1、信道信息的结束）预处理要发送的数据。因此，预处理信号更适应于信道传输特性，并且在反馈结束时可以获得更多尿液，例如良好性能。信噪比（SINR）或更低的错误率（BER）。对于不同研究人员的不同背景，预编码也称为预平衡，预过滤，预处理或预处理。其框架图如图所示：预编码系统的基本结构在技术研究的早期，许多天线选择技术已经产生了许多结果。天线选择技术基于不同的优化目标，选择一个具有最佳信道条件的天线选择技术作为发送天线之一并发送数据以增强多个天线的分集。现在科学家们明白，选择发射机天线的数学本质可以看作简单的线性预编码。第一线编码包括向不同天线发送不同信号然后相互添加。天线的选择是为未选择的天线分配零权
2、重。目前，大多数研究人员根据MIMO预编码概念对天线选择进行了更多的研究和设计。预编码可以分成不同角度的类别。从信号处理的数学性质来看，它可以分为初始线性和非线性预编码，可以分为用户的最终预编码和许多用户的预编码用户测量可以被分成几个编码，在传输结束时没有完整的CSI，部分CSI和已知的CSI。以下部分将在不同部分详细介绍。预编码的理论和算法可以说是过去10年MIMO研究的本质之一。预编码用于通过MIMO测试核心处理多目标工程信号。1.2.2 线性预编码和非线性预编码预编码使用数据流乘法运算，可以将其分解为初始线性编码和非线性预编码，具有信号处理的数学性质，使用非线性信号处理进行预处理（例如传
3、输结束时的模式） - 编码称为非线性编码。一个典型的例子是第一个Tomlinson-Rima编码。线性预编码结构简单透明，便于理论分析和设计，复杂度相对较低，这就是业界主要采用预线性编码的原因。在信号的表示中，在数据流通过信道之前，初始编码通常在初始编码矩阵之前。如果使用具有N个发射天线和M个接收天线的单个用户来执行系统的初始编码，则接收端的信号将是Y=HWX+N其中， X 是要发射的 K 1维数据矢量， K min(N,M) ， Y 是接收到的 N 1数据矢量，H 为 M N 维信道矩阵，W 为 N K 维预编码矩阵，N 为接收端的 M 1加性噪声。关于MIMO发射机接收机优化文献联合设计的
4、大量研究提出了一种在下行链路型分布式信道中设计发射机接收机多次迭代的方法，初始编码矩阵和接收机集成矩阵变化虽然换个房间要偷懒。相应的更新可以大致稳定，并在多次迭代后提供更好的结果，初步最小化文献并补偿每个用户数据的中期错误（MSE）目标是给出编码，接收和组合项目，并结合多级MIMO系统，该文档使用有限的反馈最大化系统中每个用户的SINR估计考虑基于的传输和接收主要研究的非线性预编码包括Tomlinson-Harashim预编码（THP）及其各种变体。这种方法的有益特征源于M. Costa的脏纸编码理论。在THP系统结构中，B是图中的三角矩阵，B = GWH，模块操作使传输集适应闭合集并控制功率
5、。THP 预编码的系统结构从理论上讲，一般而言非线性预编码的性能优于线性预编码。但由于非线性处理复杂度高，不便于工程应用，所以研究的热点还是在线性预编码的范围，本论文也完全是研究线性预编码。1.3 MIMO 预编码及用户调度技术的需求虽然MIMO用户的预编码和规划技术已经出现在现有的行业标准中，但是现有的技术解决方案并不能完全满足系统性能要求。理论上，现有解决方案的性能远不是多目标系统的理论容量潜力。因此，诸如3GPP LTE-Advanced的新无线通信标准需要预先修改的预编码和用户调度。 MIMO预编码和用户规划技术目前面临的挑战主要在于：（1）如果发射机不能获得关于所有用户的信道的完整信
6、息，则使用有限反馈信息（CSI）来规划用户并确定初始编码矩阵。用户规划和初始项目编码所需的CSI是否一致？（2）媒体访问控制层的用户规划与物理层（物理层）的初始编码密切相关。是否有必要或足以设计互连？（3）在多小区环境中，小区边缘用户受到相邻小区基站的干扰。如何实现基于多小区基站协作的预编码项目是在小区效率和下一小区的干扰之间找到合理折衷的方法。（4）虽然用户规划和预编码要求发射机获得部分CSI，但反馈能力使用有限数量的比特有效地发送用户CSI，并且反馈性能是一种改进的方法第二章 基于 SLNR 的用户调度算法本章研究 MU-MIMO 系统下行广播信道中的用户调度，提出基于各用户的信号泄漏噪声
7、比SLNR的用户调度算法。本章还从从理论上分析了系统和容量与几个重要系统参数的关系，该分析结果可以作为系统设计的参考准则。2.1 引言在MU-MIMO系统中，流之间的信道与来自不同用户的数据之间的干扰是影响系统性能的瓶颈之一。为了消除或减少CCI，传输的结束必须首先编码每个用户的数据流。在数学上，初始编码包括将每个用户的数据流安排在其他用户的信道矩阵的零空间中。根据有限的反馈CSI，系统的效率根据反馈比特的数量和预编码算法而降低。分析了系统与容量和csi反馈比特数之间的关系。此外，我们检查了用户数量和用户数量之间的关系。通常，系统中的天线数量不小于同时操作的所有用户的数据流总数。如果系统中活动
8、用户的数量很大并且要传输的数据流总数超过发射天线的数量，则需要用户计划，这意味着始终选择部分用户服务。在规划物理层中的用户时，用于规划目的的常规功能是最大化所选用户的能力。贪婪算法是一种自然规划的想法，可以比较和组合所有用户的所有组合，选择最大的音量并对其进行分组。在本文中，我们主要使用脏文章的编码来选择用户。因此，准正交初步筛选降低了排序算法的复杂性。文献使用机会编程并且仅同时选择一个用户服务。根据该方法，由于每个用户不存在CCI，因此不需要高度准确的CSI。在高信噪比和大量用户的情况下，该方法必须为每个用户仅提供一个比特，使得源具有优异的CSI并且所有用户剩余的能力SINR用户评估阶段，S
9、INR用户的最高选择。其他用户规划算法也有许多研究，它们有自己的系统约束和规划目标。在本研究中，我们分析了异构用户模型中不同质量用户的排名策略。由于用户的选择性意见，可以选择只有那些SINR估计值高于既定阈值的用户才能了解他们的CSI。规划和预编码：文献使用SINR用户的估计上限来选择适当的MIMO信道中的用户。在本章中，我们提出了一种基于用户输出噪声率的用户规划算法。在所提出的算法中，用户的功率（即）泄漏到其他用户的信道。这是决定用户是否被选中的重要因素之一。在之前的工作中提出了早期基于SLNR的编码，本章的贡献计划用户使用SLNR指标。2.2 系统模型考虑一个单基站(BaseStation
10、,BS)多用户MIMO系统的下行通信。基站有N根发射天线。小区内有K个活跃的用户，每个用户有1根接收天线。系统模型如图所示。当KN时，基站需要进行用户调度，在每个时刻，最多选择N个用户服务。用户i的接收信号可以表示为：MU-MIMO 的下行广播链路需要指出的是，泄漏和干扰这两个概念的区别，主要是由于针对的主体不同，一个用户泄漏到另一个用户的功率，从另一个用户的角度看，就是干扰。在用户已经选定，并且预编码已经确定的情况下，系统所有用户泄漏到其它用户的泄漏功率也就是所有用户受到的干扰之和，即在用户的设计和基于SINR索引的初始编码的设计之间存在逻辑链接：虽然初始编码项目需要关于所选用户的信道的信息
11、，而另一方面，在SINR的估计期间基于SINR的用户计划需要使用初始向量，因此在用户计划结束之前，基站不知道最终将选择哪个用户，因此初始用户编码的向量很难估计没有SINR用户。为了解决这个问题，传统方法主要是选择使用上下SINR边界的用户或近似用户规划方法。使用SLNR为用户规划SLNR的优点是SLNR计算不需要为其他用户使用预编码向量，而只需要有关其他用户的信道的信息。及时或来自用户的反馈。2.3 基于 SLNR 的用户调度算法本小节提出两种基于 SLNR 的用户调度算法，这两种算法分别适用于待选用户数稍大于和远远大于基站发射天线数的情况。 2.3.1 算法 1：基于 SLNR 下界的用户调
12、度 在用户调度完成之前，基站并不知道哪些用户最终入选，因此难以精确地计算每个用户比较精确的SLNR指标。一种自然的思路是，在计算某用户泄漏到其它的功率是，假设其它所有活跃的用户都被选择了(因为不知道哪些最终会被选择)。由于多计算了一些实际不存在的泄漏功率，这样计算出的SLNR小于实际值，可以作为实际值的一个下界(lowerbound)。具体地，在计算用户i的SLNR时，令G表示最终选择的N个用户组成的集合，有基于 SLNR 下界的用户调度中，基站只需要计算所有待选用户的,SLNRi lb，i =1,., K ，选择,SLNRi lb最大的 N 个用户即可。算法 1 的调度流程见表，其中G 为选
13、出用户的集合。2.3.2 算法2：基于 SLNR 的逐个用户调度当小区中活跃的用户数很大时，算法 1 中的 SLNR 下界就变得比较松，以此下界为指标的用户调度性能就会恶化。为解决这个问题，本小节提出一个利用SLNR 指标的逐个选择用户的调度算法。算法2的调度流程，见表。在算法 2 中，基站首先选择CQIi（即信道增益）最大的那个用户，然后逐个地添加用户到已选用户集合 G。在每一步中，基站都计算当前的待选用户集合 T中所有用户的 SLNR。注意，这里只计算泄漏到已选用户集 G 中的用户的泄漏功率，而不是像算法 1 中计算泄漏到所有用户的功率。每一轮基站都选择一个当前待选用户集 T 中 SLNR
14、 最大的用户进入已选用户集 G，这样一共 N 步之后，基站就选满了 N 个用户2.4 仿真结果在本章的模拟中，相应的SLNR初始序列编码使用SLNR初始代码，SINR系列对应的初始代码使用ZFBF初始代码。对于CSI用户的有限反馈，我们使用随机向量量化字典（RVQ），每个用户将实际的比特数B和码本号返回给基站ER码本B比特是最接近码本用户频道的代码字号。具有每个用户的比特B的码本（即）。 2b码字是离线生成的，并且独立地与基站共享。图2-2将本章提出的算法1和算法2的速度之和与所选用户数进行了比较。在2-2仿真中，假设基站知道每个用户的完整信道信息。该系统的另一个参数是基站的天线数量是n =
15、4，要选择的用户数量是k = 20，最后选择了四个用户服务。如果所选用户的数量略高于发射天线的数量，则算法1的总和基本上与算法2相同，但算法1并不复杂。随着用户数量的增加，算法2的效率比算法1好得多。当选择的用户数量较少时，算法1中SLNR的下限相对准确，整体性能良好。无论用户数量多少，基本算法2都是准确有效的，因为它仅在计算SLNR时计算所选用户的泄漏。算法1和算法2的和速率随用户数的变化下图将提出的方法与传统的基于SINR的方法进行了比较。为了等效，基于SINR的规划算法使用基于SINR的低规模和连续规划。其中，SINR的下限是所使用的文档的下限，并且基于SINR的用户的连续选择是来自上表
16、的算法。在模拟中，天线的数量是n = 4，要选择的用户的数量是k = 20，并且最终选择了四个用户服务。以下图3中的用户CSI是有限反馈。为了比较，下图显示了循环算法的性能，其中基站依次查询每个用户并将数据流发送给候选者。由于查询算法一次只提供一个用户，因此多个用户之间不存在信道间干扰问题。从下图中可以看出，基于SLNR的用户规划算法比传统的基于SINR的用户规划具有更好的容量。虽然SLNR系列的效率允许SINR指标直接对应于音量，但在用户的规划阶段，指标无法准确估计，并且近似估计会导致效率损失，SLNR指标有自己的渠道增强功能。对他人的小泄漏并不像SINR那样直接，但更容易理解它对系统和功能
17、有益，并且SLNR在用户的规划阶段更准确你可以做一个估计。SLNR 调度与 SINR 调度的比较. N=4, K=20, B=12.下图将提出的方法与传统的SINR方法进行了比较。在等效的情况下，基于SINR的规划算法必须使用基于SINR的小规模连续规划。 SINR的下限是要使用的文档的下限，并且基于SINR的用户的连续选择是来自上表的算法。在模拟中，天线的数量是n = 4，要选择的用户的数量是“= 20”，并且最终选择了四个用户服务。下面图3中的用户CSI是有限的反馈。为了比较，我们展示了循环算法的操作，其中基站依次查询每个用户，发送数据流作为候选。该算法一次可以使用一个用户，因此多个用户之
18、间不存在信道间干扰问题。从下面的图中可以看出，基于SLNR的用户规划算法具有比传统的基于SINR的用户规划更好的容量。 SLNR系列的性能允许SINR指标直接对应于音量，但是在用户的计划阶段无法准确估计指标，并且近似估计导致SLNR指标的性能损失然而，SINR很容易理解它对系统和功能有好处，SLNR在用户规划阶段更准确。SLNR 调度与 SINR 调度的比较. N=4, K=20, B=SNRdB第三章 有限反馈的 MU-MIMO 系统中预编码和用户调度的联合设计本章研究有限反馈的 MU-MIMO 系统中的预编码和用户调度问题，提出了一种将预编码和用户调度两个问题联合设计的跨层优化算法。3.1
19、 引言在诸如3GPP-LTE的标准无线通信标准中，MIMO技术已成为不可或缺的部分。随着未来无线通信对用户密度和速度的需求的增加，mimo研究技术已成为一个拥有众多用户的mimo系统。理论研究已经展示了mu-MIMO在性能方面的优势，业界目前正在提出具体的标准化技术解决方案，这些解决方案利用MU-MIMO在工程中的优势。预编码和用户规划技术是mu-MIMO系统中的主要技术。 mu-MIMO预编码的主要目的是消除或抑制不同用户数据流之间的信道间干扰，同时增强每个用户数据流的信道均衡。使用强制零级的其他预编码经典预编码和基于噪声的预编码的信号输出速率噪声，还预编码或信号以平衡每个用户的均方误差噪声
20、比和g空间。这些编码通常要求发射机知道有关信道条件的更准确信息。具有有限反馈的前MU-MIMO编码必须使用基于码本的预编码模式。另一方面，如果系统中活动用户数据的活动流的总数大于基站的发送天线，则必须仅选择特定用户在给定时间操作。用户在mu-mimo中的计划是围绕系统和容量进行规划的。已经引入了几种特定的规划算法。大多数用户规划算法（如第2章中提出的基于SLNR的用户选择和规划）与初始编码设计是分开的，并且是独立实现的。同时，物理层的初始编码与用户发起的媒体访问控制层的用户计划密切相关，用户必须基于sinr等指标，以及这些指标进度评估需要使用矩阵/预编码向量。因此，在优化预编码和用户规划之间的
21、连接方面存在平台优势。分层和跨学科项目是复杂系统设计中的热门话题，通常有其优点和缺点。在本章中，我们提出了一种用于具有有限反馈的MU-MIMO中的预编码和用户规划的通用设计方案。在该方法中，基站和EU首先存储一系列码本。然后，每个用户根据代码簿选择代码字作为其编码的预定中介。和码本序列号和量化误差以及通道父级的最大特异性。两个比例信息值被返回到基站。基站根据反馈选择合适的用户，并使用最初由用户恢复的码字生成单个矩阵。并且单个矩阵的每个列向量用作预编码中介。此外，基站根据音量标准找到适合于单个矩阵列向量的向量预编码的用户。完成上述步骤后，完成用户规划和预编码的共同优化没有码本的预编码本章中生成码
22、本的方法可以被视为使用现有字典实时生成初始编码矩阵的新思想。该方法的优点是基于码本和更多向量的预编码的便利性，以实现部分非编码的有效优势。3.2 系统模型考虑单小区的多用户MIMO系统的下行通信，小区中有一个基站和K个用户，如图3-1所示。基站有N根发射天线，每个用户有M根接收天线。本章仅考虑每个用户一个数据流的情况，因此基站最多可以同时传输N个用户的数据。当KN时，需要基站进行用户调度，在某个时刻，选出N个用户服务。用户 k 的接收信道可以表示为有限反馈的 MU-MIMO 的系统框图出于一个原因，我们应该注意到修复了接收器连接向量，WE设计了第一个发送器编码，在一个用户的MMSE模式下，并连
23、接 连接仍然获得更好的性能：选择算法发送器的初始编码作为等效信道的一部分与单个用户MMSE的接收集成，第二个是用于许多用户的接收器 完成用户调度，即向量MMSE的计算，需要对实际系统造成很大负担。用户 k 的 SINR 可以表示为3.3用户调度和预编码的联合设计本章提出的用户调度和预编码的设计准则，主要还是通过优化各个用户的SINR 来优化系统的和容量。每个待选用户向基站反馈了码本序号和两个标量后，基站就开始进行用户调度和预编码的设计。基站首先根据式(3-10)计算出各个用户的SINR估计值，并且找出SINR估计值最大的用户作为首选用户。在确定了首选用户后，基站利用首选用户反馈的序号，在码本中
24、找到其希望的预编码向量w1，用这个w1生成一个酉矩阵T=【t1,t2,t3,，tN】。w1是矩阵T的第1列t1，而向量t2tN将被用作后续选出用户的预编码向量。酉矩阵T的生成可以有不同的具体方法，比较简单的一种是直接对w1进行奇异值分解w1=UVH，分解后的右酉阵V即可以作为酉矩阵T。基站将T中剩余的列向量tm,m=2，N逐个作为预编码向量，从未被选择的用户中，找出最适合以其为预编码的用户。在为向量tm=2N,匹配用户时，选择用户的准则就是看哪个用户被选的SINR最大，即第m个被选用户为其中 S 为选第 m 个用户时的未选用户集合。 最后系统的和容量为其中 G 为选出用户的集合。3.4 仿真结
25、果在本文中，我们通过蒙特卡罗模拟验证了所提出的预编码和用户规划项目的有效性。在本节的模拟中，通过适当的样本 - 收益率曲线，采样点的模拟数量为104，这对应于误差率曲线。将所提出的方法和传统的一次性mimo系统的总和的累积概率分布函数与下图进行比较。在任一种方法中，设置基站N = 2的发射材料天线NA，用户数量K = 10，每个用户的接收天线数量是M = 2，以及信号和噪声SNR = 5dB的比率和码本的大小是B = 6比特同时，仅同时操作一个用户以同时发送两个用户数据流。在提出的mu-mimo方法中，两个用户总是同时工作，每个用户只有一个数据流。如图3-2所示，所提出的方法在系统和容量方面超
26、越了su-MIMO。在所提出的方法中，grmanmanniana码本的效率是好的，因为前面的码字在整个矢量空间中更均匀地分布。应当注意，su-MIMO由用户选择，并且其容量和mu-MIMO是等效的。 MU-MIMO性能的优势主要在于许多用户的多样性：如果在SU-MIMO中有很多用户可供选择，这两种容量主要是由于特定的预编码和用户选择算法取决于此外，su-MIMO还有其自身的用户优势。然后在用户的一端解码两个数据。 mu-MIMO的优点在于，由于同时传输的两个数据信道来自不同的用户，因此可能的组合更大，并且多样性的好处更大。提出方法和 SU-MIMO 的和容量比较. N=2, M=2, K=10
27、, B=6, SNR=5dB.下图比较了提出方法和 SU-MIMO 的误码率(Bit Error Rate, BER)。可以看出，虽然设计的目标函数不是最小化 BER，但提出的联合优化方法的 BER 性能还是优于 SU-MIMO 方案。下图对应的仿真参数和上图中相同。提出方法和 SU-MIMO 的 BER 比较. N=2, M=2, K=10, B=6, SNR=5dB.下图比较了所提方法与两种非组合优化方法的总和。其中，SINR方法使用不同的SINR估计来规划用户并接受波束预编码的0功率，Synr方法第2章预编码预编码 - 根据SLNR中的建议编写基于SLNR的用户计划。模拟参数是发射天线n
28、 = 2，每个用户的接收天线数量是m = 2，用户数量是k = 10，每个用户在选择结束时有一个数据流，码本取b = 6位。通过接受互连优化，该方法优于用户规划和预编码两种方法。需要强调的是，与SINR和SLNR方法相比，所提出的方法中每个用户的反馈比率是另一个比例。增加的反馈量可以显着提高性能，因此值得付出努力。在模拟中，发送天线nan = 4并且每个用户的接收天线的数量等于M = 1。并且要选择的用户的数量等于K = 20.这称为B = 8位。提出方法和传统分层设计方法的和容量比较. N=2, M=2, K=10, B=6.提出方法和传统分层设计方法的和容量比较. N=4, M=1, K=
29、20, B=8.本章提出的通用设计优化和预编码方案可以确保更好的性能和效率。 “质量分析有两个原因。一个不仅是用户规划过程的集成和预编码的定义，还有多层设计效果。二，最终实际传输中使用的预编码基于最初在发射机的末端写入的码本码字生成编码矢量，并且与相同大小的码本（即反馈）相比，码本码字用作预编码模式。比特数可以是比最终编码更多的矢量数，例如，如果以常规方式使用6比特字典，则可以预编码仅26 = 64个中间人。理论上， 26 x 4 = 256矢量可用作预编码。3.5 本章小结本章提出了一个联合项目，以优化具有大量用户的MIMO接收网络中的用户规划和预编码。 在该方案中，基站根据优选用户的预编码
30、中介生成单个矩阵。 并且单个矩阵的每个列向量用作预编码中介。 接下来，基站根据最大容量和最大容量的标准将适合于预编码向量的用户识别为单父列向量。 一般优化计划对媒体访问控制层（MAC）的初始物理层编码和用户规划的两个问题以及分离的用户规划和编码的传统方法执行跨层优化。 比较。 更大的系统和功能。第四章 多小区环境中多基站协同传输的预编码设计本章研究多小区环境下的多基站协同传输中的预编码问题。在文献的系统架构下，提出了一种基站端的预编码和用户端的接收合并交替更新的迭代算法。将三种单小区的预编码算法扩展到了多小区环境，并用于提出的收发端交替迭代更新的算法中4.1 引言单个用户和许多用户的MIMO技
31、术理论上具有较高的容量，但在真实的多小区通信环境中，小区之间存在大量的基站干扰，MIMO技术在空间资源的使用中严格限制好处。特别是对于小区边缘的用户，相邻基站的干扰相对较高，连接性能相对较弱，导致整个系统的喉部狭窄。为了解决小区间干扰的问题，可以认为不同小区的基站是S的联合，因此每个基站发送自己的数据，其他小区考虑到用户自己的干扰代理CE，上校干扰小区用户和相邻基站的CE。以这种方式协调的多点传输技术被认为是MIMO多小区多用户系统中多天线空间资源的进一步发展的关键技术。 MP 3 LPP-目前正在未来无线通信的主要标准中讨论的技术，如Advanced。许多基站的协调传输预编码项目可分为两种：
32、集中式和分散式。在集中式设计模式中，通常需要在基站之间完全共享所有用户数据和信道状态信息。在某些系统模型中，甚至存在高于基站的中央处理节点。然后，它收集每个基站的信息，唯一地设计每个基站的初始编码，然后将其分配给每个基站。如果所有基站完全共享所有数据和用户信息，那么许多基站可以被认为是虚拟增强基站，并且MU-MIMO系统的一些单小区算法是您可以顺利地移动到文学模型。提出了一种用于多站MIMO系统的扩展块对角化算法。在126中提出了一种集成的零力力梁设计算法，并结合公平规划中的比例排序。并且，它可以在多站系统的性能改进和反向传输复杂性之间构成合理的折衷。文献特别提出了线性和非线性低复杂度波束形成
33、算法，这些算法改善了移动边缘用户的性能。先进的预编码设计在实际系统中具有广泛的应用。由于基站之间的信息交换需要大量的系统工作，因此存在设计基站之间协调有限的预编码的问题。每个基站必须独立地设计初始编码，其中包括用于其自己的小区的用户信息和关于处于分散设计模式的一些其他基站的信息。在本文中，我们提出了一种使用Tomlinson-Harashim-Pre-coding对用户进行规划和预编码的联合设计。以这种方式，基站可以共享关于用户信道的信息，但是可以不提供关于用户数据的信息。在文献中，我们提出了一种执行多小区预编码的系统的分布式架构。在该模型中基站之间没有直接交互，但是用户可以将该信道上的信息传
34、送到所有相邻小区的基站。在本文中，一种分散迭代算法，用于分析多小区环境中上行链路和下行链路用户之间的二元性，用于最小化用户的sinr索引得到保证的基站的发射功率建议。在本文中，我们提出了一种使用时间上较大的空间相关性来控制小区间干扰的自适应机制。在本章中，我们为多个小区边缘用户提出了预编码扩展方法。在所提出的方法中，每个用户将关于其自己的信道的信息传送给所有相邻基站。然后，每个基站使用该信息来综合考虑用户信号和相邻小区用户干扰，并独立地设计其自己的加密。4.2 系统模型考虑一个有 K 个小区相邻的多小区边缘地带，如图所示。每个小区有一个基站，服务该小区的一个用户。每个基站有 N 根发射天线，每
35、个用户终端(User Equipment, UE)有 M 根接收天线。本章只考虑每个用户只有一个数据流的情况。 第 i 个用户接收到的信号为多小区多用户 MIMO 的系统模型本章使用文献中提出的散射结构。用户和数据库结合本章提出的算法基站和基站之间的信息交换分为以下四个阶段。（1）基于导频信号，每个用户应估计与本站有关的基站信息和与用户合作所涉及的相邻基站的信息。（2）每个用户将每个信道信息发送到每个基站。如果反馈带宽有限，则必须首先量化信道信息然后发送;（3）每个基站独立地使用来自所有用户的反馈信道信息来设计本地小区用户的传输和连接移动电话用户接收器的矢量的初始编码。（4）每个基站应通过前馈
36、链路通知当前小区用户本地小区用户。以上步骤后，各个基站就使用上面设计好的预编码，传输本小区用户的数据。需要注意，本章并不考虑用户调度的问题，提出的方法是在用户调度完成后的单纯的预编码和接收合并向量的设计问题，有的文献中也称为收发信机设计4.3 仿真分析图中比较了 3 种交替迭代更新算法的和容量性能。系统的参数为小区数(亦即基站数或用户数)K=4，每个基站的发射天线数 N=4，每用户的接收天线数 M=2。算法的迭代次数都设为 U=5。从图中看出，基于迫零预编码的交替迭代更新算法具有最瀀栀琀洀氀兼葒塖蝪/Mi前台访问/d-1801523.html116.179.32.1770糵殄最搀栀琀洀氀兼萀蝫5Smwap前台访问/p-2530925.html39.105.128.710糷沰攀瀀栀琀洀氀兼葒蝭/Mk前台访问/p-2869573.html220.181.108.1470糹淜椀瀀栀琀洀氀兼持蝯/Mg前台访问/p-1135334.html54.36.148.2120系噼煠敽愀紀眀愀瀀琀愀最栀甀漀爀攀樀椀渀砀椀渀最栀琀洀氀兼怀蝱/Mg前台访问/d-1348488.html157.55.39.1210糽犌最瀀栀琀洀氀兼葒蝳/Mi前台访问/p-2844472.html116.179
