[发明专利]一种车联网下基于用户调度的大规模MIMO预编码方法

权利要求书

1.一种车联网下基于用户调度的大规模MIMO预编码方法，其特征在于，包括：

S1，建立车联网下的大规模MIMO的信道模型，包括：

由于车辆的高速运动，信道特性表现为时变性，产生多普勒效应，于是将多普勒效应引入信道模型与常规毫米波信道合并，则第t个时隙的时变几何信道模型可以表示为

其中，(·)^H表示矩阵或向量的共轭转置；是归一化校正因子；N_t、N_r分别表示发射端发射天线数和每个车辆用户的接收天线数；N_c表示信道中分簇的数目；N_ray表示每个分簇中子信道的个数；标量α_il(t)表示第i个簇内第l条路径的增益，服从复高斯分布和分别表示接收和发射天线的阵列导向矢量，即

其中，(·)^T表示矢量的转置；和分别表示第i个簇内第l条路径的到达角和离开角；λ为毫米波波长；d为天线阵元间距离；

假设功率平均分配，则系统在发射端采用块对角化(Block Diagonalization,BD)预编码算法时，对于最终选择的R个用户中，则第k个用户可获得的信道容量为

其中，B为信道带宽；P为发射总功率；σ²是加性高斯白噪声；det(·)表示求矩阵行列式；I_N表示维度为N的单位矩阵；

S2，进行联合信道相关性和信道自身条件的多用户调度，获得调度用户集，包括：

S2-1，根据信道相关性理论，两个矩阵H_i和H_j组成的拼接矩阵H_i,j＝[H_i,H_j]的列向量两两正交程度越高时，矩阵H_i和H_j间的相关性越低；首先将矩阵H_i和H_j进行向量化，所述矩阵向量化方法为

信道矩阵的相关性的采用矩阵向量化后的皮尔逊系数可表示为

其中，coor_ij(v_i,v_j)∈[-1,1]的绝对值表示矩阵H_i和H_j的皮尔逊相关系数；coor_ij(v_i,v_j)绝对值取值越大，则表示用户i和用户j之间的信道相关性越高，从而表示两个用户之间的干扰越严重，反之亦然；因此，coor_ij(v_i,v_j)的绝对值取值越小时，两个矩阵H_i和H_j之间的空间相关性就越低；

S2-2，贪婪算法是通过计算噪声增强因子l_k，选择可以保证当前系统的最大的用户，可以发现，是由集合S中的每个用户的信道增益决定的；因此，用户的噪声增强因子l_k也是影响系统容量的一个主要因素，根据噪声增强因子来衡量信道自身条件的调度因子表示为

其中||·||₂表示矩阵的2范数；为单位矩阵；

根据S2-1和S2-2，将ρ_kcoor_ks作为本文多用户调度算法的准则，遍历所有用户选择ρ_kcoor_ks最小的用户作为调度用户，直到调度用户数量达到R，得到最优调度用户集，从而将调度用户集的信道作为系统的有效传输信道，获取更好的系统用户增益，其中coor_ks表示待选用户集中第k个用户与已选用户集s之间的皮尔逊系数。

S3，根据多用户调度的结果进行基于块对角化的预编码，达到消除干扰的目的，包括：

所述基于块对角化的预编码方法的核心是进行两次奇异值分解(Singular ValueDecomposition，SVD)得到预编码矩阵F，其中用户k的预编码矩阵为其中分别表示为第一次和第二次SVD分解后得到的信道矩阵零空间；

将信道矩阵表示为

则用户k的补矩阵为

对进行SVD分解，可以得到

其中，和分别是的前和后个右奇异值向量，是的零空间；

令对系统等效信道矩阵进行SVD分解，得到

令得到用户k的预编码矩阵、组合器为

W_k＝U_k

综上，所述块对角化预编码算法的主要目的是寻找用户k(k＝1,...,K)的最优预编码矩阵，使其满足从而实现完全消除干扰的目的。