图片简介:
本技术涉及mmWave多小区干扰抑制技术领域，介绍了一种联合用户关联和波束宽度选择的最小化基站发射功率的mmWave多小区干扰抑制方法。该方法为：将高斯天线模型和mmWave双射线信道模型结合作为系统模型，在该系统模型下，将最小化基站发射功率问题转化为用户关联和最佳波束宽度选择两个方法，首先基于分布式框架下基站与用户配对之后选择SINR大于一定阈值的用户，用户在相邻基站中选择发射功率最小的基站进行关联，然后运用粒子群优化方法选择最佳波束宽度。本技术设计了一种用户关联和波束宽度选择方法，在保证基站发射功率最小化的情况下降低了计算复杂度，减少了小区间干扰。
技术要求
1.一种最小化基站发射功率的mmWave多小区干扰抑制方法，其特征在于，包括以下步骤：
步骤一：将呈现当波束宽度发生变化时主瓣和旁瓣增益发生滚降特性的高斯天线模型和呈现定向传输的mmWave双射线信道模型结合形成联合系统模型；步骤二：基于步骤一的联合系统模型，将基站发射功率最小化问题转化为用户关联和最佳波束宽度选择；
步骤三：基于分布式框架下，基站收集本地信道状态信息CSI，通过本地CSI选择配对之后SINR大于一定阈值的用户；步骤四：基于分布式框架下，用户在相邻基站中，根据最小发射功率准则选择符合条件的基站进行关联；步骤五：使用粒子群优化方法进行迭代搜索，选择最佳波束宽度；
步骤六：通过完成mmWave多小区基站发射功率最小化，实现多小区干扰抑制。
2.根据权利要求1所述的最小化基站发射功率的mmWave多小区干扰抑制方法，其特征在于，所述步骤一中高斯定向天线模型捕获了实际辐射模式的“滚降”特
性，在该模型中，令ω为相对于视轴的方向角，沿着该方向的天线增益，具体公式如下：
其中，*表示θh是半功率波束宽度，ξm是主瓣波束宽度，f(ξm,θh)定义
为
对其求积分；
X表示上述天线增益公式中的ω，即相对于视轴的方向角，因为其是一个变量，所以需
mmWave双射线模型考虑了两个主要的并存传输路径，即视距LOS路径和反射路径，信道系数为：
其中，λ是mmWave波长，G(*)表示定向天线的辐射方向图，R为基站与用户之间的距离，表示相对于地平面的反射
角，ht为mmWave基站高度，hr为用户高度，为相位
差，表示反射系数，分别表示垂直
和水平极化的电磁波，ε表示地面的介电常数。
3.根据权利要求1所述的最小化基站发射功率的mmWave多小区干扰抑制方法，其特征在于，所述步骤二：基于联合系统模型，将基站发射功率最小化问题
转化为用户关联和最佳波束宽度选择，具体包括：故根据交替方向乘数法将发射功率最小化问题分解为两个子问题，分别求解，联合两个子问题的答案即为该问题的解。
4.根据权利要求1所述的最小化基站发射功率的mmWave多小区干扰抑制方法，其特征在于，所述步骤四的具体处理过程为：基于分布式框架下，用户端根
据最小发射功率准则，负责筛选基站，即用户i对符合步骤二条件的M个基站发射功率
中各元素进行升序排列构成集合p*，具体地，p*＝(p*(1),p
…,p*(M)),p*(1)＜p*(2)＜…＜p*(M)，进而选取最小发射功率p*(1)的基站与该用户进行配对。
5.根据权利要求4所述的最小化基站发射功率的mmWave多小区干扰抑制方法，其特征在于，所述步骤五使用粒子群优化方法进行迭代搜索，选择最佳波束
宽度，具体包括：
首先为所有的波束分配一个固定的波束宽度，并且设置速度矢量在[0°,90°]范围内随机均匀抽取速度矢量，然后通过适应度函
数迭代地评估每个粒子位置，直到找到最佳位置，基于当前速度，粒子的个体最佳位置和邻居的最佳位置，迭代地改进速度，具体的过程为：
其中，δ，τ和σ作为参数被用来控制该启发式方法搜索过程，Δτ和Δσ是[0,1]均匀变化的随机变量，置，
表种群历史最佳位置。
表示粒子i的历史最佳位置，表示粒子i当前位
6.根据权利要求4所述的最小化基站发射功率的mmWave多小区干扰抑制方法，其特征在于，所述步骤六：通过完成mmWave多小区基站发射功率最小化，实
发射功率最小化问题，最终实现多小区干扰抑制。
现多小区干扰抑制具体包括：将用户关联和最佳波束宽度选择联合处理，分别完成用户关联匹配和搜索寻找到最佳波束宽度，从而解决mmWave多小区基站
技术说明书
一种最小化基站发射功率的mmWave多小区干扰抑制方法技术领域
本技术属于移动通信领域，具体涉及mmWave多小区干扰抑制技术领域。背景技术
近年来，毫米波(mmWave)通信将在提高下一代无线网络的吞吐量，可靠性和安全性方面发挥关键作用。这些改进是通过在这个频带中可用的大带宽以及使用高度定向的链路来实现，而其中这些链路将被用于克服在mmWave频率下的大路径损耗。为了分析的高度易处理性，在对定向天线的辐射方向图进行建模时，扇形模型是普遍的选择。然而，在扇形模型中，只有两个常数增益被用来分别表征主瓣和旁瓣，而没有在它们之间的任何转换。这种趋近于理想化情况的一个明显的缺点是在实际应用中，定向天线的辐射方向图的关键“滚降”特征(从主瓣到旁瓣的逐渐衰减)没有被反映出来，并且导致的不连续性可能严重影响系统性能评估。同时，在mmWave通信中一阶反射是不可忽略的。然而，在大多数文献中，地面反射(一阶反射)的影响很少被纳入，因为它被广泛而深刻地认为地面反射不是显著影响绩效评估的主导因素。由于省略了反射的不可忽略的建设性(或破坏性)效应，这种用于mmWave无线电的传统信道模型
(仅基于LOS路径)可能导致在性能评估中明显的高估(或低估)。
当前，在mmWave多小区场景中，mmWave基站数量远比宏基站数量多，但是没有考虑基站发射功率最小化问题，因此干扰随着基站数量的增加而增大。此外，不仅因为随着智能手机的普及，交通量的快速增长，而且随着能源价格的不断上涨，能源供应有限。因此绿色通信最近引起越来越多的关注，需要在下一代通信中推进绿色通信，强调在通信系统中加入节能意识。相比于总和最大化问题，更好的做法是在一定的服务质量(QoS)约束水平下最小化系统总发射功率。技术内容
本技术旨在解决以上现有技术的问题。提出了一种复杂度降低的同时有效的降低了mmWave多小区间干扰的最小化基站发射功率的mmWave多小区干扰抑制方法。本技术的技术方案如下：
一种最小化基站发射功率的mmWave多小区干扰抑制方法，其包括以下步骤：
步骤一：将呈现当波束宽度发生变化时主瓣和旁瓣增益发生滚降特性的高斯天线模型和呈现定向传输的mmWave双射线信道模型结合形成联合系统模型；步骤二：基于步骤一的联合系统模型，将基站发射功率最小化问题转化为用户关联和最佳波束宽度选择；
步骤三：基于分布式框架下，基站收集本地信道状态信息CSI，通过本地CSI选择配对之后SINR大于一定阈值的用户；步骤四：基于分布式框架下，用户在相邻基站中，根据最小发射功率准则选择符合条件的基站进行关联；步骤五：使用粒子群优化方法进行迭代搜索，选择最佳波束宽度；
步骤六：通过完成mmWave多小区基站发射功率最小化，实现多小区干扰抑制。
进一步的，所述步骤一中高斯定向天线模型捕获了实际辐射模式的“滚降”特性，在该模型中，令ω为相对于视轴的方向角，沿着该方向的天线增益，具体公式如下：
其中，*表示θh是半功率波束宽度，ξm是主瓣波束宽度，f(ξm,θh)定义
为
对其求积分；
X表示上述天线增益公式中的ω，即相对于视轴的方向角，因为其是一个变量，所以需
mmWave双射线模型考虑了两个主要的并存传输路径，即视距LOS路径和反射路径，信道系数为：
其中，λ是mmWave波长，G(*)表示定向天线的辐射方向图，R为基站与用户之间的距离，表示相对于地平面的反射
角，ht为mmWave基站高度，hr为用户高度，为相位
差，表示反射系数，分别表示垂
直和水平极化的电磁波，ε表示地面的介电常数。
进一步的，所述步骤二：基于联合系统模型，将基站发射功率最小化问题转化为用户关联和最佳波束宽度选择，具体包括：故根据交替方向乘数法将发射功率最小化问题分解为两个子问题，分别求解，联合两个子问题的答案即为该问题的解。
进一步的，所述步骤四的具体处理过程为：基于分布式框架下，用户端根据最小发射功率准则，负责筛选基站，即用户i对符合步骤二条件的M个基站发射功率行配对。
进一步的，所述步骤五使用粒子群优化方法进行迭代搜索，选择最佳波束宽度，具体包括：
中各元素进行升序排列构成集合p*，具体地，p*＝(p*(1),p*(2),…,p*(M)),p*(1)＜p*(2)＜…＜p*(M)，进而选取最小发射功率p*(1)的基站与该用户进
首先为所有的波束分配一个固定的波束宽度，并且设置速度矢量在[0°,90°]范围内随机均匀抽取速度矢量，然后通过适应度函
数迭代地评估每个粒子位置，直到找到最佳位置，基于当前速度，粒子的个体最佳位置和邻居的最佳位置，迭代地改进速度，具体的过程为：
其中，δ，τ和σ作为参数被用来控制该启发式方法搜索过程，Δτ和Δσ是[0,1]均匀变化的随机变量，置，
表种群历史最佳位置。
表示粒子i的历史最佳位置，表示粒子i当前位
进一步的，所述步骤六：通过完成mmWave多小区基站发射功率最小化，实现多小区干扰抑制具体包括：将用户关联和最佳波束宽度选择联合处理，分别完成用户关联匹配和搜索寻找到最佳波束宽度，从而解决mmWave多小区基站发射功率最小化问题，最终实现多小区干扰抑制。本技术的优点及有益效果如下：
本技术提出一种联合用户关联和波束宽度选择的最小化基站发射功率的mmWave多小区干扰抑制方法，克服了传统定向天线模型过于简化和mmWave传统信道模型的局限性，两种启发式模型的联合处理使得mmWave系统的性能评估更准确。同时基于分布式框架来进行用户关联，基站和用户只需获取部分CSI，相对于传统算法开销减小，并且利用粒子优化方法选择最佳波束宽度，最后解决用户关联和最佳波束宽度选择子问题来实现mmWave多小区最小化基站发射功率，在复杂度降低的同时有效的降低了mmWave多小区间干扰。附图说明
图1是本技术提供优选实施例联合用户关联和波束宽度选择的最小化基站发射功率的mmWave多小区干扰抑制方法流程图；图2为系统模型图；
图3为用户关联方法流程图；图4为粒子群优化方法流程图。具体实施方式
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本技术的一部分实施例。
本技术解决上述技术问题的技术方案是：
图1为联合用户关联和波束宽度选择的最小化基站发射功率的mmWave多小区干扰抑制方法流程图，详细描述如下。
图2为系统模型图，ht为mmWave基站高度，hr用户高度，ξm是主瓣波束宽度，θ表示相对于地平面的反射角，R为基站与用户之间的距离，d为为基站与用户之间的水平距离。
步骤一：将呈现当波束宽度发生变化时主瓣和旁瓣增益发生滚降特性的高斯天线模型和呈现定向传输的mmWave双射线信道模型联合处理。
对于定向天线的辐射方向图，本技术使用高斯型定向天线模型，其中主瓣增益以连续的方式衰减到非零旁瓣增益，呈现“滚降”的特点，可以体现出真实的辐射模式，同时保持易处理性。此外，为了在mmWave信道中引入地面反射，采用了双射线信道模型。由于地面在各种情况下通常是最常见的反射面，所以本方法只考虑地面反射。
具体地，高斯定向天线模型捕获了实际辐射模式的“滚降”特性，在该模型中，令ω为相对于视轴的方向角，沿着该方向的天线增益，具体公式如下：
其中，θh是半功率波束宽度，ξm是主瓣波束宽度，f(ξm,θh)定义为
mmWave双射线模型考虑了两个主要的并存传输路径，即视距(LOS)路径和反射路径，信道系数为：
其中，λ是mmWave波长，G(*)表示定向天线的辐射方向图，R为基站与用户之间的距离，表示相对于地平面的反射
角，为相位差，表示反射系
数，
如图2所示，用户关联方法流程图，详细描述如下。
分别表示垂直和水平极化的电磁波，ε表示地面的介电常数。
步骤二：基于该系统下，将基站发射功率最小化问题转化为用户关联和最佳波束宽度选择两个方法。步骤三：基于分布式框架下，基站收集本地CSI，通过本地CSI选择配对之后SINR大于一定阈值的用户；步骤四：基于分布式框架下，用户在相邻基站中，根据最小发射功率准则选择与符合条件的基站进行关联；
具体处理过程为：将基站发射功率最小化这个凸优化问题转化为用户关联和最佳波束宽度选择两个方法来求解，基于分布式框架下，基站端负责收集本地
CSI，通过本地CSI，配对之后选择SINR大于阈值γ的用户，即基站寻找满足一定QoS的用户，保证用户通信质量。基于分布式框架下，用户端根据最小发射
功率准则，负责筛选基站，即用户i对符合步骤二条件的M个基站发射功率
中各元素进行升序排列构成集合p*，具体地，p*＝(p*(1),p*(2),
…,p*(M)),p*(1)＜p*(2)＜…＜p*(M)，进而选取最小发射功率p*(1)的基站与该用户进行配对。
最小化基站发射功率的mmWave多小区干扰抑制方法与设计方案
