毫米波大规模MIMO-NOMA系统的性能提高方法

毫米波大规模mimo-noma系统的性能提高方法
技术领域
1.本发明涉及数据处理技术领域，尤其涉及毫米波大规模mimo-noma系统的性能提高方法。


背景技术：

2.在国家、社会、企业、个人用户等众多通信需求的驱动下,以数字化、智能化为代表的通信时代正在加速到来，产业变革和科技革命的飞速发展。而移动通信数据的爆炸式增长对移动通信系统的迭代提出了更高的要求，6g通信要实现对传统蜂窝网络所有功能的融合，毫米波是一个极高频段的电磁波，对于5g和6g无线网络非常有用。利用毫米波能够让频谱带宽增加了10倍，从而大幅提高了传输速度。毫米波有很多优势，在频率资源稀缺的现代世界，毫米波具有极宽的带宽，短波长为构建大于波长本身的天线阵列提供了机会，毫米波通信的保密性也非常好，吸收衰减很大，降低了信息被敌人拦截的概率。
3.尽管毫米波具有很多的优势，但5g毫米波毫米波的传输距离实在有限，因此，该如何利用其高频段资源，并与有效的传输技术相结合，大规模mimo技术成为海量大数据和连接设备相关问题的有效解决方案。mimo技术与毫米波技术可以相互融合，以适应5g网络发展的需要。
4.传统的正交多址接入技术中，在不同的用户之间，没有任何的干扰，在收发端的设计和实现上都很容易，但是，在每一波束中，信道的时间-频率资源无法达到一对多的服务，这就造成了系统的限制。


技术实现要素：

5.本发明提供了一种毫米波大规模mimo-noma系统的性能提高方法，包括：
6.构建毫米波大规模mimo-noma系统，并构建毫米波信道模型，建立最大化户毫米波大规模mimo-noma系统的能量效率非线性优化问题；
7.采用簇首自适应选择更新的用户分簇算法，对用户进行自适应分簇处理，得到准确的分簇结果；
8.设置混合预编码方案，分阶段使用预编码器，消除干扰并提高天线阵列增益；
9.采用基于iwoa的功率分配智能优化算法，进行功率分配优化，提高毫米波大规模mimo-noma系统的能量效率。
10.如上所述的一种毫米波大规模mimo-noma系统的性能提高方法，其中，所述毫米波大规模mimo-noma系统包括数据预编码处理模块、模拟预编码处理模块和g个用户簇，用户数据流输入数字预编码处理模块中，输出g个射频链，然后每个射频链再输入模拟预编码处理模块中，信号最终到达g个用户簇。
11.如上所述的一种毫米波大规模mimo-noma系统的性能提高方法，其中，最终用户簇的接收信号向量为：
12.y＝hhwpx+v
13.其中，h＝[h1,h2,...,hk]是信道矩阵，hh为转置矩阵，w＝[w1,w2,...,wk]是在传输信号之前预编码矩阵，表示为每个集群分配的功率，其中p
i,j
表示为其第i个集群中的第j个用户分配的发射功率，x＝[x1,x2,...xk]
t
是传输信号，v是遵循均值为0方差为σ2ik复高斯分布的噪声，σ2为噪声功率，ik为k阶的单位矩阵。
[0014]
如上所述的一种毫米波大规模mimo-noma系统的性能提高方法，其中，扩展的毫米波信道模型为：
[0015][0016]
其中，n
t
是基站天线数，l
g,n
是传播路径数，是在第g个波束的第n个用户中第l条路径的复增益，表示第g个波束中第n个用户的第l条路径的偏离的方位角，表示第g个波束中第n个用户的第l条路径的偏离的仰角，阵列响应向量由下式给出：ula代表采用的是均匀线阵，其中λ是信号波长，j为虚数符号，θ为方位角，天线阵元间距d＝λ/2。
[0017]
如上所述的一种毫米波大规模mimo-noma系统的性能提高方法，其中，采用簇首自适应选择更新的用户分簇算法，对用户进行自适应分簇处理，得到准确的分簇结果，具体包括：
[0018]
将不同波束用户分配到不同簇，同一用户簇使用同一个模拟预编码器，同一波束中用户的信道高度相关且允许获得高波束增益，不同波束中用户的信道相关性低抑制干扰；
[0019]
将用户簇中信道增益最高的用户选为第一波束的初始簇首，引入能够度量信道相关性的阈值，通过满足自适应阈值和最小化与其他簇首的归一化信道相关性来选择其他候选用户的初始簇首，依次选出其他波束的簇首；
[0020]
更新自适应阈值，直至最后的簇首和用户簇的数量相等，并抑制波束内干扰，直至用户簇的结果收敛不改变，得到准确的分簇结果。
[0021]
如上所述的一种毫米波大规模mimo-noma系统的性能提高方法，其中，在毫米波大规模mimo-noma系统中，同一组用户使用同一个模拟预编码器来增强其波束增益，消除其他组的干扰，不同波束分配不同的组；将用户分配到不同组，同一波束中用户的信道高度相关以允许获得高波束增益，而不同波束中用户的信道相关性较弱以便抑制干扰。
[0022]
如上所述的一种毫米波大规模mimo-noma系统的性能提高方法，其中，最终得到准确的分簇结果为：
[0023][0024]
其中表示第g个用户与簇首的信道相关性，最终得到准确的分簇结果。
[0025]
如上所述的一种毫米波大规模mimo-noma系统的性能提高方法，其中，分阶段使用预编码器，具体为利用低成本移相器进行单纯相位阵列响应调节，通过改变波束的相位提高用户期望信号，将发射波束的能量聚集到簇首周围，使其更好地覆盖到簇首，凸显多天线阵列的巨大复用增益。
[0026]
如上所述的一种毫米波大规模mimo-noma系统的性能提高方法，其中，基于iwoa的功率分配智能优化算法，在螺旋捕食阶段，引入权重因子和阿基米德螺旋更新方式，进行优化改进，经过适当的迭代次数后，系统的能量效率逐渐收敛。
[0027]
本发明还提供一种毫米波大规模mimo-noma系统，包括：控制系统、混合预编码器和大量用户设备；混合预编码器包括数字预编码处理器和模拟预编码处理器，大量用户设备分为不同用户簇；控制系统执行上述任一项所述的一种毫米波大规模mimo-noma系统的性能提高方法。
[0028]
本发明实现的有益效果如下：本发明在毫米波大规模mimo-noma系统中使用用户分簇策略、混合预编码方案和功率分配优化算法，能够最大化频谱效率和系统能效。
附图说明
[0029]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0030]
图1为本发明实施例一提供的一种毫米波大规模mimo-noma系统的性能提高方法流程图；
[0031]
图2为多用户毫米波大规模mimo-noma系统模型示意图；
[0032]
图3为采用簇首自适应选择更新的迭代用户分簇算法示意图；
[0033]
图4为不同算法的频谱效率与snr的变化仿真图；
[0034]
图5为不同算法的能量效率随snr变化的仿真图；
[0035]
图6为不同算法的频谱效率与snr的变化仿真图；
[0036]
图7为n＝256时不同算法的频谱效率与snr的变化仿真图；
[0037]
图8为不同算法的能量效率随snr的变化仿真图；
[0038]
图9为k＝16时不同算法的能量效率与snr的变化仿真图；
[0039]
图10为不同算法的频谱效率随用户数的变化仿真图；
[0040]
图11为不同算法的能量效率随用户数的变化仿真图；
[0041]
图12为不同算法的频谱效率随射频链数量的变化仿真图；
[0042]
图13为不同算法的能量效率随射频链数量的变化仿真图。
具体实施方式
[0043]
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0044]
本技术下述实施例中，实施例一是毫米波大规模mimo-noma系统性能提高的总方法，实施例二是毫米波大规模mimo-noma系统的构建和优化问题的建立方案，实施例三是毫米波大规模mimo-noma系统的性能提高方法中的簇首自适应选择更新的用户分簇流程，实施例四是毫米波大规模mimo-noma系统的性能提高方法中的两阶混合预编码流程，实施例五是用户簇结构基础上基于iwoa(基于权重因子动态调整的鲸鱼优化算法)的功率分配智能优化流程，实施例六是进行matlab的实验仿真与分析流程。
[0045]
实施例一
[0046]
如图1所示，本发明实施例一提供一种毫米波大规模mimo-noma系统的性能提高方法，包括：
[0047]
步骤110、构建毫米波大规模mimo-noma系统，并构建毫米波信道模型，建立最大化户毫米波大规模mimo-noma系统的能量效率非线性优化问题；
[0048]
步骤120、采用簇首自适应选择更新的用户分簇算法，对用户进行自适应分簇处理，得到准确的分簇结果；
[0049]
步骤130、设置混合预编码方案，分阶段使用预编码器，消除干扰并提高天线阵列增益；
[0050]
步骤140、采用基于iwoa的功率分配智能优化算法，进行功率分配优化，提高毫米波大规模mimo-noma系统的能量效率。
[0051]
本技术的方法提出了毫米波大规模mimo-noma系统系统、及其用户分簇策略、混合预编码方案和功率分配优化算法，以最大化频谱效率和系统能效。首先，根据目前分簇算法在考虑簇内用户信道相关性问题的时候，方案不能及时进行调节更新，导致用户所受的簇间干扰仍然无法消除，同时考虑信道增益与信道相关性的影响因素，通过阈值的不断自适应更新来确定其他用户簇的簇首，直到用户迭代分簇结果收敛不变。而对于毫米波大规模mimo-noma系统的能耗问题，由于过多射频链数量导致大幅增加，因此分阶段使用预编码器。在对功率分配问题上求解优化的时候，提出来用一种群体智能优化的woa算法进行求功率分配问题的最优解，引入权重因子，采用阿基米德螺旋更新，改进后的算法在求解功率分配最优解的过程中，大大减少了初始迭代耗费的时间，仿真结果表明，基于iwoa算法的功率分配在性能上有所提升，有效提升了系统的能量效率。
[0052]
实施例二
[0053]
本发明实施例二是毫米波大规模mimo-noma系统的构建和优化问题的建立方案，具体包括构建多用户毫米波大规模mimo-noma系统模型，并构建毫米波信道模型，建立最大化户毫米波大规模mimo-noma系统的能量效率非线性优化问题。
[0054]
图2为多用户毫米波大规模mimo-noma系统模型示意图，该系统模型是一种全连接混合预编码架构。图中用户数据流输入数字预编码处理模块中，输出g个射频链，然后每个射频链再输入模拟预编码处理模块中，信号最终到达g个用户簇。相比于传统的全数字mimo只用数字预编码器射频链的数量与天线数量相等，毫米波大规模mimo-noma系统中射频链的数量比天线数量少得多，使用混合预编码器能够消除干扰、并提高天线阵列增益。
[0055]
最终用户簇的接收信号向量为：
[0056]
y＝hhwpx+v
ꢀꢀꢀꢀꢀꢀ
(1)
[0057]
其中，h＝[h1,h2,...,hk]是信道矩阵，hh为转置矩阵，w＝[w1,w2,...,wk]是在传输
信号之前预编码矩阵，表示为每个集群分配的功率，其中p
i,j
表示为其第i个集群中的第j个用户分配的发射功率，x＝[x1,x2,...xk]
t
是传输信号，v是遵循均值为0方差为σ2ik复高斯分布的噪声，σ2为噪声功率，ik为k阶的单位矩阵。
[0058]
考虑到低频信道散射路径丰富，并不包括通信环境的具体信息，本技术实施例采用扩展的saleh-valenzuela信道模型：
[0059][0060]
其中，n
t
是基站天线数，l
g,n
是传播路径数，是在第g个波束的第n个用户中第l条路径的复增益，表示第g个波束中第n个用户的第l条路径的偏离的方位角，表示第g个波束中第n个用户的第l条路径的偏离的仰角，阵列响应向量由下式给出：ula代表采用的是均匀线阵，其中λ是信号波长，j为虚数符号，θ为方位角，天线阵元间距d＝λ/2。
[0061]
在用户服务质量要求和功率约束的基础下，建立了最大化毫米波大规模mimo-noma系统的能量效率问题，最大化能量效率问题是一个非线性优化问题。假设用户群集里的用户覆盖没有重叠的现象，对于第g个用户簇中的第n个用户，其接收信号由下式给出：
[0062][0063]
其中，第一项是期望信号，是基站第g个波束中第n个用户之间的信道向量的转置，wg是第g个簇的混合预编码器，p
g,n
是第g个波束中第n个用户的传输功率，x
g,n
是传输信号；第二项和第三项分别是波束内干扰和波束间干扰，uj和ug表示第j个用户簇和第g个用户簇，v
g,n
是噪声。
[0064]
可以得到第g波束第n个用户的sinr，表示为γ
g,n
：
[0065][0066]
其中，ζ
g,n
为系统噪声与干扰之和。
[0067][0068]
其中，为簇内干扰，为簇间干扰，σ2为噪声。
[0069]
因此，获得第g个波束中第n个用户的可实现速率r
g,n
，其由下式给出：
[0070]rg,n
＝log2(1+γ
g,n
)
ꢀꢀꢀꢀꢀꢀ
(6)
[0071]
其中，γ
g,n
指第g波束第n个用户的sinr。
[0072]
所以总可实现和速率为
[0073][0074]
其中，g为波束数，ug为第g个用户簇。
[0075]
在无线通信系统中，能效定义是不同的。假设在时间t秒内，系统以rbit/s的速率传输数据，基站在传输过程中消耗了pw的功率：
[0076][0077]
其中p
g,n
是第g个波束中第n个用户的传输功率，n代表波束数，k代表用户数，pc是固定电路消耗的功率。
[0078]
则能效η
ee
为：
[0079][0080]
此外，为了最大化能量效率的问题被建模为
[0081][0082][0083]
c2:p
g,n
≥0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0084]
c3:log2(1+sinr
g,n
)≥r
min
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0085]
其中，为最大传输功率，c1限制最大传输功率；c2确保用户获得正功率；c3满足信号质量约束条件，保证设备的最小数据速率。
[0086]
实施例三
[0087]
本发明实施例三采用簇首自适应选择更新的迭代用户分簇算法，考虑到信道增益与信道相关性的影响因素，如果算法没有对剩余用户进行迭代分簇，会导致分簇结果的准确性较差，因此本技术采用簇首自适应选择更新的迭代用户分簇算法，后期能够对剩余用户进行迭代分簇，从而得到更加准确的分簇结果。如图3所示，所述方法具体包括：
[0088]
步骤310、将不同波束用户分配到不同簇，同一用户簇使用同一个模拟预编码器，同一波束中用户的信道高度相关且允许获得高波束增益，不同波束中用户的信道相关性低抑制干扰；
[0089]
在大规模mimo-noma系统中，同一组用户可以使用同一个模拟预编码器来增强其波束增益，消除其他组的干扰，不同波束分配不同的组。为此，将用户分配到不同组，同一波
束中用户的信道高度相关以允许获得高波束增益，而不同波束中用户的信道相关性较弱以便抑制干扰。用户分簇算法同时考虑了信道增益与信道相关性的影响因素，不同簇中的用户将享受低信道相关性，这有利于波束间的干扰消除。
[0090]
用户i和用户j之间的归一化信道相关性表示为：
[0091][0092]
其中，hi和hj为用户i和用户j的信道矢量，表示信道矢量的转置。
[0093]
步骤320、将用户簇中信道增益最高的用户选为第一波束的初始簇首，引入能够度量信道相关性的阈值，通过满足自适应阈值和最小化与其他簇首的归一化信道相关性来选择其他候选用户的初始簇首，依次选出其他波束的簇首；
[0094]
具体地，本技术采用的初始簇首算法与现有的随意选择簇首方式不同，本技术将信道增益最高的使用者选为第一波束的初始簇首，引入能够度量信道相关性的阈值δ，然后通过满足自适应阈值δ和最小化与其他簇首的归一化信道相关性来选择其他候选用户的初始簇首。类似地，选出第二波束的簇首。之后，计算其余用户与第二波束中所选簇首的信道相关性，将结果与阈值δ进行比较，反复执行此自适应更新过程，确定其他波束的簇首。
[0095]
步骤330、更新自适应阈值，直至最后的簇首和用户簇的数量相等，并抑制波束内干扰，直至用户簇的结果收敛不改变，得到准确的分簇结果；
[0096]
在所有用户簇选定好簇首之前，将对此门限值进行自适应更新：
[0097]
δ'＝δ+(1-δ)/10
ꢀꢀꢀꢀꢀꢀ
(15)
[0098]
根据候选簇首和剩余用户的信道相关系数进行运算，提取出小于阈值的弱相关性的用户作为其他簇的簇首，可以通过以下方式获得簇首的集群ωg：
[0099][0100]
其中，κb为剩余用户，u为选出的簇首，δ为自适应更新的阈值。
[0101]
接着，判断所选簇首的数目是否大于所选群集的数，若超过就必须进行门限值的更新，然后重复以上的过程，直到最后的簇首和用户簇的数相等。通过最大化归一化信道相关性，在用户与簇首信道相关性较高的情况下，将剩余用户迭代地分配到分配到不同的簇中，抑制波束内干扰，直到用户分簇的结果收敛不改变。
[0102][0103]
其中表示第g个用户与簇首的信道相关性，最终得到准确的分簇结果，表示为分簇集合γg，g＝1,
…
g。
[0104]
以下对簇首自适应选择更新的迭代用户分簇算法进行详细描述，包括：
[0105]
step1、计算每个用户的归一化信道模型；
[0106]
step2、选择信道增益最高的用户作为第一个初始簇首；
[0107]
step3、计算其他用户和簇首的信道相关性；
[0108]
step4、选择信道相关性最小的用户作为新的簇首；
[0109]
step5、判断用户簇数是否超过波束数，如果是，则执行step6，否则返回执行step3；
[0110]
step6、在用户簇群结果中存储初始簇首；
[0111]
step7、计算剩余用户和选定簇首之间的信道相关性；
[0112]
step8、对剩余用户迭代分簇，以最大化信道相关性；
[0113]
step9、判断用户分簇的结果是否收敛不变，如果是，则输出用户分簇集合，否则返回执行step6。
[0114]
实施例四
[0115]
进一步地，由于过多射频链数量导致大幅增加，因此为降低系统的硬件约束，并充分发挥mimo-noma系统的全部性能潜力，本技术分阶段使用预编码器。优选利用低成本移相器进行单纯相位阵列响应调节。由于模拟预编码器上的单元，存在不变的振幅限制，使得有效域子集也不是凸的，所以本技术通过改变波束的相位来提高用户期望信号，将发射波束的能量聚集到簇首周围，使其更好地覆盖到簇首，此时也凸显出多天线阵列所带来的的巨大复用增益。
[0116]
其中非零元素λ由下式给出：
[0117][0118]
其中n
t
表示基站天线数，b表示带宽。
[0119]
通过得到了用于全连接结构的模拟预编码向量ag，j为虚数符号，θ为共轭转置的相位。
[0120]
利用簇首的通道矢量实现提高天线增益的目的，模拟预编码器的元素可以通过最小化簇首的信道和λ的元素之间的角度来确定，并且最小角度i是：
[0121][0122]
另外，采用每个簇中有效信道的用户的低复杂度迫零预编码，获得每个用户的等效信道，具体如下：
[0123]
首先获得等效信道矩阵数字预编码器计算为d＝hh(hhh)-1
，波束g的数字预编码矢量dg表示如下：
[0124][0125]
其中为数字预编码矢量，因为同一波束中的用户享有相同的数字预编码器，所以每个波束的数字预编码器是d＝[d1,...,dg]，经过n
rf
次迭代后进行设计。在设计了混合预编码器之后，需要重新调整用户的排列顺序，这一结论与大规模mimo-noma系统的sic译码序列相吻合，使得h是共轭转置矩阵，是基站和第g波束中第n个用户与基站之间的信道向量。
[0126]
本技术采用这种能够控制信号相位和幅度的变化情况的方法，有利于减少成本，并能够达到接近纯数字预编码的性能，提升阵列增益的预期目标效果。
[0127]
实施例五
[0128]
本实施例采用基于iwoa的功率分配智能优化算法，解决功率分配的能效问题，并且可以减小搜索空间的正常大小，实现在无线和通信网络中能够高效运作。
[0129]
其中，基于iwoa的功率分配智能优化方案是在用户分簇和混合预编码的工作基础上进行的，在螺旋捕食阶段，引入权重因子，对螺旋更新方式进行了优化改进。改进后的算法在求解功率分配最优解的过程中，提高了迭代搜索精度，大大减少了初始迭代耗费的时间，并且，最终有效提升了系统的能量效率。
[0130]
具体地，所述基于iwoa的功率分配智能优化算法，具体包括：
[0131]
在iwoa算法中，将每个用户设备看作一头鲸鱼，功率分配参数相当于座头鲸的位置，定义最佳搜索代理之后，其他搜索代理将进行对最佳搜索代理的位置的更新变化。寻找用户设备最佳功率分配参数的行为表示为以下数学方程式：
[0132][0133][0134]
其中为鲸鱼与当前最优解之间的距离，是目前获得的功率分配最佳参数因子的位置向量，t用来定义初始迭代，被描述为当前解的位置向量，为更新后的位置向量，和为系数向量。更新直到找到最优的功率分配参数因子，和的结果可以由下列公式获得：
[0135][0136][0137]
其中为[0，1]之间的随机向量。定义为从2到0的线性递减向量，的变化通过数学公式来计算呈现，其中t
max
为最大迭代次数。
[0138]
鉴于每只座头鲸的行为存在异步性，故假设座头鲸执行两种捕食行为的概率各为50％。为了预测这一并发动作，推导出了一个方程式来表示该模型，我们假设在收缩包围机制和螺旋模型机制之间进行选择的等效概率值为0.5，利于更新鲸鱼的位置。建立如下的数学模型：
[0139][0140]
其中，p表示概率，为[0,1]之间的任意数，参数b决定螺旋线形状，l为[-1,1]之间的随机值。为了准确定位猎物，可以使用基于对向量修改的相同策略。事实上，座头鲸会根据它们的位置随机搜索。所以用随机值大于1或者小于-1的迫使搜索代理远离目标值。与利用阶段过程相比，基于随机选择的过程修改每个搜索代理在样本空间中的位置，直到寻找到更优的解。该操作机制和将重点放在探索阶段。建立的数学模型表示如下：
[0141][0142][0143]
其中为从现有种群空间选择的随机位置向量。
[0144]
然而，在算法迭代的后期，iwoa算法的收敛速度会逐渐变慢，并有可能陷入局部最优。若螺旋步进距离超出了搜寻距离，则无法遍历整个搜寻空间，降低了寻优的各个状态历经度，所以在螺旋式更新位置阶段，鲸鱼个体采用对数螺旋式更新，并非是最好的选择，因此本技术采用阿基米德螺旋查找方法重新建立以下数学优化模型：
[0145][0146]
其中w表示动态更新后的权重，其定义为：
[0147][0148]
其中w是权重，t'表示当前种群的迭代次数；为变量xi的上界，为变量xi的下界；为当前鲸鱼种群中最差鲸鱼的位置向量，为最优鲸鱼的位置向量；d1和d2是两个常数。每头鲸鱼的适应度值f
obj
可以通过求η
ee
的最优值来寻找到。
[0149]
因此，在优化迭代开始时，也不会受到种群分布的影响，从而提高了算法的整体搜索性能，并能很好的跳出局部最优。权重因子可以根据种群分布动态调整，此改进对下一次迭代时的查找精度有一定的帮助，避免用户设备因聚集在一起而导致种群多样性的缺失。
[0150]
经过适当的迭代次数后，系统的能量效率逐渐收敛。同时，可以得到个体鲸鱼的最优适应值和位置，即近似的最优能效值和功率分配结果。
[0151]
实施例六
[0152]
本发明实施例六为进行matlab的实验仿真与分析流程，与现有的几种用户分簇算法在多方面维度进行了对比研究，实验仿真参数设置如下：
[0153]
仿真实验参数设置
[0154][0155]
图4为不同算法的频谱效率与snr的变化仿真图，横坐标代表信噪比，其参数设置范围为由0增加到20，其他仿真参数设置为：发射天线数量设置为64，射频链数量设置为4，
研究用户数量为8，系统的频谱效率由纵坐标显示。从图4中可知，不同算法在信噪比snr变化下的频谱效率表现出不同的变化趋势，可以看出，不管信噪比如何变化，全数字mimo系统方案的性能都是最高的，同时能够充分利用复用增益，所以全数字系统的频谱效率远远高于其他几种算法，而随机分簇算法和固定预分簇算法的频谱效率在图中最差，这是因为分簇的随机化方式存在这极大的不确定性。而固定预分簇算法只是按已有顺序规则将用户进行了固定不变的分簇，导致频谱效率不高。另一方面，虽然基于k-means聚类分簇算法的频谱效率要高于其他三个分簇算法，如果随机的选取任意对象作为初始分簇的中心，系统的性能必定会受到一定的影响，但是没有对剩余用户进行迭代分簇，导致得到的分簇结果并不准确。而本发明提出的用户分簇算法的频谱效率明显优于除全数字系统外的所有算法，更加表明了簇首更新选择和对剩余用户迭代分簇的重要性，验证了本文用户分簇算法在消除或减轻用户间干扰的有效性。
[0156]
图5为不同算法的能量效率随snr变化的仿真图，给出了发射天线数量为64时，不同算法在信噪比snr变化下的能量效率，从图5可以看出随机用户分簇算法、全数字系统方案、固定预分簇算法、k-means聚类分簇算法、簇首选择算法以及提出的算法随着信噪比的增加，系统的能量效率也在持续提升，全数字mimo系统要求每一个天线单元都分配一个特定的射频链，能耗较高。本发明提出的自适应簇首更新算法的频谱效率明显优于其他几个算法，验证了本技术用户分簇算法的有效性。
[0157]
图6为不同算法的频谱效率与snr的变化仿真图。左图的用户数k＝8，右图的用户数k＝16。图6给出了不同算法在信噪比snr变化下的频谱效率，因为提出的iwoa智能优化算法是在用户分簇和混合预编码的基础上进行优化的，所以从图中可以看出improved woa算法的频谱效率一直很接近chs算法和提出的用户分簇算法，同样的，全数字系统在图中表现出了最高的频谱效率，并且在snr》15db之后，与其他算法的频谱效率差距也越来越大。而k-means分簇没有考虑到中心用户的预编码设计，导致了阵列增益有所损失，所以频谱效率不高。随机用户分簇算法和固定预分簇算法的频谱效率是最低的，这是因为对于随机分簇算法虽然复杂度低，但无法获得noma方案中的多用户复用增益。将用户数增加至16时，全数字mimo系统方案的性能都是最高的，且相比于k＝8的情况下，与hp架构的分簇算法的性能差距更大，也是由于这时所有rf链都用于服务所有16的个用户，同时能够充分利用复用增益，所以全数字系统的频谱效率远远高于其他几种算法。
[0158]
接着，将信噪比参数设置范围不变，发射天线数量由64增加为256，用户数量为16，系统的频谱效率由纵坐标显示。由仿真图7可以看出发射天线数量增加以后，随机用户分簇算法、全数字系统方案、固定预分簇算法、k-means聚类分簇算法、chs算法、提出的用户分簇算法以及iwoa算法的频谱效率都有了大幅提升。
[0159]
图8为不同算法的能量效率随snr的变化仿真图。图中给出了不同算法在信噪比snr变化下的能量效率图，所提出的improved woa算法的能量效率是最高的，说明improved woa算法在寻找功率分配最优解后，减少了系统的能源消耗，提升了系统的能源利用率。将用户数增加至16时，提出的用户分簇算法相比于k-means聚类分簇算法由原来的优于45％变化为158.3％，其原因是在用户数为16的情况下，用户干扰对k-means聚类分簇算法的影响会变得更严重。将发射天线数增加到256后，能量效率随着不同信噪比的变化如图9所示，各方案的系统能量效率均有所提高。虽然就频谱效率方面而言，提出的iwoa功率分配优化
算法与簇首选择算法的性能比较接近，但是能量效率方面，很明显要优于其他所有算法，这也验证了本技术提出的功率分配优化算法达到了预期节能的目标，与理论上也完全一致。
[0160]
图10为不同算法的频谱效率随用户数的变化仿真图，图中给出了不同算法的频谱效率随用户数的变化，不难发现的是，不同算法的频谱效率随用户数的增加变化情况都有所不同，这是因为用户数量的增加，必然会增加用户间的干扰，不能及时消除用户间干扰的算法也就表现出更差的性能。随着用户数的不断增加，提出的用户分簇算法的优势会进一步扩大，由于分簇结果准确性的提高，用户间干扰大大减轻。
[0161]
图11为不同算法的能量效率随用户数的变化仿真图，为了验证所提出的簇首自适应更新算法在降低系统功耗方面的有效性，图12对比了各种算法的能量效率与用户数量之间的关系，其中天线数为64，用户数为16。图11给出了不同算法的能量效率随用户数的变化情况，显而易见，除全数字系统外几乎各种算法的能量效率都在降低，尽管随着用户数的增加，各种算法的能量效率均有不同程度的下降。但是本文提出的improved woa算法的能量效率下降不明显趋于平缓，且能量效率最高，验证了功率优化带来的优势。随机分簇算法random algorithms的能效很差，原因是不考虑其他约束，仅根据数据的数据速率阈值决定是否将部分用户分簇。
[0162]
图12为不同算法的频谱效率随射频链数量的变化仿真图。图中给出了不同算法在射频链数量变化下的频谱效率，improved woa算法的频谱效率相比其他算法有一定的优越性。图12说明了各种算法的频谱效率与射频链数量的关系，其中snr＝15db，用户数为16，rf链数量范围为从2增加至8。显然，随着rf链数量的增加，提出的用户分簇算法与k-means分簇算法之间的性能差距正在不断缩小。本文提出的用户分簇算法的频谱效率明显优于除全数字系统外的算法，由此可见，通过最小化所选簇首的信道相关性来为每个波束选择簇首。不同波束中的用户将享受低信道相关性，有利于波束间干扰消除，从而带来的系统频谱效率增加的好处，并且所提算法后期能够对剩余用户进行迭代分簇，能够准确的分簇结果，也给了系统频效性能一定的保证。由于所有rf链都用于服务所有用户，同时充分利用复用增益，所以全数字系统的频谱效率远远高于其他几种算法，但是全数字系统在能耗方面所暴露出来的问题也是十分严重的。
[0163]
图13为不同算法的能量效率随射频链数量的变化仿真图。将最大发射功率增加至60mw后，继续对不同射频链数量下的频谱效率进行研究，仿真结果如图13所示。图13给出了snr不变时，不同算法的能量效率随射频链数量的变化，随着射频链数目的不断增加，算法之间的能量效率性能差距正在缩小，因为越来越多的射频链下的全连接结构需要更多的移相器设备，而improved woa算法的能量效率较高，并且虽然在频谱效率方面提出的iwoa算法要略低于簇首自适应选择算法，但是能量效率方面却有了很大的提升，尤其在射频链数量为8时，提出的iwoa算法的能量效率是第三章算法的两倍有余，恰好验证了智能优化算法经过适当的迭代次数后，系统的能量效率快速收敛，进而得到近似的最优能效值和功率分配结果的优越性。
[0164]
最大发射功率增加至60mw后，图13右图中可以看出各种混合预编码器下的mimo-noma系统的算法的能量效率相比于左图都有所下降，射频链路数为8的时候，最大发射功率增加前，iwoa的能量效率为6bps/hz/w,最大发射功率增加到60mw以后，iwoa算法的能量效率降低到了1.4bps/hz/w，这表明只是一味地增加最大发射功率是不节能的，反而会导致系
统的能量效率受损，即使是受到最大发射功率变化的影响，提出的iwoa功率分配算法的能量效率一直是最优的。
[0165]
实施例七
[0166]
本发明实施例七提供一种毫米波大规模mimo-noma系统，包括：控制系统、混合预编码器和大量用户设备；混合预编码器包括数字预编码处理器和模拟预编码处理器，大量用户设备分为不同用户簇；控制系统执行上述毫米波大规模mimo-noma系统的性能提高方法。
[0167]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。