一种联合传输波束优化的方法、系统、介质、设备及终端

1.本发明属于移动互联网技术领域，尤其涉及一种联合传输波束优化的方法、系统、介质、设备及终端。


背景技术：

2.目前，第五代移动通信技术(5th-generation，5g)的发展为物联网的规模化部署提供了技术支撑，在物联网时代，物联网和人工智能的最新技术进步有望实现各种新应用，如自动驾驶、增强现实、虚拟现实和工业自动化。为了实现物联网和人工智能的愿景，蜂窝网络正朝着5g及更高的方向发展，以支持具有不同服务质量要求的大规模无线设备，如显著提高频谱效率、超低传输延迟和极高的通信可靠性。为此，微基站被密集部署，以缩短与最终用户的距离，并且设备到设备(d2d)通信在传统蜂窝传输的基础上得以实现，以创造更多的频谱复用机会。然而，5g及以上蜂窝网络中小型基站和d2d通信的出现，也给不同小区和不同d2d链路之间带来了严重的同频干扰，需要谨慎处理。在文献中，已经提出了各种方法来减轻甚至利用同信道干扰，比如协调发射/接收波束形成。现存的有关异构网络的共存机制多采用时分复用，相邻基站之间会对共用频谱进行规避来降低同频干扰。但是这样就会使其频谱效率和通信性能均难以满足未来大规模连接的通信需求。
3.智能反射面(irs)已成为另一种有前途的5g蜂窝网络技术。irs是一种由大量反射单元组成的无源元件，每个反射单元可以在射频(rf)信号上引入独立的相移，以便于无线传输。特别地，通过联合控制这些相移，irs可以形成反射信号波束形成，使得反射信号可以与预期接收器处的直接发射信号相干地组合，以增强期望的信号强度，或在非预期接收器处进行破坏性组合，以抑制不期望的干扰。由于irs是一种无源设备，没有专用功耗，因此它被设想为一种绿色且经济高效的解决方案，以提高未来蜂窝网络的频谱效率和能量效率。也可以通过使用irs重新配置无线传输环境来降低干扰以增强无线网络的性能。如何联合设计基站处(如bss)的发射波束形成和irs的反射波束形成是irs 辅助无线通信系统中需要解决的关键问题之一。
4.通过上述分析，现有技术存在的问题及缺陷为：现存的有关异构网络的共存机制多采用时分复用，但这样会降低频谱利用率，如果各层之间频率复用又会给各小区之间带来严重的同频干扰。很难同时提高频谱利用率和避免干扰问题。因此其频谱效率和通信性能均难以满足未来大规模连接的通信需求。


技术实现要素：

5.针对现有技术存在的问题，本发明提供了一种联合传输波束优化的方法、系统、介质、设备及终端，尤其涉及一种智能反射面辅助多层异构网络的联合传输波束优化的方法、系统、介质、设备及终端。
6.本发明是这样实现的，一种联合传输波束优化的方法，所述联合传输波束优化的方法包括：
7.基于多层异构网络系统，引入irs辅助以重构信道，通过联合优化主动波束成型向量和irs的反射波束成型向量，增强有用信息同时抵消干扰，进而实现对多用户的公平传输。
8.进一步，所述联合传输波束优化的方法包括以下步骤：
9.步骤一，构建irs辅助的异构网络系统模型，将实际场景量化成数学模型方便之后的算法设计；
10.步骤二，构建每个用户的信道模型，根据每个用户的信道模型构建每个异构网络用户接收信号模型、干扰信号模型、信噪比模型以及用户速率模型，方便之后的优化算法设计；
11.步骤三，结合用户的实际信道条件和irs的相位调整情况确定优化的目标，为整个方案确定了一个优化的方向；
12.步骤四，求解优化问题得到优化后的发射波束成型向量和智能反射面相移矩阵，保证了整个方案的最终效果。
13.进一步，所述步骤一中的irs辅助的异构网络系统模型包括1个宏基站和3 个微基站，每个基站服务一个单天线用户，智能反射面。
14.所述智能反射面配备m＝20个反射单元；
15.所述基站与用户通过无线方式连接；
16.所述的智能反射面通过基站与用户之间的反射路径建立连接，以辅助整个多层异构网络。
17.进一步，所述步骤二中的每个用户的复合信道模型为：
[0018][0019][0020][0021][0022][0023]
其中，b表示基站的数量，k表示每个小区内的基站服务的用户数量；h
ibk
表示从基站i到b小区中的k用户的复合信道向量；是从基站b到irs 的信道增益；ρ是参考距离为d0＝1m处的路径损耗；α是相应的路径损耗指数； d
br
表示基站到irs的距离；非视距分量是服从圆对称复高斯分布的随机向量；为视距分量；是从irs到用户的信道向量，其中κ是相应的路径损耗指数；d
rk
表示irs到用户的距离；非视距分量是服从圆对称复高斯分布的随机向量，为视距分量；是从基站i到b 小区中的k用户的信道向量，其中δ是相应的路径损耗指数；d
rk
表示基站i到b 小区中的k用户的距离；非视距分量是服从圆对称复高斯分布的随机向量；为视
距分量；irs的对角相移矩阵表示为主对角线θm＝(0,2π)表示智能反射面第m个反射单元的相移，其中m＝1,2,
···
,m。
[0024]
所述用户接收信号模型为：
[0025][0026]
其中，s
bk
表示b基站发给用户k的信息，表示b基站到用户k 相应的发射波束形成矢量，其中第二项表示小区内其它用户的干扰，第三项表示来自其他小区的干扰，最后一项表示加性高斯白噪声，
[0027]
所述用户信噪比模型为：
[0028][0029]
其中，b表示基站的数量，k表示每个小区内的基站服务的用户数量；h
ibk
表示从基站i到b小区中的k用户的复合信道向量；表示b基站到用户k相应的发射波束形成矢量。
[0030]
所述用户速率为：
[0031]rbk
＝log2(1 sinr
bk
)；
[0032]
其中，b表示基站的数量，k表示每个小区内的基站服务的用户数量；sinr
bk
表示从基站b所覆盖小区中的k用户的信干噪比。
[0033]
进一步，所述步骤三中的结合用户的实际信道条件和irs的相位调整情况确定优化的目标包括：
[0034]
结合基站发射功率大小、干扰功率的大小以及irs上各个反射单元的具体相位调整构建优化问题的约束条件。在约束条件的限制下，通过优化基站处的主动波束成型向量和通过irs相移调整的反射波束成型向量使所有用户中的速率最小的用户速率最大化。
[0035]
所述优化目标为：
[0036][0037]
其中，b表示基站的数量，k表示每个小区内的基站服务的用户数量；表示b基站到用户k相应的发射波束形成矢量；irs的对角相移矩阵表示为主对角线θm＝(0,2π)表示智能反射面第m个反射单元的相移，其中m＝1,2,
···
,m。
[0038]
不等式约束为：
[0039][0040]
所述优化目标是一个非凸函数，引入辅助变量进行变量代换如下所示：
[0041][0042]
v＝[θ1]h；
[0043][0044][0045]
代入所述辅助变量，将优化目标重写为：
[0046][0047]
引入交替优化算法求得高质量的次优解。
[0048]
将问题拆分成两个子问题分别进行求解。
[0049]
子问题一：发射波束成型向量优化问题，使用连续凸逼近求解得到发射波束向量。
[0050]
对变量进行代换：
[0051][0052]
对于子问题一中存在的非凸约束：
[0053][0054]
在可行点处进行一阶泰勒展开：
[0055][0056]
则子问题一变为：
[0057][0058][0059]
[0060][0061][0062][0063]
所述子问题一是凸半定规划问题，通过标准的凸问题求解器cvx进行有效求解。由于下界的替换，由优化问题得到的目标函数最优值为原问题提供下界；求解后，通过cholesky分解得到发射波束形成系数{w
bk
}后，将每次优化后得到的解作为新的可行解更新下界，迭代优化，直到整个问题收敛。
[0064]
子问题二：智能反射面相移优化问题，使用连续凸逼近和半定松弛的算法来求解反射波束向量。
[0065]
对变量进行代换：
[0066]
v＝vvh；
[0067]
对于子问题二中存在的非凸约束：
[0068][0069]
在可行点处进行一阶泰勒展开：
[0070][0071]
则子问题二变为：
[0072][0073][0074][0075][0076]
[v]
mm
＝1,m＝1,2,
···
,m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0077][0078]
rank(v)＝1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0079]
对于秩一约束，通过忽略秩一约束解决问题，如果从松弛问题获得的解不是秩一的，则使用高斯随机化方法构造符合秩一约束的解；子问题二是凸半定规划问题，通过标准的凸问题求解器cvx进行求解；由于下界的替换，由优化问题得到的目标函数最优值为原问题提供下界；求解后，通过cholesky分解得到发射波束形成系数v后，将每次优化后得到的解作为新的可行解更新下界，迭代优化，直到整个问题收敛。
[0080]
进一步，所述步骤四中的优化问题得到优化后的发射波束成型向量和智能反射面相移矩阵包括：
[0081]
基于步骤三得到优化后的基站处的主动波束成型向量w
bk
和优化后的智能反射面相移矩阵θ，通过联合优化发射波束成型向量和反射波束成型向量，重新配置每个用户的电磁信道环境，实现对多用户的公平传输。
[0082]
本发明的另一目的在于提供一种实施所述的联合传输波束优化的方法的联合传输波束优化的系统，所述联合传输波束优化的系统包括：
[0083]
系统模型构建模块，用于构建irs辅助的异构网络系统模型；
[0084]
信道模型构建模块，用于构建每个用户的信道模型，根据每个用户的信道模型构建每个异构网络用户接收信号模型、干扰信号模型、信噪比模型以及用户速率模型；
[0085]
优化目标确定模块，用于结合用户的实际信道条件和irs的相位调整情况确定优化的目标；
[0086]
问题优化模块，用于优化问题并得到优化后的发射波束成型向量和智能反射面相移矩阵。
[0087]
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
[0088]
基于5g nr蜂窝系统和密集部署的微基站，引入irs辅助以重构信道，构建免许可频段异构网络模型；通过联合优化主动波束成型向量和irs的反射波束成型向量，增强有用信息同时抵消干扰，进而实现对多用户的公平传输。
[0089]
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
[0090]
基于5g nr蜂窝系统和密集部署的微基站，引入irs辅助以重构信道，构建免许可频段异构网络模型；通过联合优化主动波束成型向量和irs的反射波束成型向量，增强有用信息同时抵消干扰，进而实现对多用户的公平传输。
[0091]
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的联合传输波束优化的系统。
[0092]
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
[0093]
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
[0094]
相比于现有的技术，本发明提供了一种智能反射面辅助多层异构网络的联合传输波束优化方法。以5g nr蜂窝系统和密集部署的微基站为例，其中irs 辅助宏基站和微基站为多个用户提供服务，每个宏基站和微基站都与多个单天线用户通信。在覆盖密集的地方专门部署了一个irs，用于辅助无线传输和抑制干扰。在此设置下，本发明联合优化各基站处的发射波束形成矢量和irs处的反射波束形成矢量，以最大化用户处的最小速率。为了解决所提出的非凸问题，提出基于sca-sdr的交替优化算法，交替优化发射波束形成矢量和反射波束形成矢量，仿真结果表明，与传统mimo中的mrt波束形成方案和zf波束形成方案相
比，本发明提出的算法可以获得更显著的增益。irs的加入不仅提高了用户处接收信号的强度，而且同时抑制了用户间干扰，特别是对小区边缘用户，在保证公平性的基础上显著改善了用户的通信质量。
[0095]
本发明提供了一种智能反射面辅助多层异构网络的联合传输波束优化方法，其中智能反射面辅助宏基站和微基站为多个用户提供服务。在覆盖密集的地方专门部署智能反射面，用于辅助无线传输和抑制干扰。本发明联合优化各基站处的发射波束形成矢量和智能反射面处的反射波束形成矢量，在基站处的功率约束以及智能反射面处的相移约束的保障下，实现最大化用户处的最小速率的目标。由于该问题是一个非凸的np-hard问题，很难得到最优解，因此本发明提出了一种交替优化算法来解决这个问题，即交替优化发射波束形成矢量和反射波束形成矢量。其中发射波束形成优化矢量射波束形成矢量在每次迭代中分别采用连续凸逼近(sca)和半定松弛(sdr)技术求解。本发明提出的算法，可以显著提高用户处的最小速率，保证系统公平性，提高了频谱利用率。
[0096]
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
[0097]
本发明以5gnr蜂窝系统和密集部署的微基站为例，引入irs辅助以重构信道，构建免许可频段异构网络模型。本发明通过联合优化主动波束成型向量和irs的反射波束成型向量，增强有用信息同时抵消干扰，提高系统吞吐量和频谱利用效率，同时实现对多用户的公平传输。
[0098]
本发明与传统mimo通信系统中的mrt波束形成方案和zf波束形成方案相比，本发明提出的算法可以获得更显著的增益。irs的加入不仅提高了用户处接收信号的强度，而且同时抑制了用户间干扰，特别是对小区边缘用户，在保证公平性的基础上显著改善了用户的通信质量。
[0099]
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
[0100]
本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题：
[0101]
现存的有关异构网络的共存机制多采用时分复用，相邻基站之间会对共用频谱进行规避来降低同频干扰。但是这样就会使其频谱效率和通信性能均难以满足未来大规模连接的通信需求。本发明解决了这个技术难题，本发明提供了一种智能反射面辅助多层异构网络的联合传输波束优化方法。本发明以5g nr 蜂窝系统和密集部署的微基站为例，引入irs辅助以重构信道，构建免许可频段异构网络模型。本发明通过联合优化主动波束成型向量和irs的反射波束成型向量，增强有用信息同时抵消干扰，提高系统吞吐量和频谱利用效率，同时实现对多用户的公平传输。
附图说明
[0102]
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
[0103]
图1是本发明实施例提供的联合传输波束优化的方法流程图。
[0104]
图2是本发明实施例提供的联合传输波束优化的方法原理图。
[0105]
图3是本发明实施例提供的联合传输波束优化的系统结构框图。
[0106]
图4是本发明实施例提供的智能反射面辅助多层异构网络系统结构图。
[0107]
图5是本发明实施例提供的优化效果收敛图。
[0108]
图6是本发明实施例提供的与传统算法的对比图。
[0109]
图中：1、系统模型构建模块；2、信道模型构建模块；3、优化目标确定模块；4、问题优化模块。
具体实施方式
[0110]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0111]
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
[0112]
针对现有技术存在的问题，本发明提供了一种联合传输波束优化的方法、系统、介质、设备及终端，下面结合附图对本发明作详细的描述。
[0113]
如图1所示，本发明实施例提供的联合传输波束优化的方法包括以下步骤：
[0114]
s101，构建irs辅助的异构网络系统模型；
[0115]
s102，构建每个用户的信道模型，根据每个用户的信道模型构建每个异构网络用户接收信号模型、干扰信号模型、信噪比模型以及用户速率模型；
[0116]
s103，结合用户的实际信道条件和irs的相位调整情况确定优化的目标；
[0117]
s104，优化问题得到优化后的发射波束成型向量和智能反射面相移矩阵。
[0118]
本发明实施例提供的联合传输波束优化的方法原理图如图2所示。
[0119]
如图3所示，本发明实施例提供的联合传输波束优化的系统包括：
[0120]
系统模型构建模块1，用于构建irs辅助的异构网络系统模型；
[0121]
信道模型构建模块2，用于构建每个用户的信道模型，根据每个用户的信道模型构建每个异构网络用户接收信号模型、干扰信号模型、信噪比模型以及用户速率模型；
[0122]
优化目标确定模块3，用于结合用户的实际信道条件和irs的相位调整情况确定优化的目标；
[0123]
问题优化模块4，用于优化问题并得到优化后的发射波束成型向量和智能反射面相移矩阵。
[0124]
本发明实施例提供的智能反射面辅助多层异构网络的联合传输波束优化方法，包括以下步骤：
[0125]
步骤一：构建irs辅助的异构网络系统模型；
[0126]
如图4所示，本发明实施例提供的irs辅助的异构网络系统模型包括1个宏基站和3个微基站，每个基站服务一个单天线用户，智能反射面。
[0127]
所述智能反射面配备m＝20个反射单元；
[0128]
所述基站与用户通过无线方式连接；
[0129]
所述的智能反射面通过基站与用户之间的反射路径建立连接，以辅助整个多层异
构网络。
[0130]
步骤二：构建每个用户的信道模型，根据每个用户的信道模型来构建每个异构网络用户接收信号模型，干扰信号模型，信噪比模型，以及用户速率模型。
[0131]
步骤二所述每个用户的复合信道模型为：
[0132][0133][0134][0135][0136][0137]
其中，b表示基站的数量，k表示每个小区内的基站服务的用户数量。h
ibk
表示从基站i到b小区中的k用户的复合信道向量。是从基站b到irs 的信道增益。其中ρ是参考距离为d0＝1m处的路径损耗。α是相应的路径损耗指数。d
br
表示基站到irs的距离。非视距分量是一个服从圆对称复高斯(cscg)分布的随机向量。为视距分量。是从irs到用户的信道向量，其中κ是相应的路径损耗指数。d
rk
表示irs到用户的距离。非视距分量是一个服从圆对称复高斯(cscg)分布的随机向量。为视距分量。是从基站i到b小区中的k用户的信道向量，其中δ是相应的路径损耗指数。d
rk
表示基站i到b小区中的k用户的距离。非视距分量是一个服从圆对称复高斯(cscg)分布的随机向量。为视距分量。irs的对角相移矩阵表示为主对角线θm＝(0,2π)表示智能反射面第m个反射单元的相移，其中m＝1,2,
···
,m。
[0138]
步骤二所述的用户接收信号模型为：
[0139][0140]
其中s
bk
表示b基站发给用户k的信息，表示b基站到用户k相应的发射波束形成矢量，其中第二项表示小区内其它用户的干扰，第三项表示来自其他小区的干扰，最后一项表示加性高斯白噪声(awgn)，
[0141]
步骤二中所述的用户信噪比模型为：
[0142][0143]
其中，b表示基站的数量，k表示每个小区内的基站服务的用户数量。h
ibk
表示从基站i到b小区中的k用户的复合信道向量。表示b基站到用户k相应的发射波束形成矢量。
[0144]
步骤二中所述的用户速率为：
[0145]rbk
＝log2(1 sinr
bk
)
[0146]
其中，b表示基站的数量，k表示每个小区内的基站服务的用户数量。sinr
bk
表示从基站b所覆盖小区中的k用户的信干噪比。
[0147]
步骤三：结合用户的实际信道条件，irs的相位调整情况确定一个优化的目标。结合基站发射功率大小，干扰功率的大小，irs上各个反射单元的具体相位调整来构建优化问题的约束条件。在约束条件的限制下，通过优化基站处的主动波束成型向量和通过irs相移调整的反射波束成型向量使所有用户中的速率最小的用户速率最大化。
[0148]
步骤三中所述的优化目标为：
[0149][0150]
其中，b表示基站的数量，k表示每个小区内的基站服务的用户数量。表示b基站到用户k相应的发射波束形成矢量。irs的对角相移矩阵表示为主对角线θm＝(0,2π)表示智能反射面第m个反射单元的相移，其中m＝1,2,
···
,m。
[0151]
步骤三中不等式约束为：
[0152][0153]
步骤三中的优化目标是一个非凸函数，需要引入辅助变量进行变量代换如下所示。
[0154][0155]
v＝[θ1]h[0156]
[0157][0158]
代入上述辅助变量，将优化目标重写为：
[0159][0160]
其中优化变量耦合在一起，很难找到全局最优解。因此引入了交替优化 (ao)算法来求得高质量的次优解。
[0161]
将问题拆分成两个子问题分别进行求解。
[0162]
子问题一：发射波束成型向量优化问题，使用连续凸逼近求解得到发射波束向量。
[0163]
首先对变量进行代换：
[0164][0165]
对于子问题一中存在的非凸约束：
[0166][0167]
将其在可行点处进行一阶泰勒展开：
[0168][0169]
则整个问题变为：
[0170][0171][0172][0173][0174][0175][0176]
之后该问题就是一个凸半定规划(sdp)问题，它可以通过标准的凸问题求解器如cvx来进行有效地求解。注意，由于下界的替换，一般情况下由该优化问题得到的目标函数最优值为原问题提供了一个下界。求解后，可通过cholesky 分解得到发射波束形成系数{w
bk
}然后将每次优化后得到的解作为新的可行解更新下界，迭代优化，直到整个问题收敛。
[0177]
子问题二：智能反射面相移优化问题，使用连续凸逼近和半定松弛的算法来求解反射波束向量。
[0178]
首先对变量进行代换：
[0179]
v＝vvh[0180]
对于子问题一中存在的非凸约束：
[0181][0182]
将其在可行点处进行一阶泰勒展开：
[0183][0184]
则整个问题变为：
[0185][0186][0187][0188][0189]
[v]
mm
＝1,m＝1,2,
···
,m
ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0190][0191]
rank(v)＝1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0192]
对于秩一约束(6)，传统方法是应用sdr，其中本发明首先通过忽略秩一约束来解决问题，然后如果从松弛问题获得的解不是秩一的，则使用高斯随机化方法构造符合秩一约束的解。之后该问题就是一个凸半定规划(sdp)问题，它可以通过标准的凸问题求解器如cvx来进行有效地求解。注意，由于下界的替换，一般情况下由该优化问题得到的目标函数最优值为原问题提供了一个下界。求解后，可通过cholesky分解得到发射波束形成系数v然后将每次优化后得到的解作为新的可行解更新下界，迭代优化，直到整个问题收敛。
[0193]
以迭代的方式交替求解基站处发射波束成型子问题和智能反射面反射波束成型子问题，具体流程如下：
[0194][0195]
总体算法流程如图2所示。
[0196]
基于步骤三得到优化后的基站处的主动波束成型向量w
bk
和优化后的智能反射面相移矩阵θ。通过联合优化发射波束成型向量和反射波束成型向量，重新配置了每个用户的电磁信道环境，增强有用信息同时抵消干扰，提高系统吞吐量和频谱利用效率，同时实现对多用户的公平传输。
[0197]
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
[0198]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0199]
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
[0200]
本发明的优化效果收敛图如图5所示。
[0201]
本发明与传统的算法对比效果如图6所示。
[0202]
图6展示了在m＝20的情况下，不同波束形成方案与不同发送功率对最小速率的影响。可以观察到随着基站发送功率的增加本发明的sca-sdr算法是最优的，对于mrt方案随着发送功率的增加，最小速率逐渐趋于稳定。这是因为 mrt方案是基于最大化用户处的信噪比得到的，并没有考虑用户间的干扰问题，因此随着功率的增加用户间的干扰也越来越强，因此就会导致mrt方案的效果在高功率处趋于稳定。irs随机相移方案也是趋于稳定的，这是由于随机相移的缘故导致的干扰不确定，随着功率的升高，不确定性的干扰也会变强，就会导致irs随机相移方案效果几乎没有提高。
[0203]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。