MIMO-OFDM系统中峰均比及带外辐射的抑制方法

mimo-ofdm系统中峰均比及带外辐射的抑制方法
技术领域
1.本发明属于无线通信领域，涉及mimo-ofdm系统的通信技术，具体涉及一种mimo-ofdm系统中峰均比及带外辐射的抑制方法。


背景技术：

2.大规模多输入多输出(mimo)技术被认为是5g中关键技术之一，大规模天线阵列技术可以适配mimo系统，从而提升无线信道的空间自由度，带来更高的数据速率和传输可靠性。正交频分复用(ofdm)是重要的多载波调制技术，通过分解宽带信道变为几个独立的窄带信道，可以很好的解决频率选择性衰落问题。将ofdm技术与mimo系统相结合可以发挥二者的优势，实现更快的通信速率、更高的频谱利用率，此系统已经被认定为是未来几代无线通信中可靠的技术。
3.ofdm技术作为一种多载波调制技术，将多个正交的子载波叠加在一起，这会导致基站发射信号的包络具有较大的动态波动，从而导致信号具有较高的峰值平均功率比。高峰均比信号通常需要经过线性功率放大器进行传输，然而线性功放的价格十分昂贵且工艺要求更高，这会产生较高的硬件花费。高峰均比信号经过非线性功率放大器时会产生严重的非线性失真，由此会导致信号畸变，导致系统性能的严重恶化。
4.所以，需要一个新的技术方案来解决这个问题。


技术实现要素：

5.发明目的：为了克服现有技术中存在的不足，提供一种有效抑制mimo-ofdm系统中峰均比及带外辐射的低复杂度方法，其在大规模多用户mimo-ofdm系统的下行链路中对系统的峰均比、带外辐射和带内干扰具有较好的抑制效果，同时具有较低的发射功率增量，更适合在实际系统中进行运用。
6.技术方案：为实现上述目的，本发明提供一种mimo-ofdm系统中峰均比及带外辐射的抑制方法，包括如下步骤：
7.s1：选定某个星座集配置用户数据；
8.s2：将用户数据进行预编码操作并进行ofdm调制；
9.s3：将处理后的频域信号进行离散傅里叶逆变换得到时域发射信号；
10.s4：通过设计好的admm-based算法模块对时域发射信号进行处理，得到处理后的时域发射信号。
11.进一步地，所述步骤s1具体为：
12.假定基站配置m根天线，接收端用户数目为k个，ofdm载波数目为n个，其中载波分为数据载波υ和自由载波υc两个部分，数据载波选自某个星座集φ用于传输数据，而自由载波放于频带两端用作频带保护；信息符号向量表示在第n个子载波上传输的包含k个用户的数据，当n∈υ时，信息数据选自星座集φ；而当n∈υc时，设置信息数据为sn＝0k×1。
13.进一步地，所述步骤s2中预编码操作具体为：
14.由于接收端多用户在空间是分散分布的，为了消除接收端多用户之间的干扰，需要对用户信息符号进行预编码：
[0015][0016]
其中，pn表示第n个子载波的预编码矩阵，为预编码后的信号；
[0017]
对无线信道的上行信道和互易信道进行基于导频基的训练来获得大规模多用户mimo系统发射机的信道状态信息，本发明中使用迫零预编码方法可以完全消除接收端多用户之间的干扰，其中迫零预编码矩阵写为：
[0018][0019]
进一步地，所述步骤s2的预编码操作中，在传输中，为了避免预编码后信号的传输功率受到数据信号和信道状态信息的影响，需要对预编码信号进行归一化处理，归一化过程写为：
[0020][0021]
进一步地，所述步骤s2中ofdm调制的具体过程为：
[0022]
归一化处理后将预编码信号重新分配到发射天线上进行ofdm调制：
[0023][0024]
其中，为第m根天线上的频域信号，k为重排序矩阵，重排序矩阵可以写为以下形式：
[0025][0026]
重排序矩阵中子矩阵i
n,m
是一个维度为n
×
m的子矩阵，其内部元素除了第(m,n)个元素为1外，其余元素都为0。
[0027]
进一步地，所述步骤s3具体为：
[0028]
将发射天线上的频域信号进行离散傅里叶逆变换成时域发射信号，即：
[0029]
xm＝f
jndm
,m＝1,2,
…
,m
ꢀꢀ
(6)
[0030]
其中，f
jn
为jn
×
jn维矩阵的前n列，为第m根天线上的时域发射信号；
[0031]
接着对时域信号进行并/串转换，为了去除码间干扰，通常需要在信号中添加循环前缀，最后将信号通过数模转换器转换成模拟信号，经射频链路传输到无线信道中；
[0032]
在接收端，经射频链路和模数转换器将接收到的信号转换为数字信号，接着去除信号中添加的循环前缀并进行串/并转换，将时域信号进行离散傅里叶变换得到频域信号，则k个用户设备接收到的频域信号可以写为：
[0033]rn
＝h
ncn
en,n＝1,2,
…
,n
ꢀꢀ
(7)
[0034]
其中，为第n个载波上的接收信号，为与第n个子载波相关联的mimo信道矩阵，为噪声向量，其元素服从均值为0，方差为n0的复高斯分布。
[0035]
进一步地，所述步骤s4中admm-based算法模块的设计方法为：
[0036]
为了设计出高效的抑制信号峰均比算法，可以将抑制信号峰均比模型设计为：
[0037][0038]
上述约束中sn＝h
ncn
，n∈υ是为了去除多用户之间的干扰，同时0m×1＝cn，n∈υc是为了避免信号产生带外辐射；
[0039]
在工程实际中，还需考虑基站的发射功率，因此本发明在模型(8)的基础上加入基站发射功率约束，将模型(8)转换为模型(9)的形式：
[0040][0041]
将模型(9)简写，其中约束sn＝h
ncn
，n∈υ和0m×1＝cn，n∈υc可以写为一个等式约束为块对角矩阵，其主对角块为hn，n∈υ和im，n∈υc；将数据载波上的符号和自由载波上的集合写为将向量集合写为根据线性变换k的定义可知kk
t
＝i
mn
，结合模型(9)中的约束可以将预编码处理和ofdm调制联合写为：
[0042][0043]
式中，是块对角矩阵，可以写为其对角元素为也是一个对角矩阵；
[0044]
由于基站发射天线数目远多于接收用户数量，因此将会有无限多的预编码信号c满足预编码操作的同时还具有较低的峰均比值，求解以下优化问题可以使得发射信号具有较小的峰均比值：
[0045][0046]
其中，γ和δ分别代表信号幅度的上界和下界，由于式(11)中约束是非凸的，很多
高效的算法都不能够对此进行求解，因此本发明将约束写为|xn|≤γ，模型(11)的优化问题可以写为模型(12)的形式：
[0047][0048]
在模型(12)中加入基站发射功率约束，可以写为模型(13)的形式：
[0049][0050]
引入辅助变量x＝y和x＝z，将模型(13)转换为可以使用admm算法求解的形式：
[0051][0052]
模型(14)的增广拉格朗日函数写为：
[0053][0054]
对于函数中每个变量的更新公式如下所示：
[0055][0056][0057][0058][0059][0060][0061]
对于变量x
j 1
的更新过程如下所示：
[0062][0063]
其中的近端算子写为有
[0064]
对于变量y
j 1
的更新过程如下所示：
[0065][0066]
上式是一个无约束的优化问题，其最优解y
*
应满足对应的梯度值为0，则可以得到变量y
j 1
的更新公式如下：
[0067][0068]
由于上式中需要求解矩阵的逆变换，而在大规模多用户mimo-ofdm系统中，矩阵(aha i)的维度达到了数十万，即便求解一次逆运算也会造成巨大的计算复杂度；因此对于变量y
j 1
的更新我们需要更低计算复杂度的方法，令由线性化展开公式可以得到：
[0069][0070]
将式(25)代入式(23)中，可以得到：
[0071][0072]
由于上式是一个无约束的优化问题，其最优解y
*
应满足对应的梯度值为0，则可以得到变量y
j 1
的更新公式如下：
[0073][0074]
对于变量z
j 1
的更新过程如下所示：
[0075][0076]
式(28)可以看作到以原点为中心，半径为的欧几里得球的投影，由此可以得到的更新公式：
[0077][0078]
因此形成抑制大规模多用户mimo-ofdm系统下行链路发射信号峰均比的admm-based算法。
[0079]
进一步地，所述步骤s4中近端算子的计算包括如下步骤：
[0080]
a1：输入ξ，α；
[0081]
a2：o＝|ξ|；
[0082]
a3：p＝sort(o,'descending')，令p
π(i)
是向量p中第i大的元素；
[0083]
a4：for j＝1,2,...,jnm；
[0084]
a5：计算
[0085]
a6：
[0086]
a7：
[0087]
a8：for j＝1,2,...,jnm；
[0088]
a9：
[0089]
a10：end for；
[0090]
a11：end for；
[0091]
a12：输出
[0092]
进一步地，所述步骤s4中设计好的admm-based算法的具体形式如下：
[0093]
b1：初始化x1,y1,z1,初始迭代次数设置为k＝1，设置最大迭代次数k；
[0094]
b2：始循环迭代k≤k：
[0095]
8)计算
[0096]
9)计算
[0097]
10)计算
[0098]
11)计算对偶变量
[0099]
12)计算对偶变量
[0100]
13)计算对偶变量
[0101]
14)更新k＝k 1；
[0102]
b3：满足条件结束循环；
[0103]
b4：输出优化后的发射信号x
k 1
。
[0104]
有益效果：本发明与现有技术相比，设计了admm-based算法模型来抑制mimo-ofdm系统的峰均比、带外辐射和带内干扰，其仅对目标函数进行凸替代而并没有对约束进行放松，admm-based算法具有较低的计算复杂性，总计算复杂度与现有技术相比有了数十倍的
降低，而且对mimo-ofdm系统的峰均比、带外辐射和带内干扰具有较好的抑制效果，同时具有较低的发射功率增量，更适合在实际系统中进行运用。
附图说明
[0105]
图1是本发明中大规模多用户mimo-ofdm系统下行链路模型图；
[0106]
图2是各算法降低papr的效果图；
[0107]
图3是各算法的ser效果图；
[0108]
图4是不同参数值下系统平均papr图；
[0109]
图5是不同参数值下系统平均obpr图；
[0110]
图6是不同参数值下系统平均mui图；
[0111]
图7是不同参数值下系统平均pi图。
具体实施方式
[0112]
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本技术所附权利要求所限定的范围。
[0113]
本发明提供一种有效抑制mimo-ofdm系统中峰均比及带外辐射的低复杂度方法，包括如下步骤：
[0114]
s1：配置用户数据；
[0115]
参照图1，假定基站配置m根天线，接收端用户数目为k个，ofdm载波数目为n个，其中载波分为数据载波υ和自由载波υc两个部分，数据载波选自某个星座集φ用于传输数据，而自由载波放于频带两端用作频带保护；信息符号向量表示在第n个子载波上传输的包含k个用户的数据，当n∈υ时，信息数据选自星座集φ；而当n∈υc时，设置信息数据为sn＝0k×1。
[0116]
s2：预编码操作：
[0117]
由于接收端多用户在空间是分散分布的，为了消除接收端多用户之间的干扰，需要对用户信息符号进行预编码：
[0118][0119]
其中，pn表示第n个子载波的预编码矩阵，为预编码后的信号。对无线信道的上行信道和互易信道进行基于导频基的训练来获得大规模多用户mimo系统发射机的信道状态信息，本发明中使用迫零预编码方法可以完全消除接收端多用户之间的干扰，其中迫零预编码矩阵写为：
[0120][0121]
在传输中，为了避免预编码后信号的传输功率受到数据信号和信道状态信息的影响，需要对预编码信号进行归一化处理，归一化过程写为：
[0122]
[0123]
s3：ofdm调制：
[0124]
归一化处理后将预编码信号重新分配到发射天线上进行ofdm调制：
[0125][0126]
其中，为第m根天线上的频域信号，k为重排序矩阵，重排序矩阵可以写为以下形式：
[0127][0128]
重排序矩阵中子矩阵i
n,m
是一个维度为n
×
m的子矩阵，其内部元素除了第(m,n)个元素为1外，其余元素都为0。
[0129]
s4：得到时域发射信号：
[0130]
将发射天线上的频域信号进行离散傅里叶逆变换成时域发射信号，即：
[0131]
xm＝f
jndm
,m＝1,2,
…
,m
ꢀꢀ
(6)
[0132]
其中，f
jn
为jn
×
jn维矩阵的前n列，为第m根天线上的时域发射信号。
[0133]
接着对时域信号进行并/串转换，为了去除码间干扰，通常需要在信号中添加循环前缀，最后将信号通过数模转换器转换成模拟信号，经射频链路传输到无线信道中。
[0134]
在接收端，经射频链路和模数转换器将接收到的信号转换为数字信号，接着去除信号中添加的循环前缀并进行串/并转换，将时域信号进行离散傅里叶变换得到频域信号，则k个用户设备接收到的频域信号可以写为：
[0135]rn
＝h
ncn
en,n＝1,2,
…
,n
ꢀꢀ
(7)
[0136]
其中，为第n个载波上的接收信号，为与第n个子载波相关联的mimo信道矩阵，为噪声向量，其元素服从均值为0，方差为n0的复高斯分布。
[0137]
s5：设计admm-based算法模块：
[0138]
为了设计出高效的抑制信号峰均比算法，可以将抑制信号峰均比模型写为：
[0139][0140]
约束中sn＝h
ncn
，n∈υ是为了去除多用户之间的干扰，同时0m×1＝cn，n∈υc是为了避免信号产生带外辐射。在工程实际中，还需考虑基站的发射功率，因此本发明在模型(8)的基础上加入基站发射功率约束，将模型(8)转换为模型(9)的形式：
[0141][0142]
将模型简写，其中约束sn＝h
ncn
，n∈υ和0m×1＝cn，n∈υc可以写为一个等式约束为块对角矩阵，其主对角块为hn，n∈υ和im，n∈υc；将数据载波上的符号和自由载波上的集合写为将向量集合写为根据线性变换k的定义可知kk
t
＝i
mn
，结合模型(9)中的约束可以将预编码处理和ofdm调制联合写为：
[0143][0144]
式中，是块对角矩阵，可以写为其对角元素为也是一个对角矩阵。由于基站发射天线数目远多于接收用户数量，因此将会有无限多的预编码信号c满足预编码操作的同时还具有较低的峰均比值，求解以下优化问题可以使得发射信号具有较小的峰均比值：
[0145][0146]
其中，γ和δ分别代表信号幅度的上界和下界，由于式(11)中约束是非凸的，很多高效的算法都不能够对此进行求解，因此本发明将约束写为|xn|≤γ，模型(11)的优化问题可以写为(12)的形式：
[0147][0148]
在模型(12)中加入基站发射功率约束，可以写为(13)的形式：
[0149][0150]
引入辅助变量x＝y和x＝z，将模型(13)转换为可以使用admm算法求解的形式：
[0151][0152]
模型(14)的增广拉格朗日函数写为：
[0153][0154]
对于函数中每个变量的更新公式如下所示：
[0155][0156][0157][0158][0159][0160][0161]
对于变量x
j 1
的更新过程如下所示：
[0162][0163]
其中，的近端算子写为有具体计算过程如表1所示。
[0164]
表1近端算子的计算步骤
[0165][0166]
对于变量y
j 1
的更新过程如下所示：
[0167][0168]
上式是一个无约束的优化问题，其最优解y
*
应满足对应的梯度值为0，则可以得到变量y
j 1
的更新公式如下：
[0169][0170]
由于上式中需要求解矩阵的逆变换，而在大规模多用户mimo-ofdm系统中，矩阵(aha i)的维度达到了数十万，即便求解一次逆运算也会造成巨大的计算复杂度。因此对于变量y
j 1
的更新我们需要更低计算复杂度的方法，令由线性化展开公式可以得到：
[0171]
[0172]
将式(25)代入式(23)中，可以得到：
[0173][0174]
由于上式是一个无约束的优化问题，其最优解y
*
应满足对应的梯度值为0，则可以得到变量y
j 1
的更新公式如下：
[0175][0176]
对于变量z
j 1
的更新过程如下所示：
[0177][0178]
式(28)可以看作到以原点为中心，半径为的欧几里得球的投影，由此可以得到的更新公式：
[0179][0180]
因此可以将抑制大规模多用户mimo-ofdm系统下行链路发射信号峰均比的admm-based算法写成表2的形式：
[0181]
表2 admm-based算法
[0182][0183]
s6：通过设计好的admm-based算法模块对时域发射信号进行处理，得到处理后的时域发射信号。
[0184]
本实施例还提供一种适用于降低mimo-ofdm系统峰均比的系统，该系统包括网络接口、存储器和处理器；其中，网络接口，用于在与其他外部网元之间进行收发信息过程中，实现信号的接收和发送；存储器，用于存储能够在所述处理器上运行的计算机程序指令；处理器，用于在运行计算机程序指令时，执行上述共识方法的步骤。
[0185]
本实施例还提供一种计算机存储介质，该计算机存储介质存储有计算机程序，在处理器执行所述计算机程序时可实现以上所描述的方法。所述计算机可读介质可以被认为是有形的且非暂时性的。非暂时性有形计算机可读介质的非限制性示例包括非易失性存储器电路(例如闪存电路、可擦除可编程只读存储器电路或掩膜只读存储器电路)、易失性存储器电路(例如静态随机存取存储器电路或动态随机存取存储器电路)、磁存储介质(例如模拟或数字磁带或硬盘驱动器)和光存储介质(例如cd、dvd或蓝光光盘)等。计算机程序包括存储在至少一个非暂时性有形计算机可读介质上的处理器可执行指令。计算机程序还可以包括或依赖于存储的数据。计算机程序可以包括与专用计算机的硬件交互的基本输入/
输出系统(bios)、与专用计算机的特定设备交互的设备驱动程序、一个或多个操作系统、用户应用程序、后台服务、后台应用程序等。
[0186]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0187]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0188]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0189]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0190]
基于上述方案，为了验证本发明方法具有较低的计算复杂度，本实施例中将本发明方法与现有不同算法进行复杂度对比分析。在设计的admm-based算法计算步骤中，对于变量x
j 1
的计算复杂度主要由求解逼近算子产生，其中求解向量o需要o(jnm)的计算复杂度，对于向量o按照降序方式排序需要o(jnm log2(jn))的计算复杂度，因此对于变量x
j 1
的更新所需的计算复杂度为o(jnm jnm log2(jn))；变量y
j 1
的求解中主要计算复杂度在于求解函数梯度值所需的复杂度为o(2k|υ|m jnm log2(jn))；求解变量只需z
j 1
计算向量的范数，此步骤的计算复杂度可忽略；求解对偶变量所需的运算量为o(k|υ|m 0.5jnm log2(jn))；因此admm-based算法在每次迭代时所需的计算复杂度为o(3k|υ|m jnm 2.5jnm log2(jn))，与其他算法具体地对比分析如表3所示(仿真时，设定天线数目为100，用户数目为10，子载波数目为128，其中108个载波用作数据传输，20个载波用作频带保护)。
[0191]
表3各算法的复杂度对比分析
[0192][0193]
与fitra算法和apg算法相比，设计的admm-based算法单次迭代计算复杂度分别较其较低了10.7281倍和10.829倍；设计的admm-based算法总计算复杂度分别较其减少了56.4638倍和56.9946倍。随着基站配置天线数量的增多，本发明设计的admm-based算法低计算复杂度的优势更加明显，运用在工程实际中时能够有效地降低能量功耗和减少硬件开销。
[0194]
为了验证本发明方法的效果，运用matlab软件进行仿真验证理论分析。具体的仿真结果和分析如下：
[0195]
图2中描述了不同算法抑制发射信号峰均比的效果，在ccdf(papr0)＝10-4
时，迫零预编码方法和匹配滤波预编码方法分别将papr降低到13.8db、13.9db，apg算法将papr降到5.8db左右，削波方法将papr降到4.9db，fitra算法需要2000次的迭代后才能将峰均比值降到2.6db，设计的admm-based算法经过100次迭代之后峰均比值可以达到5.3db，admm-based算法经过200次迭代之后峰均比值为4.2db，而admm-based算法经过380次迭代之后峰均比值可以达到3.3db。与zf预编码方法、mf预编码方法、apg算法、削波方法相比，本发明设计的admm-based算法的峰均比比其分别降低了10.5db、10.6db、2.5db和1.6db，此外设计的admm-based算法还比其他方法增加了发射功率约束条件。
[0196]
图3中描述了不同算法的符号错误率，横坐标为信噪比值n0为接收器的噪声方差。在ser＝10-4
时，与理想的迫零预编码方法相比，设计的admm-based算法经过100次迭代后的信噪比损失为0.2db，admm-based算法经过200次迭代后的信噪比损失为0.4db，admm-based算法经过380次迭代后的信噪比损失为0.95db，fitra算法经过2000次迭代后的信噪比损失为1.7db，apg算法信噪比损失为3.1db。与fitra算法和apg算法相比，设计的admm-based算法的信噪比损失分别比其少0.75db和2.15db；与mf预编码方法和削波方法相比，本发明设计的admm-based算法的信噪比损失分别比其少10db以上。
[0197]
较大的峰均比值使得信号经过功率放大器后会产生严重的非线性失真，较高的带外辐射会造成严重的频谱泄露，会对相邻信道造成串扰。较大的带内干扰会增加系统的符号错误率，较高的功率增量会给基站带来较大的能量消耗，还会显著增加硬件开销。通过选择合适的参数值，使大规模多用户mimo-ofdm系统的平均峰均比、平均带外辐射、平均多用户间干扰及平均功率增量性能达到一个折中效果。通过调参(具体调参过程如图4～图7所示)本实施例中选定参数值λ＝148和ρ＝10-4
，此时系统的平均papr值、平均obpr值、平均mui值和平均pi值分别为2.4db、-35.66db、-50.3db和0.65db。