一种基于遗传算法的无蜂窝大规模制造技术

本发明专利技术提供了一种基于遗传算法的无蜂窝大规模

【技术实现步骤摘要】
一种基于遗传算法的无蜂窝大规模MIMO分簇方法


[0001]本专利技术涉及无线通信
，具体涉及基于遗传算法的无蜂窝大规模
MIMO
分簇方法
。

技术介绍

[0002]随着通信技术的不断发展，人们对通信质量与速度的要求也越来越高，超可靠低时延通信
(ultra
‑
reliable low
‑
latency communication,URLLC)
成为了当前
5G
以及未来
6G
中的重要技术
。
对于
URLLC
技术，时延通常要求小于
1ms
，误码率小于
10
‑5。
为了实现所需的可靠性，
URLLC
技术通常与大规模多输入多输出
(massive multiple
‑
input multiple
‑
output,MIMO)
技术相结合，以利用空间分集
。
无蜂窝
(cell
‑
free,CF)
是一种分布式
MIMO
结构，在网络中布置多个接入点
,
每个接入点通过前传链路与中心处理单元
(central processing unit,CPU)
相连
。
通过
CPU
的集中处理，所有接入点可以共同为设备提供服务，通过大量分布式的天线分布在网络中，从而提供比传统蜂窝网络更好的覆盖
。
[0003]目前现有的研究大多安排所有接入点为每个用户进行服务，为前传链路以及中心
CPU
的计算带来巨大压力，不太具有可实现性，因此可以借鉴网络
MIMO
中分簇的策略，每个用户被所有接入点的一个子集服务
。
目前的分簇方案大多根据参考信号接收功率
(received power of the reference signal,RSRP)
形成以用户为中心的簇，复杂度较低
。
但问题是，这种策略的性能可能不太好，特别是在
URLLC
的要求下，不能保证通道相对较差的设备能够满足传输速率的要求
。

技术实现思路

[0004]为解决上述问题，本专利技术提供了一种基于遗传算法的无蜂窝大规模
MIMO
分簇方法，通过有效的以用户为中心的分簇策略，在
URLLC
的时延以及误码率要求下，提高系统最低用户传输速率，从而保证网络中所有用户的传输质量
。
[0005]为了达到上述目的，本专利技术提供如下技术方案：
[0006]一种基于遗传算法的无蜂窝大规模
MIMO
分簇方法，包括：
[0007]S1.
建立无蜂窝上行
URLLC
传输基于两级接收合并信号接收模型；
[0008]S2.
建立基于信号接收模型的系统性能优化的目标函数和约束条件；
[0009]S3.
根据目标函数以及约束条件设计遗传算法求解
。
[0010]进一步的，所述步骤
S1
具体包括如下子步骤：
[0011]S11.
配置拥有1个中中心
CPU、l
个具有多天线接入点和
K
个单天线用户的无蜂窝系统，其中接入点已知统计信道状态信息；
[0012]S12.
建立在接入点处用户信道测量模型，用户发送长度为
l
p
的正交导频信号，用户
k
到接入点
l
的信道为其中
α
kl
表示大尺度衰落带来的信道增益系数，表示小尺度衰落
。
接入点处采用最小均方误差估计，得到估计的信道参数
[0013]S13.
构造用户信号的两级合并模型，若接入点
l
在为用户
k
选择的簇内，可得到接入点
l
对用户
k
选信号的估计值
p
k
表示用户
k
的发送功率，其中
s
k
表示用户
k
的发送信号，
n
l
表示接收噪声，表示合并向量，采用部分迫零
(partial zero
‑
forcing,PZF)
接收合并策略，具体为其中
{l1,...,l
n
}
为该接入点关联的所有用户的序号
(
假设该接入点关联了
n
个用户
)
，
e
k
为单位阵的第
k
列；将估计的信号传送到
CPU
后，得到最终的估计信号后，得到最终的估计信号为中心处的合并系数，采用大尺度衰落译码
(large
‑
scale fading decoding
，
LSFD)
策略进行合并，
d
kl
∈{0,1}
指示接入点
l
是否在用户
k
的服务簇内，具体为其中
D
k
＝
diag{d
k1
,...,d
kL
}
，
[0014]S14.
建立用户上行传输速率模型，第
k
个用户的信号在中心
CPU
处的信干噪比为上标
H
表示共轭转置
。
使用系统最小遍历可达速率作为性能指标，并且使用遍历可达速率的下界对其进行近似，为其中，
Q
‑1是
Q
函数的逆函数，表示数学期望运算，
l
all
为码块长度，
ε
k
为在有限码块长度下的译码错误率，二者需要满足
URLLC
的误码率要求以及时延要求
。
[0015]进一步的，所述步骤
S2
具体包括如下子步骤：
[0016]S21.
建立系统性能优化的目标函数，根据得到的用户的遍历可达速率近似公式，最大化即需要最小化由此可得到系统的性能优化目标函数：
[0017][0018]其中表示通过选择为用户服务的接入点簇，从而最小化网络中用户
最大的达到最大化最小网络用户可达速率的效果，保证网络中用户的传输性能；
[0019]S22.
建立约束条件如下：
[0020]d
kl
∈{0,1},
[0021][0022][0023]通过如上约束条件，对前传链路的容量做出约束，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于遗传算法的无蜂窝大规模
MIMO
分簇方法，其特征在于，包括：
S1.
建立无蜂窝上行
URLLC
传输基于两级接收合并的信号接收模型；
S2.
建立基于信号接收模型的系统性能优化的目标函数和约束条件；
S3.
根据目标函数以及约束条件设计遗传算法求解
。2.
根据权利要求1所述的基于遗传算法的无蜂窝大规模
MIMO
分簇方法，其特征在于，所述步骤
S1
具体包括如下子步骤：
S11.
配置拥有1个中心处理单元
、l
个具有多天线的接入点和
K
个单天线用户的大规模
MIMO
无蜂窝系统，其中接入点已知统计信道状态信息；
S12.
建立在接入点处用户信道测量模型，用户发送长度为
l
p
的正交导频信号，用户
k
到接入点
l
的信道为其中
α
kl
表示大尺度衰落系数，表示小尺度衰落系数；接入点处通过最小均方误差估计，得到估计的信道参数
S13.
构造用户信号的两级合并模型，若接入点
l
在为用户
k
选择的簇内，可得到接入点
l
对用户
k
选信号的估计值
p
k
表示用户
k
的发送功率，其中
s
k
表示用户
k
的发送信号，
n
l
表示接收噪声，表示合并向量，采用
PZF
合并策略，合并权重向量具体为其中
{l1,...,l
n
}
为该接入点关联的所有用户的序号，
n
表示该接入点关联的用户数量，
e
k
为单位阵的第
k
列，
||
•
||
表示范数运算，
|
·
|
表示绝对值运算；将估计的信号传送到
CPU
后，得到最终的估计信号后，得到最终的估计信号为中心处的合并系数，采用
LSFD
进行合并，
d
kl
∈{0,1}
指示接入点
l
是否在用户
k
的服务簇内，具体合并系数为：
D
k
＝
diag{d
k1
,...,d
kL
}
，，
S14.
建立用户上行传输速率模型，第
k
个用户的信号在中心
CPU
处的信干噪比为：
上标
H
...

【专利技术属性】
技术研发人员：朱鹏程，王景宸，李佳珉，王东明，尤肖虎，
申请(专利权)人：东南大学，
类型：发明
国别省市：