预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共16页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115865148A(43)申请公布日2023.03.28(21)申请号202310134418.0(22)申请日2023.02.20(71)申请人南京信息工程大学地址210044江苏省南京市江北新区宁六路219号(72)发明人高文奂张余张治中(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204专利代理师王安琪(51)Int.Cl.H04B7/0413(2017.01)H04B7/0426(2017.01)H04B7/06(2006.01)H04B17/391(2015.01)权利要求书4页说明书8页附图3页(54)发明名称一种非理想信道下的去蜂窝MIMO鲁棒性波束赋形方法(57)摘要本发明公开了一种非理想信道下的去蜂窝MIMO鲁棒性波束赋形方法,步骤为:构建去蜂窝分布式大规模MIMO的框架;获取框架所需参数;对参数误差,加入误差约束,构建误差信道模型;构建可达速率与误差信道模型的信道误差约束下功率最小化模型,提升模型鲁棒性;将功率最小化模型的目标函数从范数最小化问题近似成一个凸的加权的范数问题,并通过迭代获取足够的稀疏性;将可达速率约束条件转化为线性矩阵不等式模型;将信道误差约束转化为线性矩阵不等式模型;将得到的模型转化为SDP问题,通过凸优化工具箱求解,得到最优的波束赋形向量。本发明实现了在存在信道误差的情况下,保证用户可达速率,满足服务质量的同时将系统传输功率最小化。CN115865148ACN115865148A权利要求书1/4页1.一种非理想信道下的去蜂窝MIMO鲁棒性波束赋形方法,其特征在于:包括以下步骤:S1:构建去蜂窝分布式大规模MIMO的框架;S2:获取框架所需参数;S3:对获取的参数误差,加入误差约束,构建误差信道模型;S4:构建用户可达速率与误差信道模型的信道误差约束下功率最小化模型,提升模型鲁棒性;S5:将功率最小化模型的目标函数从范数最小化问题近似成一个凸的加权的范数问题,并通过迭代获取足够的稀疏性;S6:将可达速率约束条件转化为线性矩阵不等式模型;S7:将信道误差约束转化为线性矩阵不等式模型;S8:将步骤S5至S7所得的模型转化为SDP问题,通过凸优化工具箱进行求解,得到最优的波束赋形向量。2.根据权利要求1所述的非理想信道下的去蜂窝MIMO鲁棒性波束赋形方法,其特征在于:步骤S1所述的构建去蜂窝分布式大规模MIMO的框架具体为:部署一个装有M根发射天线、L个接入点用于服务K个单天线用户的去蜂窝大规模分布式MIMO系统,接入点负责数据的传输,中央处理器负责数据的处理,其中N为发射天线数量,L为接入点数量,K为单天线用户数量。3.根据权利要求1所述的非理想信道下的去蜂窝MIMO鲁棒性波束赋形方法,其特征在于:步骤S3所述的对获取的参数误差,加入误差约束,构建误差信道模型具体为:信道误差模型为:,其中,表示用户,表示所有接入点到用户的真实信道,为估计信道,为误差向量,约束关系为:,为误差约束;估计信道和大尺度衰落在估计信道上是已知的,因此总体功率以估计信道为标准进行计算,用户的接收信号为:;式中,为所有AP对用户的传输波束赋形向量,表示矩阵h的共轭转置,表示除用户外的任一用户,,分别表示用户的预期信号服从期望为0,标准差为1的高斯分布和接收噪声服从期望为0,标准差为的高斯分布。4.根据权利要求1所述的非理想信道下的去蜂窝MIMO鲁棒性波束赋形方法,其特征在于:步骤S4所述的构建用户可达速率与误差信道模型的信道误差约束下功率最小化模型,提升模型鲁棒性,具体为:用户的信号与干扰的比值SINR为:,引入香农公式,用户的可达2CN115865148A权利要求书2/4页速率即为:,其中为辅助变量;AP消耗的功率为:;为功率传输效率系数,为天线发射功率,为AP活跃时的最小功率,为AP休眠时消耗的功率;用户可达速率与信道误差约束下的系统总功率最小化模型表示为:;式中,为所有AP对用户的传输波束赋形向量,为其中一个接入点,为从接入点发射到用户的波束赋形向量,若第个AP不为用户服务,那么,表示非零的数量,为AP活跃时与休眠时的功率差,,为对所有用户的最小信干比约束,为用户可达速率约束,为非理想信道约束。5.根据权利要求1所述的非理想信道下的去蜂窝MIMO鲁棒性波束赋形方法,其特征在于:步骤S5所述的将功率最小化模型的目标函数从范数最小化问题近似成一个凸的加权的范数问题,并通过迭代获取足够的稀疏性,包括以下子步骤:S501:由于AP休眠功率为常数,对优化结果没有影响,将其去除,对目标函数进行变形,若用范数的平方来替换范数,范数的个数总量保持不变,AP活跃与休眠模式功率差表述为:;S502:根据压缩感知理论,范数最小化问题能够近似成一个凸的加权的范数