基于用户位置的跟踪预测的有源天线阵列波束优化方法技术

本发明专利技术公开了一种基于用户位置的跟踪预测的有源天线阵列波束优化方法，基于有源天线用户级波束赋形技术，实现移动用户位置的精确预测和跟踪，有效减小了基站到用户之间的信息交互，并采用波束优化算法提升系统的吞吐量性能。本发明专利技术精确实现了用户位置的跟踪和预测，减小了基站到用户之间的信息交互，提高了频谱资源的利用率提高了系统容量和用户的性能，实现了用户较大性能的提升。同时，本发明专利技术基于小区中总吞吐量进行波束优化，提出了优化的波束功率分配算法，提升了系统容量。

【技术实现步骤摘要】
基于用户位置的跟踪预测的有源天线阵列波束优化方法
本专利技术属于无线通信
，尤其涉及一种基于用户位置的跟踪预测的有源天线阵列波束优化方法。
技术介绍
在未来移动通信中，随着移动用户数量的不断增加以及终端数据流量的不断增长，需要在现有的LTE网络中引入新的技术来满足用户的体验。在LTE-A技术后续演进中，有源天线波束赋形技术在3GPP标准中提出，可以提高系统的容量。有源天线系统不仅有水平方向的天线阵元，同时也有垂直方向的天线阵元，每一个天线阵元都有一个独立的射频单元，可以灵活地控制波束的水平和垂直方向。在LTE下行链路物理层标准R10中规定基站最多支持8天线端口，而有源天线3DMIMO技术支持超过8根天线单元。有源天线波束赋形技术分为小区级波束赋形技术和用户级波束赋形技术。在小区级波束赋形技术中，基站采用垂直扇区模型，在该模型中每个扇区都有内外不同的波束分别覆盖扇区中心和扇区边缘区域，不同的波束覆盖的区域中的用户可以进行频率复用，当然需要保证总的功率和是一定的。用户级波束赋形技术，即大规模MIMO技术，其天线单元很多，波束很窄，但是主瓣波束信号强度很大，可以补偿由于路径损耗带来的能量损失，并且用户间由于空域间信号落差很大，可以进行频率复用，极大提高用户的频谱效率。LTE有源天线系统中，在功率优化和下倾角调整方面目前有一定的研究成果：W.Zhang和Y.Wang等人进行3DMIMO中干扰协调的研究，考虑部分联合传输(JT)技术建立多小区多波束的优化模型，从而进行功率、资源块和下倾角的联合优化，提升了小区的频谱效率。Y.Wu和X.Li等人采用基于粒子群算法来进行多小区3DMIMO模型中的功率和下倾角的联合优化。上述文献主要是针对有源天线小区级波束赋形技术进行研究，针对用户级的波束赋形技术，考虑用户的移动性，基站天线需要实现波束对用户的精确对准并实时跟踪，这就需要基站与用户之间进行大量的信息交互。如何实现波束的精确对准，并减小用户之间的信息交互，同时，提升小区中用户的吞吐量是用户级波束赋形技术的关键。
技术实现思路
本专利技术的目的在于提供一种基于用户位置的跟踪预测的有源天线阵列波束优化方法，旨在解决基站天线波束实现对用户位置精确跟踪预测的问题以及用户级的波束功率优化问题。本专利技术可以实现天线波束对用户位置的精确跟踪预测，通过最大化小区的吞吐量，进行波束功率优化，提升了系统的吞吐量。本专利技术是这样实现的，一种基于用户位置的跟踪预测的有源天线阵列波束优化方法，该基于用户位置的跟踪预测的有源天线阵列波束优化方法中基站采用滤波算法，根据用户位置的历史信息，预测用户的位置，基站根据预测到用户的位置信息计算出用户的垂直仰角和水平方位角，预测信息得到的小区吞吐量的值和用户的完全信息得到的吞吐量理论值很接近，在天线阵列实现用户的波束的预测对准后，基于小区吞吐量最大化建立波束功率优化模型；具体的步骤如下：步骤一，确定移动用户的运动模型和测量模型；步骤二，采用滤波算法进行用户的位置的跟踪和预测；步骤三，基站通过预测到的用户的位置信息，计算出每个用户的水平方位角和垂直仰角；步骤四，采用有源天线阵列模型，确定基站到用户的信道增益模型；步骤五，基站的天线波束实现用户的预测对准；步骤六，进行小区中用户功率资源分配；步骤七，通过最大化小区的吞吐量，进行波束功率优化。进一步，在步骤一中，采用近似匀速直线运动状态模型来表示用户的移动情况；采用基站到用户的水平距离的测量值作为移动用户测量模型。进一步，在步骤七中，具体的步骤如下：第一步，计算用户k的干扰定价函数πk：其中，B表示每个用户的带宽资源，Rk,M表示用户k的吞吐量；Ik,M表示用户k受到的干扰总和，包括其余天线波束的干扰和高斯白噪声的干扰之和；θk为第k个波束的下倾角，Gk,M(θk)表示第k个波束到用户k的信道增益；pk,M表示用户k分配到的功率；M是一个固定参量，代表宏基站；第二步，计算出最优的功率分配结果其中，P为基站总的发射功率，Gk′,M(θk′)表示第k′个波束到用户j的信道增益，μ和λk′为拉格朗日乘子；第三步，采用迭代方法求出功率分配的最优解，功率和相应乘子的更新表示如下：λk′(n+1)＝λk′(n)-γ(SINRk′,M(n)-γm)其中，αk′∈(0,1)为功率更新系数，μ(n)和λk′(n)表示第n次迭代中的功率和信噪比迭代的拉格朗日乘子，β和γ分别为拉格朗日乘子的迭代步长，K表示小区中宏用户的数目，SINRk′,M(n)表示第n次迭代中用户k′的信噪比；γm表示用户的最低接入信噪比要求；该基于用户位置的跟踪预测的有源天线阵列波束优化方法的具体步骤如下：步骤一，确定移动用户的运动模型和测量模型；用户在小区中移动，运动状态用当前的位置和速度进行描述：Xk″＝[x(k″),vx(k″),y(k″),vy(k″)]T；上述公式中的k″是tk时刻的简写，(x(k″),y(k″))表示tk时刻用户的位置坐标，vx(k″)和vy(k″)分别表示tk时刻用户在X轴和Y轴的方向的速度；采用近似匀速直线运动模型来用户的移动情况：Xk″+1＝Fk″Xk″+Gk″wk″；其中系数Fk″和Gk″通过如下公式给定：在上述公式中Δtk表示相邻时刻采样时间的间隔，wk″＝[wx,wy]T是均值为0，协方差矩阵为Qw的高斯分布的向量；wx和wy分别表示用户在X轴和Y轴的方向的用户的加速度，wx和wy互不相关，则Qw表示如下：基站高度和用户的高度都不变，用户的移动仅限于水平上的X和Y维度上，简单地考虑2维方向平面，即水平方向上的基站到用户的距离，tk时刻基站与用户之间的水平距离为d(Xk)，则有如下公式：其中，(x0,y0)为基站的水平坐标点，是一个固定坐标值，(x(k″),y(k″))表示tk时刻用户的位置坐标；tk时刻基站到用户的距离的测量值表示如下：上式中zk″表示tk时刻基站的测量值，vk″表示tk时刻基站的噪声测量值；步骤二，采用滤波算法进行用户的位置的跟踪和预测；采用滤波算法基于已有的历史位置信息，进行用户位置的预测，采用扩展卡尔曼滤波算法；wk″和vk″为统计特性已知的相互独立的高斯白噪声序列，均值为零、协方差矩阵分别为Qk″和Rk″Rk；基于扩展卡尔曼滤波的目标跟踪过程描述如下：给定tk时刻状态估计以及相应估计误差协方差阵Pk″，并且假设tk+1时刻基站选择zk″+1作为此时的观测值；tk+1时刻的目标状态估计和相应估计误差协方差矩阵Pk″+1则由下列方程迭代给出：系统状态预测：误差协方差预测：系统状态更新：误差协方差更新：其中，相应的参数εk″+1,Sk″+1,Kk″+1,通过如下公式计算得到：其中，Rk″+1为tk+1时刻测量噪声的方差，εk″+1表示tk+1时刻误差预测值的自相关函数，Kk″+1表示tk+1时刻的增益更新系数，则为tk+1时刻的预测的距离对状态预测的偏导数；步骤三，基站基于预测的用户的位置信息，计算出每个用户的水平方位角和垂直仰角；采用有源天线用户级波束赋形模型，基站针对每个用户都有一个辐射波束，即对每个用户设置一个可调的电子下倾角；用户从一个位置移动另一个位置，基站对用户的波束也会发生变动；基站坐标为原点O(0,0,H)，初始时刻某个用户的位置为A(本文档来自技高网...

【技术保护点】
一种基于用户位置的跟踪预测的有源天线阵列波束优化方法，其特征在于，该基于用户位置的跟踪预测的有源天线阵列波束优化方法中基站采用扩展卡尔曼滤波算法，根据用户位置的历史信息，预测用户的位置，基站根据预测到用户的位置信息计算出用户的垂直仰角和水平方位角，预测信息得到的小区吞吐量的值和用户的完全信息得到的吞吐量理论值很接近，在天线阵列实现用户的波束的预测对准后，基于小区吞吐量最大化建立优化模型；具体的步骤如下：步骤一，确定移动用户的运动模型和测量模型；步骤二，采用滤波算法进行用户的位置的跟踪和预测；步骤三，基站通过预测到的用户的位置信息，计算出每个用户的水平方位角和垂直仰角；步骤四，采用有源天线阵列模型，确定基站到用户的信道增益模型；步骤五，基站的天线波束实现用户的预测对准；步骤六，进行小区中用户功率资源分配；步骤七，通过最大化小区的吞吐量，进行波束功率优化。

【技术特征摘要】
1.一种基于用户位置的跟踪预测的有源天线阵列波束优化方法，其特征在于，该基于用户位置的跟踪预测的有源天线阵列波束优化方法中基站采用扩展卡尔曼滤波算法，根据用户位置的历史信息，预测用户的位置，基站根据预测到用户的位置信息计算出用户的垂直仰角和水平方位角，预测信息得到的小区吞吐量的值和用户的完全信息得到的吞吐量理论值很接近，在天线阵列实现用户的波束的预测对准后，基于小区吞吐量最大化建立优化模型；具体的步骤如下：(1)确定移动用户的运动模型和测量模型；(2)采用滤波算法进行用户的位置的跟踪和预测；(3)基站通过预测到的用户的位置信息，计算出每个用户的水平方位角和垂直仰角；(4)采用有源天线阵列模型，确定基站到用户的信道增益模型；(5)基站的天线波束实现用户的预测对准；(6)进行小区中用户功率资源分配；(7)通过最大化小区的吞吐量，进行波束功率优化；该基于用户位置的跟踪预测的有源天线阵列波束优化方法的具体步骤如下：(1)确定移动用户的运动模型和测量模型；用户在小区中移动，运动状态用当前的位置和速度进行描述：Xk″＝[x(k″),vx(k″),y(k″),vy(k″)]T；上述公式中的k″是tk时刻的简写，(x(k″),y(k″))表示tk时刻用户的位置坐标，vx(k″)和vy(k″)分别表示tk时刻用户在X轴和Y轴的方向的速度；采用近似匀速直线运动模型来用户的移动情况：Xk″+1＝Fk″Xk″+Gk″wk″；其中系数Fk″和Gk″通过如下公式给定：在上述公式中Δtk表示相邻时刻采样时间的间隔，wk″＝[wx,wy]T是均值为0，协方差矩阵为Qw的高斯分布的向量；wx和wy分别表示用户在X轴和Y轴的方向的用户的加速度，wx和wy互不相关，则Qw表示如下：基站高度和用户的高度都不变，用户的移动仅限于水平上的X和Y维度上，简单地考虑2维方向平面，即水平方向上的基站到用户的距离，tk时刻基站与用户之间的水平距离为d(Xk)，则有如下公式：其中，(x0,y0)为基站的水平坐标点，是一个固定坐标值，(x(k″),y(k″))表示tk时刻用户的位置坐标；tk时刻基站到用户的距离的测量值表示如下：上式中zk″表示tk时刻基站的测量值，vk″表示tk时刻基站的噪声测量值；(2)采用滤波算法进行用户的位置的跟踪和预测；采用滤波算法基于已有的历史位置信息，进行用户位置的预测，采用扩展卡尔曼滤波算法；wk″和vk″为统计特性已知的相互独立的高斯白噪声序列，均值为零、协方差矩阵分别为Qk″和Rk″Rk；基于扩展卡尔曼滤波的目标跟踪过程描述如下：给定tk时刻状态估计以及相应估计误差协方差阵Pk″，并且假设tk+1时刻基站选择zk″+1作为此时的观测值；tk+1时刻的目标状态估计和相应估计误差协方差矩阵Pk″+1则由下列方程迭代给出：系统状态预测：误差协方差预测：系统状态更新：误差协方差更新：其中，相应的参数εk″+1,Sk″+1,Kk″+1,通过如下公式计算得到：其中，Rk″+1为tk+1时刻测量噪声的方差，εk″+1表示tk+1时刻误差预测值的自相关函数，Kk″+1表示tk+1时刻的增益更新系数，则为tk+1时刻的预测的距离对状态预测的偏导数；(3)基站基于预测的用户的位置信息，计算出每个用户的水平方位角和垂直仰角；采用有源天线用户级波束赋形模型，基站针对每个用户都有一个辐射波束，即对每个用户设置一个可调的电子下倾角；用户从一个位置移动另一个位置，基站对用户的波束也会发生变动；基站坐标为原点O(0,0,H)，初始时刻某个用户的位置为A(x1,y1,z1)，垂直仰角和水平方位角为一段时间后，用户移动到位置B(x2,y2,z1)，此时用户的垂直仰角和水平方位角为基于用户的位置信息，用户的水平方向角和垂直仰角通过下面的公式求出：

【专利技术属性】
技术研发人员：杨清海，杨遵立，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61