论文部分内容阅读
随着经济和社会的发展人们对无线通信网络的容量需求不断增加,各种提高频谱效率的技术被广泛应用。这些技术在提高系统的吞吐量的同时也造成了严重的干扰问题。例如在同频组网的4G/LTE蜂窝网络中,相邻小区的子载波复用会造成严重的小区间干扰,特别是对于边缘用户影响最大。而传统的干扰协调技术如部分频率复用、软频率复用等基于使干扰源远离接收机设计,虽然可以减小同频干扰的影响,但由于对可用的子载波进行了限制也造成了一定程度的吞吐量的下降。干扰对齐(interference alignment,IA)技术是近年来信息论领域取得的重要进展,它基于信号空间理论,为解决无线干扰网络中的干扰协调问题提供了新思路。本文分别针对认知网络、蜂窝网络和非正交多址(non-orthogonal multiple access,NOMA)等网络深入研究基于干扰对齐的干扰协调技术。论文的主要工作如下:1.针对认知网络中基于用户自由度(数据流)需求反馈的主次用户频谱共享问题,使用干扰对齐技术,提出了一个通用的干扰对齐闭式构造算法,允许主次用户根据各自的需求进行频谱的灵活共享。证明了算法的适用条件;并对可达自由度进行了分析,推导了其下界。仿真结果表明所提出的方法自由度与服务用户占比性能均优于已有算法。2.针对蜂窝下行干扰网络中基于用户速率需求反馈的干扰对齐进行了研究,提出了一种自适应的干扰对齐(adaptive IA,AIA)算法。与已有的迫零干扰对齐(ZF-IA)算法相比,AIA利用了酉矩阵的先验信息,不但减少了运算复杂度和CSI反馈量,且对CSI的有限反馈误差鲁棒。针对基站的和速率优化问题,提出了一种低复杂度的基于盖尔圆的几何功率分配(geometry-based power allocation,GPA)闭式算法。它基于基站发射功率波动范围最小而提出,而和速率性能与注水(water-filling,WF)算法接近,但不需要迭代计算,且有更好的公平性。3.推导了蜂窝下行干扰网络中结合NOMA与IA技术的预编码算法的闭式解。它利用了小区间干扰对齐方向的先验知识,降低了算法的复杂度,可同时消除小区间,簇间和簇内干扰。该方法服务的用户数与已有的干扰信道对齐协作波束成型(interference channel alignment coordinated beamforming,ICA-CBF)NOMA方法相同,但和速率性能更优,且CSI反馈量更小。此外,本文还提出了一种次优的基于用户速率需求满意度指数的基站功率分配(satisfaction-index based NOMA power allocation,SINPA)算法。这种算法分簇间和簇内两级功率调度,不需要迭代运算,复杂度低。我们还证明了该算法就簇内功率分配而言是最优的,而总体性能渐近最优。4.提出了一种基于深度学习神经网络(deep neural networks,DNN)的蜂窝网络IA方案。方案中,基站使用DNN通过离线学习理想IA算法进行波束成型预编码矩阵设计。我们在基于Tensorflow+Keras的仿真平台和GTX1060GPU的硬件平台上进行了训练。仿真结果表明,所提出的方案和速率性能接近理想IA的性能。论文所提出的与用户需求反馈相适应的IA算法及功率分配算法都是闭式解构造,复杂度低,易于分析,且均已被仿真结果证明有效。