面向能效优化的MIMO系统参数配置
mimo 功率分配算法
mimo 功率分配算法摘要：一、引言二、MIMO功率分配算法简介1.MIMO系统概述2.功率分配算法的重要性三、MIMO功率分配算法分类1.最大化信道容量算法2.最大化系统吞吐量算法3.节能算法四、常见MIMO功率分配算法详解1.最大信道容量算法实例2.最大系统吞吐量算法实例3.节能算法实例五、算法性能比较与分析1.仿真环境与参数设置2.性能评价指标3.结果分析与讨论六、结论与展望正文：一、引言随着无线通信技术的快速发展，多输入多输出（MIMO）系统已成为第四代移动通信（4G）及其后续版本的关键技术。
在MIMO系统中，多个发射天线和接收天线相互协作，提高系统性能。
功率分配是MIMO系统中至关重要的环节，合理的功率分配算法可以有效提高系统性能、降低功耗。
本文将对MIMO功率分配算法进行综述，分类介绍各类算法，并通过实例分析算法性能。
二、MIMO功率分配算法简介1.MIMO系统概述MIMO系统利用空间多样性实现多路复用，提高信道容量和系统吞吐量。
在MIMO系统中，发送端和接收端各有多个天线，可以分为以下几种配置：天线数量相等、发送端多于接收端、接收端多于发送端以及分布式MIMO。
2.功率分配算法的重要性在MIMO系统中，功率分配算法的作用在于合理地将总功率分配给各个天线，使系统性能达到最优。
功率分配算法需要考虑的因素包括：信道状态信息、传输速率、传输时延、功耗等。
三、MIMO功率分配算法分类1.最大化信道容量算法最大化信道容量算法旨在实现每个天线单元的最大信道容量。
这类算法通常基于最大化独立子信道容量原则，如water-filling 算法、empirical mode decomposition（EMD）算法等。
2.最大化系统吞吐量算法最大化系统吞吐量算法关注整个系统的吞吐量，而非单个天线的信道容量。
这类算法主要包括注水算法、轮询算法等。
3.节能算法节能算法主要针对绿色通信需求，通过降低功耗实现系统性能优化。
深度强化学习驱动下MIMO无线通信系统设计方案解读
深度强化学习驱动下MIMO无线通信系统设计方案解读近年来，随着人工智能的快速发展，深度学习技术在各个领域都取得了重大突破。
在无线通信领域，MIMO（Multiple-Input Multiple-Output，多输入多输出）系统已经成为提高无线通信数据吞吐量和系统性能的一种重要技术。
而结合深度学习的MIMO无线通信系统设计方案，更是在此基础上进一步提升了系统的性能。
深度强化学习是AI领域的一个子领域，通过使用神经网络和强化学习算法，模拟人类学习与决策的过程，能够对大规模的数据进行学习和处理，得出最优策略。
在MIMO无线通信系统设计中，深度强化学习作为一种新的方法，可以优化无线信号的传输效率和系统性能。
首先，深度强化学习可以应用于信道预测和信号检测。
在MIMO系统中，信道状态信息（CSI）是非常重要的，用于评估信号传输质量和优化各种系统参数。
通过深度强化学习，可以根据过去的信道状态信息和系统性能数据，预测未来的信道状态，进而优化系统的传输策略。
此外，利用深度强化学习的方法进行信号检测，可以提高系统的性能和稳定性。
其次，深度强化学习还可以应用于功率控制和资源分配。
在MIMO系统中，正确地控制信号的功率和正确分配资源，是提高系统性能的关键。
通过深度强化学习，系统可以根据当前的网络环境和系统需求，自动调整传输功率和资源分配策略，以达到最佳的性能。
另外，深度学习还可以应用于无线信道建模和自适应传输技术。
无线信道的建模对于系统优化和性能预测非常重要。
通过深度强化学习，可以利用大量的历史数据，构建准确的无线信道模型。
而自适应传输技术则是根据当前的信道条件和系统需求，选择最佳的传输策略。
深度强化学习可以通过学习和优化策略，自动调整传输策略，使系统在不同信道条件下都能取得较好的性能。
总的来说，深度强化学习驱动下的MIMO无线通信系统设计方案可以优化信道预测、信号检测、功率控制、资源分配、无线信道建模和自适应传输技术等多个方面的问题，提高系统的数据吞吐量和性能稳定性。
大规模MIMO系统中能效优化设计
大规模MIMO系统中能效优化设计大规模MIMO（Massive Multiple-Input Multiple-Output）系统是一种新型的无线通信技术，利用具有大量天线的基站和终端设备，在时间和频率上同步地采集和处理信号，通过多天线的空间复用和多用户的干扰消除，显著提高了系统容量和覆盖范围。
大规模MIMO系统由于天线数量的增多，需要更多的能量来支持信号的传输和处理，因此能效优化成为了该系统设计的重要目标之一。
大规模MIMO系统的能效问题主要包括以下几个方面：天线的能效设计。
对于大规模MIMO系统而言，天线的能效直接影响整个系统的能效。
传统的天线设计主要考虑天线的增益和频率响应，但忽视了天线的能效。
在大规模MIMO系统中，需要考虑天线的能效特性，例如待机模式下的能耗和工作模式下的功耗等。
可以采用低功耗的RF芯片、高效的功率放大器和能量回收技术来提高天线的能效。
信号处理的能效设计。
大规模MIMO系统需要处理大量的信号，并进行多用户的干扰消除和波束赋形等操作，因此需要大量的计算资源和能量。
为了提高系统的能效，可以采用并行计算和能效优化的算法设计，减少计算的复杂度和能耗。
还可以采用低功耗的数字信号处理器和高效的算法实现来降低信号处理的能耗。
功率控制的能效优化。
大规模MIMO系统中，多个天线同时发射信号，可能导致功率的浪费和干扰的增加。
需要设计一种功率控制策略来合理地分配发射功率，以达到最大化系统容量和最小化功耗的目标。
可以采用功率控制算法来实现动态功率调整，根据信道状态和用户需求来调整发射功率，以提高系统的能效。
能量回收和能量管理的设计。
大规模MIMO系统中，存在很多能量的浪费现象，例如天线的辐射损耗和信号的散射损耗。
为了提高系统的能效，可以设计能量回收的机制，将部分能量重新利用，减少能量的浪费。
还可以采用能量管理的策略，根据系统负载和能量供应的情况，合理地调度和分配能量资源，以提高系统的能效。
大规模MIMO系统中的能效优化设计是一个复杂且重要的问题。
MIMO技术介绍
空间分集技术
空间分集技术原理
空间分集技术是一种利用多个天线在不同空间位置上传输相同数据流的技术。 通过增加天线数量，降低多径衰落的影响，提高信号质量和可靠性。
空间分集技术应用场景
广泛应用于无线通信系统，如4G、5G等，以及Wi-Fi、蓝牙等短距离无线通信 技术。
最大比合并技术
最大比合并技术原理
最大比合并技术是一种利用多个天线在同一频段上传输相同数据流的技术。通过 加权合并各个天线上接收到的信号，最大化合并比，从而提高信号强度和信噪比 。
最大比合并技术应用场景
广泛应用于无线通信系统，如4G、5G等，以及Wi-Fi、蓝牙等短距离无线通信技 术。
等效基带处理技术
等效基带处理技术原理
等效基带处理技术是一种将MIMO信道转换为等效基带信号进行处理的技术。通过基带处理实现信号的调制解调 、编码解码等操作，从而降低系统复杂度和成本。
等效基带处理技术应用场景
频谱效率
MIMO技术通过空间复用和空间分集等技术，提高频谱利用效率，从而在有限的频谱资源中实现更高 的数据传输速率。通过在多个天线之间进行信号的并行传输，可以增加数据传输的并行度，提高频谱 效率。
MIMO系统的误码率性能
误码率性能
在MIMO系统中，通过增加天线数量和采用 复杂的信号处理技术，可以显著降低误码率 ，提高数据传输的可靠性。例如，通过采用 空间调制、空时编码等技术，可以在一定程 度上抵消多径效应和干扰，从而降低误码率 。
02
MIMO技术原理及实现
空间复用技术
空间复用技术原理
空间复用技术是一种利用多个天线在同 一频段上传输不同数据流的技术。通过 增加天线数量，提高空间分辨率和频谱 效率，从而提升系统容量和数据传输速 率。
大规模MIMO系统中能效优化设计
大规模MIMO系统中能效优化设计1. 引言1.1 研究背景大规模MIMO系统是一种利用大量天线的多输入多输出系统，能够显著提高通信系统的容量和覆盖范围。
随着移动通信技术的不断发展，大规模MIMO系统已经逐渐成为下一代通信系统的重要技术之一。
在实际应用中，大规模MIMO系统面临着能效优化的挑战，即如何在保证通信质量的前提下最大限度地降低功耗和提高能效。
为了解决大规模MIMO系统能效优化的问题，研究者们提出了各种不同的方法和算法。
基于功率控制的能效优化设计和基于天线选择的能效优化设计是两种常见的方法。
通过合理地调整功率分配和天线选择策略，可以实现系统在保证通信质量的情况下最大限度地提高能效，从而降低系统的功耗和成本。
在当前的研究中，大规模MIMO系统的能效优化设计已取得了一定的进展，但仍然存在许多问题和挑战。
未来的研究可以进一步探索更加高效的能效优化算法，以进一步提高大规模MIMO系统的性能和能效。
随着技术的不断发展，相信大规模MIMO系统在未来会有更广泛的应用和发展。
1.2 研究意义大规模MIMO系统中的能效优化设计是当前无线通信领域的热点研究话题。
随着通信技术的不断发展和移动通信用户量的急剧增加，能效优化设计对于提高通信系统的性能和降低能源消耗具有重要意义。
大规模MIMO系统可以利用大量的天线进行数据传输，实现更高的频谱效率和容量。
但随着天线数目的增加，系统的能耗也会相应增加，这就提出了如何在保证通信性能的同时提高系统能效的挑战。
能效优化设计不仅可以降低系统的能源消耗，还可以减轻对环境的影响，符合绿色通信的理念。
能效优化设计还可以提高通信系统的可靠性和稳定性，提升用户体验，为未来5G和6G通信系统的部署和发展提供有力支持。
研究大规模MIMO系统中的能效优化设计具有重要意义，可以为通信系统的性能提升、资源利用、节能环保等方面带来积极影响，对推动通信技术的进步和社会经济的发展具有重要意义。
【研究意义】2. 正文2.1 大规模MIMO系统概述大规模MIMO系统即大规模多输入多输出系统，是一种利用大量基站天线和用户设备间的信号级联来提高数据传输效率和频谱利用率的技术。
大规模MIMO系统中能效优化设计
大规模MIMO系统中能效优化设计全文共四篇示例，供读者参考第一篇示例：大规模MIMO系统中能效优化设计大规模MIMO系统中，天线数目很大，每个天线都需要有独立的射频前端和数字处理单元来支持。
由于天线数目巨大，传统的通信系统能效设计难以满足大规模MIMO系统的需求。
在大规模MIMO系统中，由于天线数目的增加，系统的功耗也会随之增加，导致系统的整体能效不佳。
传统小规模MIMO系统中，通信系统的功耗主要由RF链路和数字信号处理链路组成。
而在大规模MIMO系统中，由于天线数目庞大，系统的功耗主要集中在射频链路上。
在大规模MIMO系统中，射频链路的能效优化成为了一个至关重要的问题。
为了解决大规模MIMO系统能效问题，研究者们提出了一系列的能效优化设计方案。
下面对几种常见的大规模MIMO系统能效优化设计方案进行介绍：1. 天线选择和布局优化在大规模MIMO系统中，合理的天线选择和布局对系统的能效有着重要的影响。
对于室外环境，天线的高度和间距是影响系统能效的重要因素。
在室内环境，天线的数量和位置也会影响系统的能效。
在设计大规模MIMO系统时，需要充分考虑天线的选择和布局，以优化系统的能效。
2. 射频链路能效优化大规模MIMO系统中，射频链路是整个系统功耗的重要组成部分。
对射频链路的能效进行优化是提高大规模MIMO系统能效的关键。
当前，一种常见的射频链路能效优化方法是采用混合变流器和高效功率放大器。
通过采用混合变流器可以减小天线前端的功耗，而高效功率放大器可以提高射频链路的能效。
3. 智能信号处理算法在大规模MIMO系统中，信号处理算法的选择也对系统的能效有着重要的影响。
当前，研究者们提出了很多智能信号处理算法来提高系统的能效。
通过采用智能波束赋形技术可以提高系统的频谱利用率，从而提高系统的能效。
研究者们还提出了许多智能信号检测算法来优化系统的能效。
4. 能源管理和功率控制在大规模MIMO系统中，合理的能源管理和功率控制策略对提高系统能效至关重要。
大规模MIMO系统中能效优化设计
大规模MIMO系统中能效优化设计大规模多输入多输出（MIMO）系统是一种以提高通信系统容量和频谱效率为目标的无线通信技术。
与传统的单天线系统相比，MIMO系统利用多个天线进行数据传输和接收，可以同时发送和接收多个信号，在同样的频带宽度下提供更高的数据传输速率和更可靠的通信。
由于MIMO系统需要更多的能量来支持多个天线和复杂的信号处理算法，能效成为了一个关键问题。
能效优化是指在确保通信系统性能的前提下，最大限度地减少系统能耗。
在大规模MIMO系统中，有以下几个主要的能效优化设计技术。
天线选择和切换技术是提高MIMO系统能效的重要手段。
传统的MIMO系统采用固定的天线选择和切换策略，但这会导致天线间的干扰和能耗不均衡。
研究人员提出了一些自适应的天线选择和切换算法，根据当前通信环境和系统要求选择最佳的天线组合。
功率控制技术是提高MIMO系统能效的另一个重要手段。
在传统的MIMO系统中，所有天线的功率水平是相同的，但在实际应用中，一些天线可能会接收到更强的信号，因此可以降低其功率水平，以降低系统能耗。
功率控制算法可以根据信道状态信息和用户需求动态调整天线的功率水平，以实现能效优化。
信号处理算法的优化也可以提高MIMO系统的能效。
传统的MIMO系统中，使用复杂的信号处理算法来提高系统的容量和可靠性，但这会增加系统的计算和存储开销，导致能耗增加。
研究人员提出了一些优化的信号处理算法，通过减少计算和存储开销来降低系统能耗。
能量收集和能量传输技术也可以提高MIMO系统的能效。
传统的MIMO系统主要依靠外部供电，但这会增加系统的能耗。
能量收集技术可以利用环境中的能量源（如太阳能、热能等）为系统提供能量，以减少外部供电的依赖。
能量传输技术可以通过无线电波将能量传输到设备中，以减少设备的电池消耗。
大规模MIMO系统中能效优化设计是一个复杂而关键的问题。
通过合理选择和切换天线，优化功率控制，优化信号处理算法以及利用能量收集和能量传输技术，可以提高MIMO系统的能效。
大规模MIMO系统中能效优化设计
大规模MIMO系统中能效优化设计【摘要】大规模MIMO系统能效优化设计是当前无线通信领域的研究热点之一。
本文从功率控制方法、天线选择策略、信道估计技术、接收机设计以及能效与传输速率的平衡等方面进行深入探讨。
通过综合分析现有研究成果，可以发现在大规模MIMO系统中，如何有效地提高系统能效是至关重要的。
未来，需要进一步研究如何优化功率控制策略，选择合适的天线配置方案，改进信道估计技术，设计更高效的接收机结构，并在能效与传输速率之间找到平衡点，以推动大规模MIMO系统的能效优化发展。
希望本文的研究可以为未来大规模MIMO系统的能效优化提供一定的参考和启发。
【关键词】大规模MIMO系统, 能效优化, 功率控制, 天线选择, 信道估计,接收机设计, 传输速率, 平衡, 发展方向。
1. 引言1.1 大规模MIMO系统中能效优化设计大规模MIMO系统是指利用大量天线进行数据传输的系统，能够提高系统的容量和覆盖范围。
能效优化设计是指在保证系统性能的前提下，尽可能减少系统的能耗，提高能量利用效率。
大规模MIMO系统中能效优化设计成为研究的热点之一，旨在减少系统的功耗，并提高系统的性能表现。
在当前研究中，功率控制方法被广泛应用于大规模MIMO系统中，通过动态调整每个天线的发射功率，以实现能量的最优利用。
天线选择策略也是影响系统能效的重要因素，如何选择合适的天线配置方案，可以有效提高系统的能效。
信道估计技术和接收机设计也对大规模MIMO系统中的能效起着至关重要的作用。
通过精准的信道估计和设计高效的接收机结构，可以在保证系统性能的进一步提高系统的能效。
大规模MIMO系统中能效与传输速率的平衡也是一个需要解决的问题。
如何在系统传输速率与能效之间找到最佳的平衡点，是当前研究的一个重要方向。
通过对以上内容的研究和探讨，可以为大规模MIMO系统中能效优化设计提供更深入的理解和指导，推动该领域的发展和进步。
2. 正文2.1 功率控制方法的研究功率控制方法在大规模MIMO系统中扮演着至关重要的角色。
多用户大规模MIMO系统能效资源分配算法
多用户大规模MIMO系统能效资源分配算法佚名【摘要】该文针对多用户大规模多输入多输出(MIMO)移动通信上行系统，提出一种基于能效优化的资源分配算法。
所提方法在采用最大比合并(MRC)接收情况下，满足用户数据速率和可容忍的干扰水平约束条件下，以最大化系统能效下界为准则建立优化模型。
根据分数规划的性质，把原始的分数最优化问题转换成减式的形式，进而采用凸优化的方法，通过联合调整基站端的发射天线数和用户的发射功率来优化能效函数。
仿真结果表明，所提算法与穷举算法在能效上的差距不足9%，并且有较好的系统频谱效率性能，同时算法复杂度得到了显著降低。
%An energy-efficient resource allocation scheme is proposed for multi-user massive MIMO mobile communication uplink system. A mathematical formulationof optimization issue is provided with the objective of maximizing system energy efficiency lower bound under the data rate of user and tolerable interference level constraint, meanwhile the Base Station (BS) uses a Maximum-Ratio Combining (MRC) receiver. By transforming the originally fractional optimization problem into an equivalent subtractive form using the properties of fractional programming, then convex optimization is adopted to maximize the energy efficiency. Specifically, both the numbers of antenna arrays at the BS and the transmit data rate at the user are adjusted. Simulation results show that the energy-efficiency difference between the proposed algorithm and the exhaustive algorithm is less than 9%, at the same time, the performance of spectral-efficiency of the proposed algorithm is very well and the complexity is significantly reduced.【期刊名称】《电子与信息学报》【年(卷),期】2015(000)009【总页数】6页(P2198-2203)【关键词】无线通信;大规模多输入多输出;多用户;资源分配;上行系统;能效【正文语种】中文【中图分类】TN921 引言随着无线通信设备的能量消耗急剧增加和对全球变暖问题的高度关注，绿色通信逐渐成为一种趋势。
大规模MIMO系统中能效优化设计
大规模MIMO系统中能效优化设计大规模MIMO系统是未来5G和6G通信技术的关键组成部分，它可以利用大量的天线和信号处理技术来提高系统的容量和覆盖范围。
由于大规模MIMO系统的复杂性和功耗较高的特点，能效优化设计成为系统设计和性能优化的重要问题。
本文将主要讨论大规模MIMO系统中的能效优化设计问题，并探讨当前的研究进展和未来的发展方向。
大规模MIMO系统的能效优化设计涉及到多个方面，包括功耗控制、能源利用效率、信号处理算法等。
功耗控制是大规模MIMO系统能效优化设计的一个重要方面。
由于大规模MIMO系统需要大量的天线和信号处理单元，因此系统的功耗较高。
为了降低系统的功耗，需要采用低功耗的硬件设计和功耗控制算法。
可以采用节能型的天线和功率放大器，以及智能的功耗控制算法，来降低系统的功耗。
能源利用效率是大规模MIMO系统能效优化设计的另一个重要方面。
能源利用效率可以通过改进系统的信号处理算法和天线设计来提高。
可以采用多用户MIMO技术和波束赋形技术来提高系统的频谱效率和能源利用效率。
还可以通过优化天线布局和配置来提高系统的能源利用效率。
信号处理算法也是大规模MIMO系统能效优化设计的关键。
由于大规模MIMO系统需要处理大量的数据和复杂的信号处理算法，因此需要设计高效的信号处理算法和硬件实现。
可以采用压缩感知技术和低复杂度的信号检测算法来降低系统的功耗和计算复杂度。
还可以采用分布式信号处理算法和并行信号处理技术来提高系统的信号处理效率和能效。
在大规模MIMO系统能效优化设计的研究进展方面，目前已经取得了一些进展。
已经提出了一些功耗控制算法和技术，来降低系统的功耗和提高系统的能源利用效率。
还已经提出了一些高效的信号处理算法和硬件实现技术，来提高系统的信号处理效率和能效。
大规模MIMO系统能效优化设计仍然面临一些挑战和问题。
由于大规模MIMO系统的复杂性和功耗较高的特点，如何设计低功耗、高效率的硬件和信号处理算法仍然是一个挑战。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第57卷第9期2017年9月电讯技术Telecommunication EngineeringV〇l.57,N〇.9September,2017d o i:10.3969/j.issn.1001 -893x.2017. 09.010引用格式：刘亚丽，李双志，段海鹏，等.面向能效优化的M I M O系统参数配置[J].电讯技术,2017,57(9):1035-1040.[LIUYali,LIShuangzhi,D U A N Haipeng,et al.Parameter settings of M I M O systems for energy efficiency optimization[J].Telecommunication Engineering,2017,57(9):1035-1040.]面向能效优化的MIMO系统参数配置+刘亚丽\李双志、段海鹏2,穆晓敏* *(1.郑州大学信息工程学院，郑州450001;2.东南大学微电子学院，南京210096)摘要：基于点对点多输入多输出（M I M O)通信系统的张量模型，提出了一种以能效最大化为目标 的传输参数联合优化方法。
首先根据信号矩阵、编码矩阵、信道矩阵构建了接收信号的张量模型和 系统能效模型，然后利用张量平行因子（P A R A F A C)分解的k-秩条件，通过迭代拟合对能效函数所 包含的收发端天线数目、编码长度等传输参数进行联合优化。
仿真结果表明，利用穷尽搜索，可以找 到一组对应系统能效最大化的传输参数组合。
关键词：M I M O系统；系统能效;平行因子分解;参数优化中图分类号:T N919.3 文献标志码：A文章编号：1001-893X(2017)09-1035-06Parameter Settings of MIMO Systems for EnergyEfficiency OptimizationLIU Yali1，LI Shuangzhi1，DUAN Haipeng2，MU Xiaomin1(1.School of Information Engineering，Zhengzhou University，Zhengzhou450001，China；2.School of Integrated Circuits，Southeast University，Nanjing210096，China)A b s t r a c t：B a s e d o n the tensor m o d e l of point-to-point multiple-input multiple-o u t p u t(M I M O)c o m m u n i c ation s y s t e m s，a joint optimization f r a m e w o r k for the transmission parameters is p r o p o s e d to m a x i m i z e the e n e rgy efficiency.Firstly，the tensor m o d e l i n g p r o c e d u r e a n d the s y s t e m ener g y efficiency m o d e l of the received signal are constructed with the signal m a t r i x，c o d i n g matrix a n d c h a n n e l m a t r i x，respectively.T h e n，the k- r a n k condition of the parallel factor(P A R A F A C)d e c o m p o s i t i o n is exploited as the constraints to optimize the transmission parameters including the n u m b e r of transmitting a n t e n n a s，the n u m b e r of receiving a n t e n n a s，a n d the c o d i n g length b y the iterative fitting m e t h o d.Simulation results s h o w that through the exhaustive search s c h e m e，a set of optimal p a r a meters c a n b e f o u n d to m a x i m i z e the e n ergy efficiency of the s y s t e m.K e y w o r d s：M I M O s y s t e m；e n e r g y efficiency;parallel factor(P A R A F A C)d e c o m p o s i t i o n；s y s t e m p a r a m e t e r optimization1引言随着无线通信业务和宽带数据业务需求的不断 增加，现有的无线频谱资源日益紧缺。
在有限频谱 资源下,如何提高频谱利用效率和能源利用效率成为当前无线通信领域的一个研究热点。
大量文献研 究表明，多输入多输出（Multiple Input Multiple O u t-p u t，M I M O)技术能充分挖掘无线空间资源，在提高 系统容量、系统的数据传输速率以及系统的可靠性*收稿日期：2016-11-23;修回日期：2017-05-23 Received date：2016-11-23;Revised date：2017-05-23基金项目：国家自然科学基金资助项目（61271421，61301150，61571401);河南省科技攻关计划项目（152102310067)** 通信作者：iexmmu@ Corresponding author：iexmmu@ •1035 •www . teleonline . cn 电讯技术2017 年优传输参数。
2系统模型2.1系统及信号模型单用户MI M O系统的模型如图1所示，其中Nt 、％分别表示发送端、接收端的天线数目[8]。
发送端与接收端之间的信道矩阵为H 沂C N -x N t ,N 个时 间帧内发送的符号矩阵为S 沂C N x N t ,信道编码矩阵 为Ce CP x N t (P 表示编码长度）。
假定在观测时间内信道矩阵是静止不变的，可以得到发送端在第n(n =l ,2,…，N )个时间帧的发送信号[8]X… = D …(S)CT 沂 C N t XP 。
（1)式中:D n (S )表示对角化操作，即取出矩阵S 的第n 行元素构成N t 维对角矩阵的主对角元素，其他元素 为零。
发送信号经过信道编码后，通过含有噪声的无 线信道，到达接收端。
如果用V n 沂C N r X P 、Y n 沂C N r X P 分别表示在第n (n =1,2,…，N )个时间帧的噪声矩 阵、接收信号矩阵，则接收信号矩阵Y n 与X n 、V n 之 间的关系为Yn =H X n +V n =H D n (S )C T + V n 。
（2)如果没有噪声，接收信号矩阵为Z n =H Dn (S )C T 。
图1单用户M I M O 系统模型 Fig . 1 Single-user M I M O system model2.2P A R A F A C分解模型及其唯一性条件以n ( n = 1 ,2，…，N )为第三维坐标，将二维的接 收信号矩阵Y 1，Y 2，…，Y n 按照正面切片的方式排 列,从而构成三阶张量形式的接收信号Y 沂C N r XPXN。
用同样的方法也可以构建三阶张量形式的噪声信号V 沂 C N r xPxN。
该P A R A F A C 分解模型在第n (n = 1,2,3,…，N ) 个时间帧、第MiP = 1，2,3,…，P )个符号、第〜（〜 = 1,2,3,…，N r )根天线上的接收信号（P A R A F A C 分解的标量形式）为[8]方面存在明显的优势[1]。
M IM O 系统的基站端在使用多根天线进行数据传输时，需要配备与天线数目相同的射频链路。
理 论上,收发端配备的天线数目越多，系统能够获得的 分集增益和复用增益越大，但同时系统的传输功率 和电路功耗也将增加。
因此，可以说无线通信系统 的高传输速率是以高功耗为代价的，功耗已成为M IM O 系统发展中不容忽视的因素[2]。
目前，部分无线通信领域的研究者已就如何进一步提高无线资 源的能量效率，实现高能效的绿色通信展开了深入 讨论。
文献[2]针对给定数量的发送信号,提出了 选择调制解调策略和信号传输策略，通过联合发送 和接收信号以减少系统总功耗。
文献[3 ]考虑了信 道估计对系统频谱效率的影响，研究表明适度使用 大型天线阵列可以提高大规模M IM O 系统上、下行 传输的频谱效率和能量效率。
文献[4]以能效作为 性能指标，在考虑平坦衰落信道的特殊情况之后,给 出了一种链路自适应资源分配算法，并证明了全局 最优链路适应的解决方案和开发迭代算法的存在 性。
文献[5]通过数学推导给出了单用户大规模M IM O 系统能效的闭合表达式，并证明了电路功耗与传输功耗相当时能够找到最佳的天线数目使系统 能效最大;在电路功耗可以忽略时，所有天线同时使 用时系统能效最大。
同时指出，尽管M IM O 技术能 够有效提高系统的吞吐量，但是能量消耗也增加了。
在上述基础上，文献[6]根据能效函数的性质，基于 最大化系统能效原则，同时考虑了大尺度衰落的影 响，提出了一种低复杂度的迭代算法，并证明了全局 最优速率分配及天线数目的存在性和唯一性。
但以 上文献均未求解出天线数目的最优数值。
文献[7 ]通过理论推导证明了单用户与多用户 大规模M IM O 下行链路中使能效最大的最优天线 数目的存在性和唯一性，并给出了其近似闭式解，同 时验证了天线选择技术在提高系统性能方面的有效 性,但是没有考虑天线选择技术、系统功耗与用户数 目之间的联合优化问题。
因此，本文针对单用户M IM O 系统,在改进的系统功耗模型中考虑了系统传输功率及电路功耗，提出了一种以能效最大化为 目标对传输参数进行联合优化的方法。
该方法利用平行因子（Parallel Factor ，P A R A FA C )分解的 k -秩 条件，对能效函数所包含的收发端天线数目、编码长 度等传输参数配置进行最优搜索。