速率性能。
参考文献
[1]SHANNON C E.Two-way Communication Channels[C]∥Proc.4th Berkeley Symp.Math.Statist.Stat.Prob.California, America, 1961:611-644.
[2]RANKOV B, WITTNEBEN A.Spectral Efficient Signalingfor Halfduplex Relay Networks[J].IEEE Journal on Se-lected Areas in Commun., 2007, 25 (9) :3 450-3 460.
[3]RANKOV B, WITTNEBEN A.Spectral Efficient Protocols forHalf Duplex Fading Relay Channels[J].IEEE Journal onSelected Areas in Communications, 2007, 25 (2) :379-389.
[4]CHEN Min, YENER A.Power Allocation for F/TDMAMultiuser Two-Way Relay Networks[J].Wireless Com-munications, IEEE Transactions, 2010, 9 (2) :546-551.
[5]YIN Hui, LIANG Jian, CHEN Hao-kai, et al.Real-timeand Fairness Assisted Scheduling in Multiuser Two-WayRelay Network[C]∥Communications and Networking inChina (CHINACOM) , 2011 6th International ICST Con-ference on, 2011:395-399.
[6]UPADHYAY P K, PRAKRIYA S.Performance Bounds forAnalog Network Coding Based Two-Way Relaying withMultiuser Selection Diversity[C]∥Wireless Communica-tions and Networking Conference (WCNC) , 2011 IEEE, 2011:333-338.
[7]WANG Chen, CHEN Hong-yang, YIN Qin-ye, et al.Multi-User Two-Way Relay Networks with Distributed Beam-forming[J].Wireless Communications, IEEE Transac-tions on, 2011, 10 (10) :3 460-3 471.
多用户资源共享论文 第8篇
筹资、筹智、筹用户、筹员工？我认为众筹对于企业来说筹的是“势能”，筹的是“企业或品牌的利益相关群体（包括投资方、媒体、用户、员工、渠道等）的信心”。
2014年9月22日，联思达服务的“三个爸爸”儿童空气净化器品牌登陆京东众筹，在其后的30天时间里，众筹金额总计1120万元，成为国内第一个众筹过千万的项目，一时间引起无数关注。既无产品又无品牌，还没有老用户口碑的“三个爸爸”火了。各种媒体的主动报道，从CCTV到地方卫视，从《三联生活周刊》到各种自媒体大号，创始人团队被邀请参加年底的各种论坛盛典进行演讲。很多资深媒体人说，保守估计其品牌曝光量相当于1亿元的广告投放。
接下来在12月9日，依然是联思达服务的“大可乐”手机，25分钟京东众筹金额超过1600万元，本来预计30天的众筹“秒”结束。各种媒体蜂拥而至，众多投资人也纷纷接洽。
小鱼在家智能机器人2015年1月参加京东众筹后，成功获得包括创新工场和富士康的数千万元的B轮融资。
……
这一切都是“众筹效应”。对于品牌或者企业来说，有了“势能”就有了可能，有了“信心”就有了一切的基础。
众筹之所以会在2014年火爆中国，是因为各大平台加入，包括淘宝、京东、苏宁等的推动。众筹已然成为品牌与用户人群的一种新的沟通方式。
众筹拉近了品牌或者产品和用户的距离，众筹本身也成为一种时尚流行，众筹+娱乐、众筹+公益，众筹+培训……通过用户的直接参与，众筹已经成为与传统营销形成鲜明对比的模式，让用户对新的营销组合充满了好奇和期待。
好朋友京东众筹权益类众筹总经理高洪偲曾经说过一句话：“除了时间，世间一切皆可众筹！”这一方面透露出了众筹平台的雄心壮志，另一方面也说明了这样一个事实：众筹平台+新项目，会不断以开放心态，形成“势能”的捆绑，不断推动众筹模式走向主流。
京东的权益类众筹平台今年出现了不少吸引眼球、引起参与、激发话题的项目。比如谢霆锋的公益项目；新派作家张嘉佳众筹投资的小龙虾外卖，你不但能吃到小龙虾，还可以参加张嘉佳的私人PARTY；众筹装修、设计；众筹一趟文化之旅等。
我讲这些看似与传统企业没有太大关联性的事情，是要说明什么呢？
请注意，我想說的是：这些看似毫不相关的玩法，恰恰是传统企业在移动互联网时代最应该关注的。因为这些新玩法，在与用户直接建立沟通互动、形成自己的核心用户群体，并不断培养用户的消费观念、消费习惯。
从这个角度来看，在移动互联网时代的新赛道上，新创业者与老牌企业可能处于同一条起跑线上。
在这个过程中，传统企业主要面临着思维和习惯的两大考验。
1.思维上的考验。
中国品牌在面对市场时，总是用中国家长式的作风行事——用自己的思维方式去设想用户，用自己的表达方式去打动用户，而且与用户沟通的前提条件是：我比你更懂产品，我是对的，你只需要接受。
比如，几乎每个企业都会这样介绍自己：我们这个产品拥有国家8项专利，某某技术全球领先……看似很牛逼，看似很清晰。他所表达的“高大上”，只是为了给消费者掏钱的信心。
我们真的倾听过用户的需求？我们真的明白用户内心真正想要的东西？几乎没有。
企业普遍强调的卖点，都是厂家自己设计的，用户的买点却代表了用户的真实痛点。卖点与买点无缝对接，你才算真正抓住了痛点。
2.工作习惯的考验。
过去的“中国式营销”是以渠道为核心的，而今天的“用户思维”其实是每一个用户都是一个终端。跟不上这个变化的企业，很多还是在享受传统渠道红利，不过我相信今天做的事决定了3年后的状态，今天在中国还不真正重视用户的企业，3年后会追悔莫及。
多用户资源共享论文 第9篇
无线通信的发展标准之一就是对高速率的追求, MIMO系统由于具有更高频谱效率, 一直是无线通信系统中的关键技术。由于频谱资源的稀缺, 期望以频率复用因子为1的方式进行组网。在这种情况下, 多小区MIMO系统将产生同频干扰 (CoChannel Interference, CCI) , 同频干扰将严重削弱使用MIMO技术产生的高频谱效率。因此多小区的干扰控制成为急需解决的重要问题。
协作多点传输技术 (Co MP) 通过多个发送端的联合预编码极大地降低了小区间干扰对边缘接收端性能的影响, 作为Co MP的一种实现方式, 干扰对齐 (Interference Alignment, IA) 由于在自由度方面的优势而受到关注。干扰对齐的核心思想是通过对预编码矩阵的设计, 将每个接收端所有的干扰线知道一半的接收信号空间内, 将另一半无干扰的接收信号空间留作接受需要的信号, 然后在接收端通过简单的迫零 (Zero Forcing, ZF) 处理就可以获得有用的信号。
本文提出了一种基于干扰信道最远距离的预编码矩阵优化算法, 在该算法中通过在特征矢量中选择与干扰信道匹配度最低的预编码矢量组成预编码矩阵, 目标信号通过最优的特征子信道传输到目标接收端, 从而提高系统吞吐量。
1 系统模型
在多用户接收端MIMO干扰信道中假设接收机k只预计接收到来自发射机k的信号, 将其他发射机的信号判定为干扰, 发射机k的目标接收机也只有接收机k, 在发送过程中将对其他接收机产生干扰。所有发射机和接收机均配备M根天线。发射机之间只共享信道信息, 接收机之间不进行协作。为了达到3M/2的自由度, 本文采用K=3的系统模型, 且M为偶数, 基本模型如图1所示。
小区k (k=1, 2, 3) 中接收端的接收信号为:
式 (1) 中, yk代表小区k中接收端的接收信号矩阵, Hkj为小区j到接收端k的信道矩阵。Wj为发送端j的预编码矩阵, xj为发送端j发送给接收端j的信号, nk为接收端k接收到的白噪声, 等式右侧第一项是接收端k的期望信号, 等式右侧第二项是多小区干扰。
2 经典干扰对齐方法分析
图1中所示系统的自由度为3M/2, 意味着可独立发送的数据流数目为3M/2, xk为 (M/2) ×1维矢量, Wk是M× (M/2) 维矩阵。为从M×1维的接收信号矢量yk中解码出M/2个独立数据流, 干扰信号矢量的维度最多为M/2, 同时干扰信号必须是独立与有用信号, 在此模型下, 干扰对齐需要满足以下条件:
式 (2) 可简化为:
其中, E= (H31) -1H32 (H12) -1H13 (H23) -1H21。
由式 (3) 中的等式可以看出, W1是E的特征矢量, 即W1的预编码矢量集合是E的特征矢量集合的子集, 可以设W1=[e1e2…eM/2], 其中e1e2…eM/2是E的任意M/2个特征矢量, 发送端2的预编码矩阵W2和发送端3的预编码矩阵W3可以根据式 (3) 算出。
由式 (2) 看出, 预编码矩阵矢量的选取是随机的, 从此可以看出, 经典干扰对齐算法主要解决了如何处理其他小区的干扰问题, 而对于本小区发送端对目标接收端传输的期望信号所通过的信道质量有所忽略, 因此经典干扰对齐方法虽然在发送自由度方面是最优的, 但是在系统吞吐量方面也为进一步优化预留了空间。
3 基于干扰信道距离最远的预编码矩阵优化算法 (LD-IA)
针对上文中提出的经典干扰对齐算法中的不足之处, 本文提出一种基于干扰信道距离最远的预编码矩阵优化算法, 此算法延续了经典干扰对齐算法的优点, 仅使用其他小区发送端到本小区接收端的信道状态信息Hkj (k≠j) , 不使用本小区发送端到本小区接收端的信道状态信息Hkk, 来从预编码矢量集合中选择一组, 使得预编码矩阵与接收端的干扰信道的信道矩阵列向量的线距离最远 (内积最小) , 从而增强接收端的信号强度, 增加整个系统的吞吐量。
首先, 需要对其他小区发送端到本小区接收端的信道矩阵Hkj (k≠j) 进行奇异值 (SVD) 分解, 可得:
其中, Λ代表奇异值由大到小排列组成的对角矩阵, 对角阵元素所对的奇异值为akm (k=1, 2, 3;m=1, …, M) ;U和V分别代表奇异值对应的左右奇异矢量组成的矩阵, 所对应的左右奇异矢量分别为ukm (k=1, 2, 3;m=1, …, M) 和vkm (k=1, 2, 3;m=1, …, M) ;k为小区下标, m代表奇异值由大到小排列的下标。vkm (k=1, 2, 3;m=1, …, M/2) 代表小区k中信道质量最好的M/2个特征子信道。
在小区k中选择M/2个最优特征子信道来作为数据传输信道, 就要在小区k集的预编码矢量集合中选择M/2个与干扰信道等效矩阵弦距离之和最大 (内积之和最小) 的预编码矢量组成预编码矩阵vkm (k=1, 2, 3;m=1, …, M/2) , 进行数据传输, 具体可以表示为:
其中, w1m代表发射机预编码矩阵, W1所对应的第m列。W1eig (E) 为F1需要满足的约束条件。由于要考虑不同特征子信道vm对最终预编码影响权重的不同, 使用不同特征子矢量对应的奇异值m[i1]作为权重因子。
因此, 在K=3的场景下, 为了选择最佳一组特征值作为信道进行数据传输, 需要满足的条件如下:
其中, 〈W1, W2, W3〉为三个小区的预编码矩阵的集合, wkm为Wk对应的第m列, k为小区的下标。
所以, 基于距离干扰信道最远的干扰对齐预编码矩阵的具体计算步骤如下:
步骤1:将接收端的干扰等效信道矩阵进行SVD分解, 如式 (5) 所示。
步骤2:计算LD-IA算法的预编码矩阵, 如式 (6) 所示。
4 性能分析
当发送端使用干扰对齐方法的时候, 由于多小区干扰被完全消除, 所以小区k中的接收端的可达速率可以表示为:
其中, , dk为小区k中接收端可以获得的空间自由度, Pk为小区k中发送端的发送功率。
在本文关注的多天线场景下, 因为发送端天线架设的高度较高, 周围的散射环境不够丰富, 同时接收端受到天线尺寸的限制, 容易造成发送端或接收端天线之间存在一定的空间上的相关性。这会导致接收端无法很好的区分空间上各个独立发送的数据流, 表征为信道矩阵做奇异值分解后的奇异值之间的差距明显增大, 即不同特征子信道的信道质量差异增大。在LD-IA方法中由于总是选取与奇异值相对应的特征子信道相匹配的预编码矢量作为预编码矩阵进行数据传输, 削弱了空间相关性对系统频谱效率的影响。
在计算复杂度方面进行分析:经典干扰对齐方案的每个小区发送端需要700M3-11M2+3M次浮点运算。
SV-IA的干扰对齐方案的每个小区发送端需要
次浮点运算。
由式 (4) - (6) 可知, LD-IA方法的每个小区需要
次浮点运算。
取M为4, 经典算法需要44636次浮点运算, SV-IA方法需要54642次浮点运算, LD-IA算法需要62636次浮点运算, 相比于经典算法复杂度增加了40.3%, 相比SV-IA方法增加了14.6%, 算法复杂度的提高程度在接受范围之内。同时, 由于不需要本小区发送端到本小区接收端的信道信息, 算法需要的信息减少, 本文算法应用范围更广, 适应性更好。
5 仿真结果及分析
本节用仿真结果来验证文中提出的干扰对齐优化算法的性能, 本节比较了经典干扰对齐 (CJ-IA) 算法, SV-IA和LD-IA算法随SNR增大在系统频谱效率上的性能表现。在本仿真中, 采用K=3的小区模型;发射端和接收端均设置M根天线 (M为偶数) ;信道为瑞利衰落, 信道对应矩阵Hij的元素服从平均值为0方差为1的独立复高斯分布;每个发送端满足功率受限条件, 同时对所有数据流进行功率均分。
图2给出了3小区MIMO (M=4) 环境下的三种方法吞吐量比较, CJ-IA表示经典干扰对齐算法, SV-IA表示基于最优信道选取特征值的干扰对齐算法, LD-IA表示本文提出的不利用本发送端到本小区信道的基于干扰信道最远准则选取特征值的LD-IA算法。
从图2可以看出由于对特征值进行了选取, 得到的预编码矩阵在运行后相比经典算法在系统频谱效率上得到了提高, 在20d B情况下, LD-IA算法与CJ-IA算法相比在频谱效率上提高了14.85%, 与SV-IA相比提高了4.11%。同时由于本章提出的基于干扰信道选取特征值的干扰对齐算法的优点在于无需利用本小区发送端到本小区终端的信道状况, 对已知条件要求更少, 在应用范围上更广, 更具有实际意义。
在上一测试中的天线数取4, 在选择最优特征值的时候相当于从4个特征值中选取2个最优特征值, 共有C42=6种选择方法, 因此在选择方法上的空间比较小, 系统频谱效率提升幅度较小。在天线数为8的情况下, 选择方案的数量将大大增加, 在C84=70种选择方案中进行最优化选择, 可以看出对吞吐量的提高幅度明显增大。图3是在相同参数下, 天线数为8的三种方法系统频谱效率岁SNR增大的对比图。可见在20d B的情况下, LD-IA算法与CJ-IA算法相比在频谱效率上提高了31.57%, 与SV-IA算法相比提高了5.75%。较4天线的情况提升幅度更明显。
图4给出了3小区MIMO (M=4, SNR=25) 环境下CJ-IA方法、SV-IA算法和本文提出的基于干扰信道距离最大 (LD-IA) 优化算法的系统吞吐量随空间相关系数的变化曲线, 可以看出, 本文提出的算法在空间相关系数相同的空间相关信道下相比其他两种算法可以获得更高的系统吞吐量。这主要得益于接收端有用信强度的改善。图4的仿真结果验证了LD-IA算法的有效性和本段分析的正确性。在空间相关系数为0.6时, LD-IA算法相比于CJ-IA算法提高了108%, 相比于SV-IA算法提高了21.08%。
6 结束语
本文研究了MIMO干扰信道的协作干扰对齐优化算法, 通过矩阵弦距离, 选择出一组最好的特征子信道来传输信号, 可以大大减少干扰对有用信号的影响, 在天线数越多的情况下方法的改善程度越好。仿真结果显示, 相对于经典干扰对齐方案, 在4天线下本文提出的LD-IA算法系统频谱效率有14.85%的提高, 在8天线下有31.57%的提高。下一步的工作主要针对3接收端以上的MIMO系统的干扰对齐提出优化解决方案。
摘要：针对多用户多天线中小区边缘用户同频干扰问题, 提出了一种基于干扰距离最远准则的多用户MIMO干扰对齐优化算法, 通过对等效干扰信道进行SVD分解, 选择与等效干扰信道矩阵距离最大的特征子信道作为传输预编码矩阵, 并分析了算法复杂度以及空间相关性对性能的影响, 仿真结果显示系统频谱效率较原始算法在8天线下有31.57%的提高。
关键词：多用户多天线,干扰对齐,预编码,协作优化
参考文献
[1]Maddah-Ali M, Motahari A, Khandani A.Signaling over MIMO multi-base systems;combination of multi-access and broadcast schemes[C].IEEE International Symposium on Information Theory (ISIT) , Seattle, WA, Jul.2006:2104-2108.
[2]Cadambe VR, Jafar SA.Interference Alignment and Degrees of Freedom of the K-User Interference Channel[J].IEEE Transactions on Information Theory, Aug.2008, 54 (8) :3425-3441.
[3]Gomadam KS, Cadambe SA, Jafar SA.Approaching the capacity of wireless networks through distributed interference alignment[C].IEEE Global Telecommunications Conference (GLOBECOM) , Nov.30-Dec.4, 2008.
[4]Peters SW, Heath Jr RW.Interference alignment via alternating minimization[C].IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP) , Taipei, Apr.2009.
[5]Raj Kumar K, Feng Xue.An Iterative Algorithm for Joint Signal and Interference Alignment[C].IEEE ISIT 2010, Austin, Texas, U.S.A., Jun.13-18, 2010.
[6]Syed A Jafar.Interference Alignment-A New Look at Signal Dimensions in a Communication Network[J].Foundations and Trends in Communications and Information Theory, 2010, 7 (1) :1-134.