基于智能优化算法的多小区大规模MIMO系统实时功率分配方法

技术特征：
1.基于智能优化算法的多小区大规模mimo系统实时功率分配方法，其特征在于，首先获取用户位置信息，基于用户的位置信息，利用实时功率分配网络对用户进行实时功率分配；所述的实时功率分配网络为神经网络，实时功率分配网络通过以下方式获得：s1、建立多小区大规模mimo系统模型，系统工作在tdd模式下；tdd即时分双工模式；s2、在上行链路阶段，基站利用接收到的导频信息进行信道状态信息csi估计，根据信道的互易性得到对下行链路的信道估计；s3、首先对用户进行分组；根据小区内的分组结果，判断在小区内进行分组后是否存在未被分组的单独用户，如果存在单独用户，针对非单独用户的分组，在分组内采取rzf预编码；同时将分组后的每组等效为独立用户，将在等效的独立用户与未被分组的单独用户间采用bd预编码消除干扰；完成小区内干扰消除预编码；小区之间采用slnr进行预编码；s4、基于免疫算法对多小区大规模mimo系统的功率进行分配，免疫算法产生初始抗体种群为n
k
种可能的解决方案，每个免疫个体代表对应分配的功率；免疫算法的亲和度函数如下：max mean(se
cell1
)
×
...
×
mean(se
celll
)
×
min(se
cell1,k
)
×
...
×
min(se
celll,k
)其中，ρ
jk
表示为小区j中用户k分配的功率，mean(se
celll
)表示小区l中所有用户的平均频谱效率，min(se
celll,k
)表示小区l中用户最小的频谱效率；se
celll
为小区l中用户的下行频谱效率；s5、如此通过免疫算法求得功率分配的解，并将用户位置信息和信道状态信息以及对应免疫算法得到的功率分配的结果保存起来作为数据集；其中用户位置信息和信道状态信息作为输入标签，功率分配的结果作为输出标签；在所搭建的大规模mimo系统中，设置随机生成所有小区中所有用户的位置x＝{x
jk
；j＝1,...l；k＝1,...k}，进而产生信道，接着计算预编码矩阵、用户的信号和干扰，最后利用免疫算法迭代计算得到最优的功率分配结果；通过免疫算法寻优形成一个样本数据，经过多次循环迭代形成训练集；s6、搭建用于预测功率分配的神经网络模型；s7、将训练集中的用户位置信息和信道状态信息作为神经网络的输入，对应的功率分配作为神经网络的输出，利用训练集对神经网络进行训练，进而得到执行实时功率分配网络。2.根据权利要求1所述的基于智能优化算法的多小区大规模mimo系统实时功率分配方法，其特征在于，s2的具体过程包括以下步骤：在tdd模式下，下行链路信道是上行链路信道的转置，上行链路信道矩阵g由小尺度衰落矩阵h和大尺度衰落系数矢量β的对角阵组成，且大尺度衰落系数包含路径损耗和阴影衰落，小区j的所有k个用户到小区l基站的上行链路信道矩阵：
下行链路信道矩阵即可表示为其中t代表转置。3.根据权利要求2所述的基于智能优化算法的多小区大规模mimo系统实时功率分配方法，其特征在于，s3中对用户进行分组的过程包括以下步骤：(1)假设当前小区为j，在小区j内产生随机分布的k个用户，计算小区j内当前用户p的位置坐标(x
p
,y
p
)与其他所有剩余用户q的位置坐标(x
q
,y
q
)之间的欧氏距离，将其表示为：将计算的结果保存在数组ω
p
中；(2)基于最优距离阈值δ，设置误差范围δ；(3)遍历集合内的所有值，将距离小于δ所对应的用户划分为一组；(4)接着计算下一个用户(p 1)与其他所有剩余用户之间的欧氏距离，重复步骤(1)、步骤(3)进行分组；(5)遍历小区的内所有k个用户，完成当前小区内的用户分组；(6)遍历(5)所得到的小区内k个用户分组结果，判断是否存在重复交叉分组的情况；对于两个交叉分组，针对二者的并集减去交集的元素，计算每两个元素的之间的欧氏距离，如果所有的欧式距离均小于δ δ，则将两个分组划为一组；否则保持原分组结果不变；以此情况类推，完成最终的分组情况。4.根据权利要求3所述的基于智能优化算法的多小区大规模mimo系统实时功率分配方法，其特征在于，s3中采用bd预编码算法在第j个小区中对于第k个用户，其预编码矩阵w
jk
需满足与本小区内的其它所有用户的信道矩阵正交。5.根据权利要求4所述的基于智能优化算法的多小区大规模mimo系统实时功率分配方法，其特征在于，小区之间采用slnr进行预编码的过程包括以下步骤：根据小区j的用户k接收到的信号可表示为：其中，ρ
jk
表示发送端分配给用户k的功率，β
jlk
表示小区j的用户k与小区l的基站之间的大尺度衰落系数，[h
jlk1
,....,h
jlkm
]表示的第k行；基于slnr的预编码抑制ici，slnr的表达式为：其中，ρ
jk
表示发送端分配给用户k的功率，σ2表示噪声功率。6.根据权利要求5所述的基于智能优化算法的多小区大规模mimo系统实时功率分配方法，其特征在于，在大规模mimo系统中，小区j中用户k的下行频谱效率为：其中，代表在每个相干块中进行下行数据传输占整个相干时间的比值；sinr
jk
代表小区j中用户k对应的信干噪比。
7.根据权利要求6所述的基于智能优化算法的多小区大规模mimo系统实时功率分配方法，其特征在于，信干噪比如下其中，g
jjk
代表小区j中用户k与小区j基站间的信道，e{
·
}表示求期望。8.根据权利要求7所述的基于智能优化算法的多小区大规模mimo系统实时功率分配方法，其特征在于，基于免疫算法对多小区大规模mimo系统的功率进行分配的过程包括以下步骤：s401、产生初始抗体种群，初始抗体种群中每个免疫个体均是维数为(k
×
l)的矩阵，相应的值即代表对应分配的功率，第一代抗体随机产生后，其后的抗体在前一代抗体的基础上通过选择与更新得到，每个抗体对应的功率取值上限n
max
＝p
max
，p
max
为每小区的基站在下行链路发射的总功率，取值下限n
min
＝0；s402、计算初始种群内每个抗体的亲和度函数值；计算抗体相似度、抗体浓度和激励度；s403、选取激励度前n
k
/2个抗体进行免疫操作；先进行复制抗体，然后对复制得到的抗体进行变异操作，并需要对变异后的抗体进行边界条件的判定，再进行克隆抑制仅保留亲和度高的复制抗体，最后进行种群刷新即再随机生成n
k
/2个抗体，种群合并形成新一代的抗体z
(1)
；s404、判断是否满足算法终止条件即设置的迭代次数，若满足，则终止寻优过程并输出结果；否则，继续寻优，直到算法满足终止，得到最优解z
(gen)
。9.根据权利要求1至8之一所述的基于智能优化算法的多小区大规模mimo系统实时功率分配方法，其特征在于，s6中的神经网络模型为具有全连接层的前馈神经网络，其具有2kl维的输入层，n个隐层和k 1维的输出层。10.根据权利要求9所述的基于智能优化算法的多小区大规模mimo系统实时功率分配方法，其特征在于，s7中在利用训练集对神经网络进行训练之前，需要对训练集中的数据进行标准化处理。

技术总结
基于智能优化算法的多小区大规模MIMO系统实时功率分配方法，属于移动通信与无线网络技术领域。基于传统方法的大规模MIMO功率分配算法计算复杂度高以及当前在多小区大规模MIMO系统中直接采用线性预编码方案不能使系统获得很好性能的缺点。本发明根据小区内的分组结果，针对非单独用户的分组在分组内采取RZF预编码，将在等效的独立用户与未被分组的单独用户间采用BD预编码；小区之间采用SLNR进行预编码；然后利用免疫算法寻优并构建训练集，进而训练神经网络，利用神经网络去拟合用户信息和功率分配之间的关系，从而执行实时的功率分配。主要用于MIMO系统的实时功率分配。功率分配。主要用于MIMO系统的实时功率分配。功率分配。主要用于MIMO系统的实时功率分配。


技术研发人员：李月 魏唯 张玉 刘缘 刘多识 刘泽龙 李琳
受保护的技术使用者：黑龙江大学
技术研发日：2022.06.06
技术公布日：2022/8/9