Massive MIMO系统中上行功率控制算法研究

朱 燕

(诺基亚通信技术(北京)有限公司，浙江 杭州 310053)

Massive MIMO系统中上行功率控制算法研究

朱 燕

(诺基亚通信技术(北京)有限公司，浙江 杭州 310053)

Massive MIMO技术解决了传统通信系统中的诸多问题，但该技术并不能解决导频污染问题，严重影响了系统的性能。为减小导频污染，文中提出了一种上行信号功率的控制算法。在满足用户的SINR和功率限制的前提下，该算法采用迭代求解的方法，依次优化了导频信号和数据信号的功率，降低了基站的总发射功率，从而提高整个通信系统的能量效率。

Massive MIMO；功率控制；导频污染

Massive MIMO技术是一种在基站端使用数目庞大的天线、用户端使用单天线的通信技术。该技术解决了通信系统的白噪声和不相干小区间的干扰问题，通过增加大量的天线，加强了发送信号的功率，大幅提高了传输信干比(SIR)和频谱利用率。然而，在实际应用中，Massive MIMO技术仍未解决导频污染问题[1]。导频污染产生的主要原因是相同的导频序列被分配给相邻小区的不同用户，这直接影响了上行导频信号的信道估计结果，从而导致整个通信系统性能下降[6]。

针对这一问题，国内外学者进行了大量的研究[9]，提出了若干种方法来处理导频污染问题，总结这些方法约有以下几种：(1)优化导频序列分布，即使用高频率复用因子或者动态分配导频序列，该方法会消耗过多的资源；(2)使用网络联合预编码算法，该方法需要接受小区间的信道衰落信息，仍需进一步研究；(3)使用盲估计技术，该技术在资源与性能上能够达到较好的折中；(4)使用提高能量效率的方法，即通过高效优化发射信号的功率控制来避免导频污染，该技术在解决导频污染问题的前提下，能有效降低基站端的能耗成本。同时，提高了用户端的使用寿命。不同于以往的研究，针对导频污染引起的信道估计误差问题，文中提出了一种优化导频信号和数据信号的功率控制算法，通过优化每个用户的导频信号和数据信号的功率，在不降低信噪比与功率的同时，降低了信号的发射功率，并大幅提高了系统的能量效率。

1 系统模型

Massive MIMO系统是时分双工的传输技术，所以小区的用户可以在一个时频上和基站通信。假定一个具有若干小区的Massive MIMO系统，令系统中有L个小区，每个小区存在K个用户，基站端有M个天线。用Gij表示小区i和小区j通信的信道，则

(1)

其中，Hij是小区i和小区j的小尺度衰落信道，Dij是小区i和小区j用户的大尺度衰落。在实际情况中，用户的上行信号功率一般均是不同的，令Pr,i表示用户的发送信号功率矩阵，xi和ni分别表示用户的上行数据与信道中的高斯白噪声，则小区i的用户接收信号为

(2)

2 信道估计

与小区内的用户接受信号类似，令Yp,l为基站接收的导频信号；Pp,i表示导频信号的功率矩阵；Φ表示归一化的导频信号矩阵；Nl表示高斯白噪声的矩阵，则基站端接收的导频信号为

(3)

因所有元素均是相互独立的复高斯随机变量，所以可以用MMSE方法估计接收信号，得到下列估计信道

(4)

假设只对所在小区做信道估计，经过一系列推导，小区l接收信号的数学表达式为

(5)

(6)

用户k接收到的信号为

(7)

(8)

(9)

3 上行功率控制算法

在满足用户的最低SINR限制和最大功率限制的前提下，为了优化用户的上行发射功率，提升通信性能，本文基于导频信号和数据信号的功率不相等假设，提出了优化上行信号功率的算法。

首先，导频信号和数据信号的功率向量被分别定义为

pr=[pr,11,…,pr,1k,…,pr,L1,…,pr,LK]T

(10)

pp=[pp,11,…,pp,1k,…,pp,L1,…,pp,LK]T

(11)

令θ0表示用户的上行最低SINR，p0表示用户端允许的最大功率值，则本文研究的功率控制优化问题的模型可简要叙述为

(12)

pp,lk+pr,lk≤p0

(13)

(14)

由上一部分的信道估计结果，上式可以重新写为

pr≥fr(pr)

(15)

fr(pr)=BCpr+B

(16)

因为B和C的向量均是正值，且pr>0，所以fr(pr)是单调递增的。而因为Massive MIMO的天线数量较大，故在求解Pr时只能通过迭代来求解，令n是迭代次数，则利用下式即可迭代出近似最优解

pr(n+1)=rr(pr(n))

(17)

与上述计算过程类似，当数据信号的功率值被确定时，通过下式也可迭代出导频信号的功率值

pp(n+1)=fr(pp(n))

(18)

另外，迭代过程中的收敛因子ηr和ηp分别被定义为

(19)

(20)

使用上面这些定义和计算过程，本文提出的算法步骤如下：

步骤5确定导频信号的功率值，并计算数据信号功率值的内部循环，若ηr≥η，则ηr=ηr+1，pr(nr)=fr(pr(nr-1))，同时更新ηp并回到步骤5；

4 算法仿真结果与分析

为验证算法的可行性，本文在软件上建立了一个Massive MIMO系统的模型，该系统具有3个小区，基站位于小区的中心点上，每个小区的半径是500 m，小区内的用户数随机生成，同时设定用户和基站的距离d≥50 m。小区内的大尺度衰落βk=zk/(dk/dmin)λ，上式中λ刻画了大尺度衰落的指数参数。本文中，λ=3，zk表示了用户和基站之间的阴影衰落，这是高斯随机变量，均值为0，方差为σ=8 dB，dk表示了用户到基站的距离。按照这些设定进行仿真，可以得到信号功率在不同天线个数和目标SINR设定下的结果。

图2 不同天线个数和目标SINR时的数据信号功率值

图3 不同天线个数和目标SINR时的信号功率总和

由图1和图2可知，若目标SINR增大，导频信号和数据信号功率也会逐渐增大；在目标SINR相等时，导频信号功率大于数据信号功率；天线个数增加时，信号的功率均会降低。由此表明，导频信号功率和系统的性能是正相关的，同时天线数与算法性能也是正相关的。由图3可知，信号的功率和初始分配功率相比降低较多，这说明本文的算法可以大幅降低信号的功率，提升系统的性能。

5 结束语

针对Massive MIMO系统中的导频污染问题，文中提出了一种上行信号功率的优化算法。该算法在功率降低的情况下，通过迭代分别优化导频信号功率和数据信号功率，从而逼近上行信号的最优功率分配。同时，降低了用户上行信号的总功率，提高了Massive MIMO系统的整体性能。

[1] 程彬,胡艳军.大规模MIMO蜂窝网络中导频功率控制的改进方法[J].安徽大学学报:自然科学版,2017,41(1):73-78.

[2] 赵东来.MASSIVE MIMO系统中上行信道估计算法研究[D].哈尔滨:哈尔滨工业大学,2016.

[3] 江爱珍,曾桂根.Massive MIMO上行系统能效资源分配算法[J].计算机技术与发展,2016,26(10):200-204.

[4] 蒋益锋,沈琳,胡琳娜.基于LTE系统的上行功率控制方法研究[J].江苏理工学院学报,2014(6):46-50.

[5] 于晓靓.LTe-A中继系统中上行调度算法研究[D].北京:北京邮电大学,2014.

[6] 刘允.多小区MIMO系统中干扰对齐算法分析[J].电子科技,2015,28(8):77-80.

[7] 郭鸣霄,徐鹏飞,王瑞山.MIMO系统的信号检测算法分析[J].电子科技,2016,29(3):65-67.

[8] 刘健.多点协作系统中用户配对选择和功率控制算法研究及LTE链路级仿真平台搭建[D].北京:北京邮电大学,2014.

[9] 黎海涛,吕海坤,袁海英,等.WiMAX上行功率控制中分集合并研究[J].电子科技大学学报,2014(3):369-374.

[10] 盛洪宁.LTE上行信道估计技术研究[J].电子科技,2011,24(6):7-10.

[11] 孙彦良.面向下一代无线通信系统的多天线信道建模和仿真技术研究[D].北京:北京邮电大学,2015.

[12] 周志超,肖扬,王东.Massive MIMO多小区系统中导频污染减轻方法[J].系统工程与电子技术,2016,38(2):434-441.

[13] 张伟.Massive MIMO预编码技术研究与性能评估[D].北京:北京交通大学,2016.

[14] 王连友.应用于LTE上行链路的D-MMSE-FE均衡算法[J].电子科技,2015,28(8):63-66.

[15] 张菲.LTE上行功率控制技术研究[D].北京:北京邮电大学,2014.

Research and Simulation of Uplink Power Control Algorithm in Massive MIMO System

ZHU Yan

(Nokia Communication Technology (Beijing) Co., Ltd.,Hangzhou 310053,China)

Massive MIMO technology has solved many important problems in traditional communication system, but this technology can not solve pilot pollution problems, and seriously affect the performance of the system. In order to reduce pilot pollution, a control algorithm of uplink signal power is proposed in this paper. In order to meet the demand of the user’s SINR and power constraints, the algorithm uses an iterative method, in order to optimize the power of the pilot signal and the data signal, reduces the total transmit power of the base station, so as to improve the energy efficiency of the whole communication system finally.

Massive MIMO;power control;pilot pollution

2017- 06- 01

朱燕(1980-)，女，硕士。研究方向：通信技术。

10.16180/j.cnki.issn1007-7820.2017.12.023

TN921

A

1007-7820(2017)12-086-04