⃝可在www.sciencedirect.com在线获取ScienceDirectICTExpress 7（2021）60www.elsevier.com/locate/icte阴影相关和导频分配对无小区mmWave大规模MIMO UDN系统混合预编码性能洪承恩韩国大田电子通信研究所未来移动通信研究部接收日期：2020年11月29日;接收日期：2021年1月28日;接受日期：2021年1月29日在线预订2021年摘要用于超5G无线通信的有前景的传输技术之一是无小区大规模MIMO，其中所有接入节点（AN）协作以相干地服务所有用户设备（UE）。基于大规模MIMO的优点，无小区网络架构的新概念足以克服超密集网络（UDN）环境中的小区间干扰限制，这是由于AN之间的充分合作。在本文中，我们开发了无小区大规模MIMO和毫米波超宽频带之间的协同操作，它能够通过充分利用无线容量的基本三大支柱，如带宽，频谱效率和网络致密化，提供真正的高质量和强大的无线普适服务。为此，我们研究了模拟预编码方案与迫零数字预编码相结合对无小区mmWave大规模MIMO UDN系统的影响。此外，我们研究了相关阴影和导频分配策略对室外和室内UDN环境中所提出的混合预编码方案c2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：无小区大规模MIMO;毫米波混合预编码;相关阴影;导频分配;超密集网络1. 介绍随着移动通信量和移动设备数量的不断增加，我们需要增加无线容量以适应这种爆炸性的通信量增长，此外，我们应该提供可持续的和面向未来的无线传输技术。众所周知，频谱、频谱效率和网络致密化构成了移动网络容量的三个主要资源/维度[1，2]。因此，可以预见，面向充分利用三个主要维度的无线传输技术的出现最近，一种新兴的技术，所谓的无小区大规模MIMO（CF-M 3），已经吸引了学术界和工业界的极大关注，作为实现无线通信的使能器。该论文的部分内容已在ICTC 2020上提交电 子 和 电 信 研 究 所 （ ETRI ） ， 218 Gajeong-ro ， Yuseong-gu ，Daejeon，34129，Republic of Korea。电子邮件地址：iptvguru@etri.re.kr。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2021.01.010后5G未来无线通信，其经由分布式和大规模天线有效地利用频谱效率和网络致密化CF-M3是分布式大规模基于MIMO的超密集网络（UDN），其可以有效地利用来自大规模分布式天线和接入节点（AN）的益处（信道硬化和有利的传播）[3最近，在[7]和[8]中已经提出了一种称为无线电条带的具有成本效益的串行化前传架构，以解决大规模AN之间的布线和通信的挑战，这有望为CM-M3系统的实际和可扩展的实现铺平道路。毫米波和/或太赫兹频带中的巨大可用频谱正成为5G及更高无线系统的另一个基本和关键支柱。 因此，我们注意到毫米波和CF-M3之间的组合可能是能够充分利用三个主要维度的可持续无线传输技术之一。尽管毫米波和CF-M3之间的协同潜力巨大，但据作者所2405-9595/2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。S.- E. 洪ICT Express 7（2021）6061·≫≤≥≫Fig. 1. 具有串行前传和正交前传的无小区Mmwave大规模MIMO系统。[6]。在[5]中，每个分布式AN在天线级使用全局信道状态信息（CSI）执行基于块坐标下降分解的混合预编码，这由于其迭代处理和AN之间的瞬时CSI共享的需要而使实际实现复杂化。在[6]中，这是这项工作背后的灵感，已经涵盖了实际实现CF-M4 UDN的各个方面，但其设计架构接近于集中式方式，并且其模拟预编码方案在无小区操作的上下文中有一些改进空间。此外，据作者所知，除了[2]和[6]考虑了具有不同单个去相关距离的相关性之外，以前的工作没有研究相关阴影对系统性能的影响。这项工作的主要贡献如下。首先，我们提出了三个候选的模拟预编码方案，以结合迫零（ZF）数字预编码，同时描述了一些指导方针的混合预编码设计的CF- M4UDN的重点是其分布式实现。其次，基于簇式毫米波传播信道模型，通过处理UDN中的非正定相关矩阵问题，完善了相关阴影模型。第三，导频分配（PA）的影响进行了调查的CF-M4性能的严重影响导频污染由于缺乏足够大的正交导频序列的数量。最后，我们进行了广泛的模拟CM-M4 UDN在室外和室内环绕的情况下，并与不同的去相关距离，不同的PA策略，和不同的系统参数的候选模拟预编码方案之间的一些比较结果。本文的其余部分组织如下。的第2节介绍了CF-M4的系统模型，并给出了一些设计指南。在第三节中，我们首先选择并分析了CF-M4的三种候选模拟预编码方案，然后描述了混合预编码与ZF数字预编码相结合的实现。PA策略在第5节中进行了研究。性能评估和比较显示与广泛的模拟结果在第5节，并在第6节给出的结论。记法。粗体字母“A”和“B”分别表示矩阵和向量。在整个文件中，下标T，H和H表示转置，复共轭和Hermitian操作。算子Tr（）表示其迹，Iq表示q维单位矩阵.2. 无小区Mmwave大规模MIMO系统模型2.1. 无细胞Mmwave UDN系统模型与传统的基于小区的无线网络（其中网络被划分为小区并且用户与特定基站相关联）不同，我们考虑无小区的超密集网络，其中地理区域由M个超密集分布的接入节点（AN）覆盖，这些接入节点共同服务于相对较小数量K个用户设备（UE）：K.如图1，所有AN连接到中央处理器（CP），其负责经由无差错串行前传链路在AN之间的协作。串行前传，在[7]和[8]中被称为无线条带，以菊花链的方式将多个AN与单根电缆顺序连接。另一方面，在正交前传中，每个AN直接连接到CP。决定将多少基站功能本地放置到AN中以及还有多少功能集中在CP中的功能划分确定了前传在比特率和延迟方面的要求类似于原始的无小区大规模MIMO，我们假设选项7-为了在毫米波频带上与单天线UE通信（即，28GHz）载波频率，每个AN在全连接架构下配备有N个天线和L（N）个RF链的阵列，其中所有天线元件使用N个移相器与每个RF链连接。在不失一般性的情况下，我们假设LK，但为了< 为了利用大规模MIMO的优势，假设MN ML K是本文的一个特例。如在[5]和[6]中，AN和UE之间的下行链路和上行链路通过TDD通信协议分离，TDD通信协议包括三个不同的阶段：上行链路训练、下行链路数据传输和上行链路数据传输。我们专注于CF-M4 UDN系统中的下行链路数据传输，因此我们不本文考虑上行链路数据传输。2.2. 毫米波传播信道模型我们考虑在[10]中提出并在[11]中进一步扩展的广泛使用的集群毫米波信道模型，以描述室外传播信道的特性。此外，对于mmWave室内传播特性，我们还考虑了[12]中描述的工业工厂自动化环境。我们假设每个AN配备有由N个元件组成的均匀线性阵列（eN），并且在两种情况下其频率都是28 GHz(1) 大尺度衰落模型表征无线大尺度衰落信道的两个主要因素是路径损耗和阴影，这对于预测TX-RX间隔距离上本工作S.- E. 洪ICT Express 7（2021）6062==∈∈{（）=−一个UE=-八、7642 +43。073=1T21=−一个UE2√F）={≤MK- -表1大尺度衰落模型的参数αL OSαN LOSβ L OSβ N L OSσL OSσN L OS户外[10] 61.472.02.02.925.88.7室内[12] 54.924.62.15.34.29.4考虑浮动截距（FI）模型，该模型是通过测量数据集从数学曲线拟合导出的，而没有任何映射到物理理论。FI模型如下：{为了生成这些变量，. . .，M和UE k，k1，. . . ，K具有相同统计特性（零均值和单位方差）的任何相关性时，首先，我们应组成矩阵_AN_R_M×M，其第（i，j）项为AN_i和AN_j之间的阴影相关系数ρAN_ij，矩阵_UE_R_K ×K，其第（i，j）项为UE_i和UE_j之间的阴影相关系数ρUE_ij。 也就是说，ρ（·）ij被定义为两个阴影衰落变量λ（·）i和λ（·）j之间的相关系数，并且如[ 12 ]中那样如下计算：E{d（·）i∈（·）j}（d（·）（i，j））ξ2PL [d B]=αLOS+10βLOSlog 10d+ σLOSlog 10 dαNLOS+10β NLOSlog 10d+ σ NLOSlog10d（一）ρ（·）i j=E{（·）i}E2（·）j }=exp-d装饰ln 2（五）其中d是第m个AN之间的距离（以米为单位），以及第k个UE，α和β是以dB为单位的浮动截距，分别描述路径损耗对距离的依赖性的系数，并且σ·λ表示不相关的阴影衰落，其描绘关于平均路径损耗随距离的大尺度信号波动，其中标准偏差为σ ·λ，并且MK其中，dAN（i，j）和dUE（i，j）是第i个UE之间的距离，AN和第j个AN以及UE之间的距离，并且被称为去相关距离的d_decor表示系数值下降到0.5的距离，并且其是由环境确定的固定值。接下来，通过对π（·）的Cholesky分解，我们可以计算下三角矩阵C（·），其结果是π（·）=C（·）CT。的N（0， 1）.两个文件夹中的参数的选定值（uc）（uc）（·）表1根据室外[10]和室内[12]场景总结了视线（LOS）和非视线（NLOS）。在室外场景[ 13 ]的情况下，中断概率pout（d）max 0，1 e5。2−dλ/30作为d λ的函数给出，TX和RX之间的每条链路都可以处于LOS矩阵CAN（UE）将由具有相同分布的M（K）个统计独立的随机变量组成的向量CAN（UE）投影到另一个向量C AN（c）（CAN（c））中， 相同数量和均匀分布的随机变量如下：和NLOS，相应概率由下式给出：（c）=C（·）（六）（·）（·）pLOS（d）=（1 −pout（d））e−d/67。1（2a）也就是说，两个向量k（c）和k（c）具有相关的阴影。pNLOS（d）=1−pout（d）−pLOS（d）（2b）对于工业室内场景，我们使用[11]中报告的以下概率（对于重型工厂）欠额1，. . . .，M和UE k，k 1，. . . ，K分别在（4）中。然而，为了成功地执行Cholesky分解，相关矩阵必须正定。 如果矩阵实际上是非正定的，不幸的是，这在高-pLOS（d）1998年1月dd d1 .一、531 e. 832 e，d> 8（3a）为了使用具有大量发射器和/或接收器的一维相关矩阵，我们需要将非正定相关矩阵调整为正定，pNLOS（d）=1−pLOS（d）（ 3b）由 于彼 此紧 邻的 超 密集 部署 的TX/RX ， 来自 一个 TX（AN）的相邻RX（UE）位置中的阴影应该是相关的，这被称为自相关，并且来自不同AN的一个UE位置中的阴影衰落应该是互相关的。因此，我们需要扩展（1）中不相关阴影的统计模型，以包括空间相关性。为此，我们考虑了在[12]中最初提出并通过实际实验验证的阴影相关模型。最近也被用于评估无细胞操作与原始矩阵的最近距离。[14]这一目标的各种方法得到了很好的总结，其中，在这项工作中，我们利用调整梯度更新（AGU）与缩放的初始矩阵，由于其灵活，快速，准确的特点。表2中总结的AGU方法是解决由下式给出的优化问题的算法：C（C）（ 7）C其中g（C）=公司简介 -是的在步骤1中，作为在AGU算法中，选择初始矩阵C1，使得在[3]中。在相关阴影模型中，用两个分量来对系数λC1CT接近于原始相关矩阵，however，S.- E. 洪ICT Express 7（2021）60631=-Max=δANm+1− δUEk（四）给出了正定条件，并计算出相应的初始误差为C1CT 1996年另外，与步长相关的两个参数（其被计算为其中，AN_m（UE_k）捕获对影响第m个AN（第k个UE）和所有UE（AN）之间的信道的阴影衰落的贡献，并且δ控制贡献的权重（0≤ δ ≤ 1在步骤5）中，初始设置为0。5和ω1根据基于Armijo规则的梯度更新方案[15]。在移动到下一步骤之前，另外两个参数LOUT和m和k之间的关系。在Max，外循环中的最大迭代次数，LS.- E. 洪ICT Express 7（2021）6064不不=−+Fi+1Max==−+Max√M联系我们MCMKC对C++语言的程序进行了更新和规范化，并计算了误差=0。5,1=1，FLIN，LOUT，i=1P2Ci我LIN值我 我i+1将停止准则定义为迭代，MMM2MM1MKCRC10• G2：WRF仅取决于UEJ10−PLγa5步=100=+（）下一页不AGU的内环也被选择。现在，在步骤2和步骤12之间执行AGU的外部循环。在步骤3中计算第i次迭代的梯度之后，我们进入AGU的内部循环（从步骤4到步骤10）。在步骤4和步骤10之间的内部循环中，计算步长，表2调整梯度更新算法。算法：具有缩放初始矩阵的AGU1初始化：(1) 选择初始矩阵C1i1（2）计算初始误差1=C1C−i+1Ci+1Ci在第 i次迭代时 执行1 次 迭 代 ，一步一然后，检查我们是否能够在步骤9和步骤10退出内部循环为此，2repeat{AGU的外部循环3gradi=g=2（CiCT−）CiMaxMax退出标准被定义为迭代，i+1−<{AGU的内部循环}（ω） 一级2I22级CTMax6Ci+1=Ci−stepigradi5，其中ω = ω +1，并重复内部循环。如果退出7Ci+1=Diag（diag（Ci+1CT ）−1）Ci+1条件满足时，我们检查AGU的停止条件我们8i+1=Ci+1C−9如果|对于th = 0，|≤ ϵ · th for th = 0. 01或最大值i+1iOUTi+1ω=ω+1迭代Lmax 已经到达。(2) 小规模衰落模型：我们使用一个流行的聚类模型，统计MIMO毫米波信道模型[13]。 设H∈端10直到i+1−i0或ω=LIN<11如果|i+1−|> th其中，[H] mnkh mnk是H的第（Nm N n，k）个条目。因此，根据集群模型，第k个UE和第m个AN之间的信道h_n[h m1 k，h m2 k，. . . ，hmNk]T可以表示为我ii+1 1端12直到|i+1−|≤i+1·th或i= LOUTWRF ∈CN×L 关于WBB ∈CL×K 是模拟预编码器，C R m mK×KK×1h=η∑ ∑α（θ， φ）（8）对于第m个AN的数字预编码器，并且P∈R 和s∈C是cr AN crcrc=1r= 1其中C是散射簇的数量，R是簇内的射线数量，η是由下式N/R，是第r个上的复数小尺度衰落增益，用于UE的功率控制（对角）矩阵和信号向量接收信号矢量y∈CK×1可以表示为y=∑HTWRFWBBP1s+n（12）CR射线a· ∈CN是归一化向量m=1第c个集群，AN（）其中H =[h，. . .，h] ∈ CN×K是聚合上行链路AN天线阵列。这些角度与大量的子路径（R=20）合成（详细信息，参见[13，16]）。每个UE的信道向量到第m个AN的信道矩阵簇的数量分布为形式为CmaxPoisson（λ）的随机变量，其中λ设置为1.8作为C的经验平均值。小规模系数将由[13]中给出，圆对称复高斯噪声在CF-M4UDN系统模型中，我们考虑了设计混合预编码的一些准则（或约束）• G1：每个AN（L）的RF链数量小于ς CN（0，γ10 −PL）（9）AN天线的数量（N）。其中，γc是第c个聚类中的功率分数，由下式给出：阶m·矩阵R=E{h hH}，m，k，则给出γc=∑γc′γc =τCγ′十、、、cU通过(10)N∑∑，Rc=1r= 1'Ur −110−ZcU[0 1]Z（02）（11）=10CAN（·）aAN（·）（13）其中，两个常数rτ和r θ被设置为2.8和4.0 re。基于通过近似最大似然法拟合。R(3)参数选择ϑω4个重复. 如果不满足退出条件，则转到步骤FF在方位角和仰角θcr和φcr处的响应，j=1RHcNS.- E. 洪ICT Express 7（2021）6065用移相器进行相位控制。2.3. 混合预编码设计考虑具有选项7-3功能划分的CF-M4UDN系统的下行链路混合预编码，其中AN执行混合数字和模拟预编码。我们假设每个AN能够估计上行链路信道并通过串行前传在所有其他AN之间共享其本地 CSI让并且假设在第m个AN处通过理想协方差估计[6]。基于长期信道统计来配置模拟预编码器背后的基本原理是双重的：首先，大规模二阶统计更容易估计，因为与瞬时信道相比，它们在更长的时间尺度上变化;其次，由于空间信道协方差在所有子载波上是均匀的，因此一个模拟预编码器可以足以被设计用于所有子载波[17]。• G3：WRF仅限于恒定模量，S.- E. 洪ICT Express 7（2021）6066=}--·•···∀MKMfm，kmaxMm，最多1个=∑∈=m，Kmax• G4：W和W限于线性预编码器，（L）[（）（）]fm，kmax（十五）表3RD后ED算法的描述。RFm，kmax是R的主特征向量，特征向量f的相位角（单位为弧度），以及候选方案1：先RD后ED方案（L）表示L的选择 K中的列1（AN）候选模拟预编码向量的计算执行R的特征分解以找到K个主导特征向量。计算Frobenius范数的平均值，见（15）报告，见CP。2(CP)初始边加权有向图的构造建立了一个边加权图，该图具有M个AN源节点和K个UE汇聚节点，其中有M个K条边，每条边的权重是1/2。3(CP)通过迭代反向删除进行选择计算出第m个AN的边的权重（εm）的和mεm构建一组具有多于L条边的过边AN0AN={1，2，. . . ，M}对于i=1 toM（K-L）对于m= 1：长度（0AN）以满足可用RF链的数量。在[6，第II-C节]中，提出了一种名为“从每个AN选择UE进行波束成形“的算法在表3中）。该算法背后的基本原理是最大化最小平均能量（即，M个AN和K个UE之间的暂时有效信道的波束赋形（例如，平均Frobenius范数），目标是每个AN应当仅对L个UE进行波束赋形。为了实现该算法，可以使用通过边加权图的迭代反向删除（RD）方法。首先，在找到K个主导特征向量之后，每个AN计算并向CP报告链接第m个AP和第k个UE的暂定有效信道的平均Frobenius范数，如下所示：求εm中边的最小权和边（wm，em）′M端MMhowever， =E{\displaystyle{\frac{f}RFm，kmax）ThR2简体中文findm′= arg maxm′设εm′ =εm′ −em′（（RF）Tml（RF））如果从第m个AN开始的边的数量等于LOAN=OAN− {m′}如果结束，则结束向相应AN报告εm、εm射频BB也就是说，我们强调低复杂性的需求，避免凸/非凸优化解。更具体地说，我们专注于迫零（ZF）的情况下，WBB，并尽最大努力选择一个有效的WRF设计。G5：前传的容量不受限制。通过串行前传在AN之间进行数据共享的开销被显著减少到通过正交前传的特定AN的量此外，我们将全面其次，CP构建边加权有向图（从M个源节点到K个UE汇聚节点），其初始具有M个K条边，并且每个权重为N。第三，CP迭代RD，并且在M（K）的末端， L）迭代，得到Em，这是一组正好从第m个AN的L个边。CP通过将Em中的汇聚节点反馈给第m个AN来完成RD方法。这种方法的主要缺点是，尽管根据原始的无小区理念，应该利用单个RF链来服务所有UE，但是这种方案将使每个RF链最好地用于特定的UE，这在UE的数量变得更大时导致性能下降。此外，其适用性仅限于K大于或等于L的情况。因此，在KL的情况下，该方案仅使用K个活动RF链，仅浪费（L-K）个RF链。<受这一推论的启发专注于设计高效的WRF考虑到前传能力。3. CF-M4UDN的混合预编码设计而不我们在后续中考虑其他候选方案，将每个RF链专用于特定UE。3.2. SLNR最大化模拟预编码方案与传统的CF-M 3系统不同，CF-M 4 UDN系统中的AN应该利用由W RF控制的L（ τp）的有限长度，一般来说，τpK和UE之间分配的导频序列是相互非正交的，因此导致所谓的导频污染。<基于yτp，第m个AN计算MMSE信道向量估计gτ mk，其（可以）被示为具有：结束开关端勒贝格MK PτpRg1HKg（十七）执行Rm，tot的特征分解并选择L个最大的主特征向量和RgK公司简介通过所选择的Rm，tot，∑Rgk=1⏐ϕTϕ∗⏐2+σ2IL(18)为所有UE构建子空间，而子空间方案1专用于一个UE。由于每个AN的有限RF链而导致的功率集中可以在模拟预编码级别中通过分布式AN（它们的RF链的总数变为ML大于K）在所有K个UE上展开，并且ZF基带预编码器还能够减轻用户间干扰。此外，在没有CP或其他AN的任何帮助的情况下，一个AN可以自己为其RF链提供模拟预编码向量。受[17]中工作的启发，[18]中提出了一个我们值得考虑作为另一个候选方案的贡献。该现有工作的目标之一是设计用于云无线电接入网络（C-RAN）中的分布式RRH的模拟预编码器。它的关键设计点是将简单平均值替换为迹加权平均值，如表4所示。作者在[18]中声称，由于PL和Tr（R）之间的强相关性，迹加权平均能够有效地去除不同的路径损耗影响。关于设计模拟预编码器的这种先前工作不同于我们的工作在两个关键点：（1）所有的基带功能在这里，我们可以量化信道估计误差，g=g−gmk，其中，g和g是众所周知的。3.4. 具有功率子优化的让我们开始通过G=[GT· · · G T ] T来描绘UE与AN之间的有效MIMO信道矩阵，其中Gm=[G T · · ·GT]T。EssHIK并定义Pdiag（ [p1pK]）。根据第2.3节中的G5，（12）中的WBB用于ZF线性预编码器，其由下式给出：WBB=G（GTG）−1，m（19）其中GGG. 通过在（12）中代入（19），由第k个UE接收的信号因此可以表示为y=gTG（GTG）−1P1s+n位于中心云，因此所有模拟预编码器的RRH以集中的方式在云端决定;以及（TT）（T）−11(2)假设RRH具有RF链的数量多于要服务的UE的数量。因此，请注意，T1这种模拟预编码器构造的有效性基于uesfulsignal（T0）双通道估计误差（T1阶）跟踪加权平均需要在我们的CF-M4UDN中进行验证系统出于这个原因，我们希望将其模拟预编码器设计方法作为候选方案加以考虑3.3. 上行导频发送和MMSE信道估计在用于TDD中的下行链路数据传输的第一步骤因此，我们认为， 应用 的 先用后忘 （UatF）边界在[2 -4 ]中的分析中SINR ZF，k= E {|的t0|2}/（E {|T1|2}+ σ 2）（21）基于CF-M4的 UDN系统，所有UE同步地并且同时地，同步发送导频序列（PACKT∈Cτp×1，n=k，美国{|不|2}=p（二十二）τ的UE）Kp- 传播到所有AN的样本长度，和允许它们估计上行链路有效信道（包括M下面是一个分布图，得双曲余切值.τpMKK==KτpS.- E. 洪ICT Express 7（2021）6066=TrAN使用这些估计gPEGTG−1GTEggTGyp=PGT+np我KK（{−1M{T12}它们的RF预编码矩阵）g=（WRF）Th。然后所有E||（）下一页{}（）}）向所有UE波束成形数据。K K在第m个AN处接收的导频序列由下式给出：Kτ√∑τk=1=∑p[diag（E{（WBB）HE{g<$$>g<$T}WBB}）]（二十三）KGTG（十六）MτpMKKi=1M我S.- E. 洪ICT Express 7（2021）6067我们的优势∀·K⌈⌉=[ml]·KK∑（）下一页因此，（21）现在直接导致由于所有AN之间的充分合作，一些细胞-SINR ZF，k=Ki=1PKpiγki+σ2（二十四）在无小区的毫米波大规模MIMO系统中，通常不能实现诸如干扰图、公平性成本函数和AoA分布之类的基于结构。其中，γki是由以下项组成的向量的第i个元素：矩阵E的对角元素WB BHEggTWB B. 请注意，即使（24）的形式与[4]中的形式相同，和[6]中，我们考虑的基于毫米波的RF预编码方案被并入（24）的分母中的γki中，这可能导致非常不同的性能。此外，功率控制系数p ，k，k对性能有重要影响. 如（24）所示。在我们遵循G4的工作中，我们避免了复杂的最优因此，统一功率控制系数由下式给出：需要一种导频分配策略，其可以最小化导频污染，即最大化副导频UE之间的最小距离。然而，如果可能的话，应该避免解决非常复杂的组合问题，例如[2]中提出的贪婪导频分配。因此，作为可以在第2.3节中的设计准则G4的扩展中考虑的简单性和复杂性的两个极端选择，我们研究了随机导频分配（RPA）策略和基于使用UE位置信息的K均值聚类的导频分配策略。作为最简单的极端，RPA向每个UE分配从τ p个正交导频的集合中随机挑选的导频。在基于K均值聚类的PA的情况下，想法是将K个UEp1=· · ·=pK=PAN/LmaxM∑k=1 δmlk}（二十五）转化为KK/τp不相交的集群，使得每个这样的集群包含K个副驾驶UE，其最小距离尽可能大。然而，经典的K-均值聚类必须其中PAN是每个AN的发射功率限制，并且在PA的应用中进行适当的修改，因为所得到集群可能具有超过τp的UE数量。的δmlk =[E{（GTGT）−1gT[ml] （GTG）−1}]KK（二十六）算法如下操作。选择K个随机点 作为相应簇的初始质心，并且每个UE其中g[ml] 是矩阵G的r_ w的第（（m-1）L+1）个，并且被分配到其最近的质心。然后，质心位置通过对属于以下的UE位置进行平均来更新[ ]kk是方阵的第k个4. CF-M4UDN的导频分配策略通过第3.3节和第3.4节可以看出，UE的上行导频传输对基于TDD的CF-M 4系统中基于下行信道估计信息的数据混合预编码设计有直接影响。因此，导频分配策略决定了系统性能。为了最佳的信道估计，期望向每个UE分配正交导频序列。然而，由于信道相干时间（τc）是有限的，并且导频序列的长度也被限制为τp（<τc），因此在高负载的UDN中导频资源不可避免地不足。因此，一个导频序列可以由多个UE联合使用。在这种情况下（K>τp），由于副导频引起的干扰（称为导频污染）可能导致在导频辅助信道估计的过程期间信道状态信息质量最近，已经针对多小区大规模MIMO系统广泛研究了基于导频的信道估计方法中的对抗导频污染的问题[19在[19]中，提出了基于干扰图的图着色方案以减轻小区间导频污染。此外，在[20]和[21]中，基于大尺度衰落系数驱动的SINR，用户之间的一些公平效用函数被用于导频分配。同时，[22]和[23]中的作者利用了多小区环境中用户的到达角（AoA）分布。然而，这些方案不能用于无小区的大规模MIMO系统中{S.- E. 洪ICT Express 7（2021）6068⌈⌉==ββc2 2TCKK质心由βc=1/（K）∑βk给出。Jaccard距离相应的集群、UE被重新分配等等。一旦集群完成（即，质心位置保持不变），则在每个集群的基础上，UE然后以与质心的距离的升序进行排序。当使用相同的正交导频集合将导频分配给特定簇中的每个UE时，正交导频被顺序地分配给排序的UE，使得在每个簇中以相同顺序定位的UE被分类为副导频UE。在这种情况下，副驾驶员UE尽可能远地定位。即使被分类在同一簇中的UE的数量超过τp，通过从同一正交导频集合循环地重新分配，同一簇中的副导频UE也可以存在，并且它们也可以被定位得尽可能远。作为上述简单性和复杂性的两个极端的中间，我们现在提出基于Jaccard距离系数的PA策略[24]（我们称之为基于Jaccard距离聚类的PA，JDCPA），以最大化副驾驶员UE之间的想法是将K个UE划分成τp个不相交的组，每个这样的组包含K/τp个副驾驶UE，其基于Jaccard距离的相异性尽可能大。在所提出的PA策略中，我们利用UE的大尺度衰落（LSF）系数的知识，设βk[α1 k，. . . ..KK1两个LSF系数向量βk和βc之间的κk，定义为不κk=k，k（27）βCS.- E. 洪ICT Express 7（2021）6069{}{1，τp+1，2τp+1，. . . } }个文件夹O= ≥ ≥··· ≥×××联系我们图二. 节点部署场景。左图示出了用于室外场景的随机AN部署，右图示出了用于室内场景的网格AN部署。在这两种场景中，UE被随机部署（o：AN，x：UE）。图3.第三章。在 室 外 场 景 的 情 况 下 ， 平均每用户速率与去相关距离。表5JDCPA算法的描述。算法：CF-M4 UDN的JDCPA1计算κk，k1，. . . ，K使用（27）2按照Jaccard距离的降序对UE进行排序{O1，O2，. . . ，O K}，使得κO1κO2κOK3将UE分组到τp个簇中第一个集群：O O O第二类：{O2，Oτp +2，O2τp +2，. . .5. 业绩评价和比较在本节中，评估并比较了CF-M4我们考虑两种情况（见图）。 2）：（1）100个AN随机均匀分布. . .第τp个簇：{Oτp，O2τp，O3τp···}将被用作适当的相异度度量，其中κk的范围从0（完美相异度）到1（完美相似度）。值得注意的是，κk捕获向量之间的角度距离（余弦相似性）和它们的长度距离（欧几里得距离）。然后，按照Jaccard距离与质心βc的降序对UE进行排序，即， 该算法获得有序的子索引集合O ={O1，O2，. . . ，O K}，使得在一个200 - 200平方米的正方形内，室外场景，以及（2）相同数量AN形状55个规则网格内的一个正方形的大小为50 - 50平方米的情况下的工业室内场景.在这两种情况下，30或50个UE随机均匀地分布在给定区域中。这里示出的结果已经通过具有AN和UE的200个独立丢弃的蒙特卡罗模拟获得，其中对于每个丢弃，为了特别地研究阴影衰落相关性的影响，已经针对具有各种去相关距离的室外和室内场景两者实现了200个随机快衰落信道实现： ∈{10，20，30，40，50，60，80，100} 在 户外频道kO1≥ kO2≥ · · · ≥ kOK，并且位于 将彼此远离的UE放置在副驾驶UE的集群中。表5总结了所提出的JDCPA算法。在续集中，它的性能评估和比较将与图。第5节第7和第8节。模型和D装饰室内5、 10、 15、 20、 25、 30、 40、50渠道模式为了避免边缘效应，并模拟具有无限区域的网络，模拟设置中的正方形区域在具有八个相邻区域的边界处环绕。图3示出了根据具有导频的S.- E. 洪ICT Express 7（2021）6070=-=-图四、室 内 场 景 下 的 平均每用户速率与去相关距离。在室外场景中分配JDCPA。根据每个AN提供的4、8和16个RF链的数量，它总共由三个图形结果在单独的图形结果中，呈现了三种模拟预编码方法，RD后ED，SLNRmax-SA和SLNRmax-TWA，并分别与32，48和64个天线在总共9条曲线中进行比较。首先，从这三个图中通常可以观察到什么平均每用户速率根据去相关距离和天线数量而增加。从这些结果中，能够理解的是，CF-M4传输方案通过分布式AN的完全协作而很好地利用了阴影相关特性，并且更大数量的天线增加了信号的空间处理中的自由度。从三个图形结果中可以看出，CF-M4的所有三种候选模拟预编码方案都随着RF链的数量增加而提高了性能增加，这是由于增加天线数量的相同效果。有趣的是，RD后ED随着RF链数量的增加而具有非常小的改进，而两种SLNRmax方法具有巨大的改进。在图1中的第一图结果（每个AN 4个RF链）中，然而，可以看出，ED后的RD总是优于SLNRmax-TWA，并且仅在d decor 10和N 64的情况下是最好的。对于总体去相关距离和天线/RF链数目参数，我们可以看到，SLNRmax-SA在平均每用户数据速率方面是最佳方法。对于室内场景的性能比较，如图所示。在图4中，您可以看到呈现了与图3中非常相似的方面。此外，在特征上值得注意的是，1）平均每用户速率以相对高的斜率增加，直到去相关距离为20 m，以及（2）随着RF链的数量增加，RD后ED和SLNR最大方法之间的差距已经变得大于图1。3 .第三章。为了比较每个AN提供的RF链和天线的数量对95%可能的频谱效率的影响，我们示出了室外场景（具有固定的ddecor）的SLNRmax-SA方案下的每个用户速率的CDF图。40)和室内场景（带D装饰20)图5分别为6很明显，拥有更多的射频链图五、室 外 场景下每用户速率的CDF 图。图第六章室 内 场景下每用户速率的CDF 图。并且即使我们使用相同数量的AN，天线也在室外和室内场景中实现更高的速率。在两个图中，7和8，我们的目标是对RPA和基于位置的K-均值的S.- E. 洪ICT Express 7（2021）6071====图第七章在 室 外 场 景 的 情 况 下 ， 不 同 P A 策 略 的 平均每用户速率与去相关距离。图八、在 室内场景的情况下，不同PA策
我的内容管理
展开
