RIS辅助的无蜂窝大规模MIMO关键技术研究.pdf

“RIS辅助的通感一体化”专题1 1RIS辅助的无蜂窝大规模MIMO关键技术研究张德坤1 2，白宝明1（1.西安电子科技大学空天地一体化综合业务网全国重点实验室，陕西西安7 1 0 0 7 1；2.中兴通讯股份有限公司西安研发中心，陕西西安7 1 0 1 1 1）【摘要】针对密集蜂窝组网干扰受限难题，无蜂窝大规模MIMO利用大规模宏分集，构建以用户为中心的新架构，大规模灵活协作显著提升每个用户性能。同时，无蜂窝辅以智能超表面技术，以低成本和低功耗极大提升网络容量。聚焦研究了RIS辅助的无蜂窝大规模MIMO天线校准和导频分配两个关键问题。针对大规模RAU校准难题，首先在最低校准信噪比和校准相干时间约束下，提出动态分簇的可自愈校准拓扑构建方法，然后为降低校准时域开销，设计了RAU簇内和簇间校准时序，研究了可扩展的天线校准算法，能实现任意多RAU联合相位校准。针对导频分配问题，首先提出基于空间高相关性的用户动态簇的构建新方法，然后提出用户簇内基于信道相关性最低和用户簇间最小复用概率的导频分配方法。仿真结果表明，提出的校准算法具有较小的校准误差和较好的扩展性。同时，提出的导频分配算法性能可逼近最大化容量导频分配算法，且复杂度大幅降低。【关键词】无蜂窝大规模MIMO；分簇拓扑构建；互易性校准；用户动态簇；导频分配doi:10.3969/j.issn.1006-1010.20240114-0001中图分类号：TN929.5文献标志码：A文章编号：1 0 0 6-1 0 1 0(2 0 2 4)0 4-0 0 1 8-0 9引用格式：张德坤,白宝明.RIS辅助的无蜂窝大规模MIMO关键技术研究 .移动通信,2 0 2 4,48(4)：1 8-2 6.ZHANG Dekun,BAI Baoming.Study on Key Techniques for RIS-aided Cell Free Massive MIMO SystemsJ.Mobile Communications,2024,48(4):18-26.OSID:扫描二维码与作者交流Study on Key Techniques for RIS-aided Cell Free Massive MIMO SystemsZHANG Dekun-,BAI Baoming(1.State Key Laboratory of Integrated Services Networks,Xidian University,Xian 710071,China;2.ZTE Corporation Xian R&D Center,Xian 7101ll,China)AbstractKeywordsTo address the interference-limited problem in dense cellular networks,cell-free massive MIMO leverages large-scalemacro-diversity to construct a novel user-centric architecture,which significantly improves the performance of eachuser through large-scale flexible collaboration.Simultaneously,cell-free is complemented by reconfigurable intelligentsurface to greatly enhance network capacity at low cost and low power consumption.This paper focuses on two keyissues of antenna calibration and pilot allocation for RIS-aided cell-free massive MIMO.For the problem of large-scaleRAU calibration,firstly,under the constraints of minimum calibration signal-to-noise ratio and calibration coherencetime,a clustering-based self-healing calibration topology construction method is proposed.Then,to reduce the time costof calibration,the intra-cluster and inter-cluster calibration timing is designed,and an extensible antenna calibrationalgorithm is studied,which can achieve joint phase calibration of an arbitrary number of RAUs.For the problem of pilotallocation,a new method for constructing dynamic user clusters based on spatial high correlation is proposed firstly.Then,a pilot allocation method is proposed based on the minimum channel correlation within user clusters and the minimummultiplexing probability among user clusters.The simulation results show that the proposed calibration algorithm hasa small calibration error and good scalability.Moreover,the proposed pilot allocation algorithm closely approaches theperformance of the maximum capacity pilot allocation algorithm,and its complexity is significantly reduced.cell-free massive multiple-input multiple-output;clustering topology construction;reciprocity calibration;dynamicusercluster;pilotallocation收稿日期：2 0 2 4-0 1-1 4*基金项目：国家重点研发计划项目“面向未来无线通信信息处理若干关键问题的数学理论和方法”（2 0 2 1 YFA000500）18移动通信2024年4月第4期第48 卷总第52 4期张德坤，白宝明：RIS辅助的无蜂窝大规模MIMO关键技术研究移动通信0引言随着移动通信的飞速发展，蜂窝组网越来越密集，已有的干扰管理技术无法有效抑制小区间同频干扰，导致边缘用户体验急剧恶化。美国纽约大学的ThomasL.Marzetta教授和瑞典林雪平大学的ErikG.Larsson教授于2 0 1 7 年共同提出的无蜂窝大规模MIMO技术，能够很好地解决上述小区间干扰问题，提升每个用户的体验速率。与传统以基站为中心的蜂窝网集中式大规模MIMO不同，无蜂窝大规模MIMO技术采用了“以用户为中心”的网络架构 2 ，本质是一种分布式天线系统。通过部署大量分布式远端天线单元（RAU，Re m o t e A n t e n n a U n i t）带来的大规模宏分集，提升用户信噪比，并通过大量RAU间协作来充分消除用户之间干扰，从而获得比集中式大规模MIMO更高的网络容量。目前学术界和工业界均把无蜂窝大规模MIMO列为未来6 G关键技术之一。尽管无蜂窝大规模MIMO技术具有明显优势，但部署大量分布式RAU意味着更高的系统成本和功耗，这一问题在网络容量比5G提高几个量级的未来6 G网络中将更为突出。近年来非常火热的智能超表面（RIS，Re c o n f i g u r a b l eIntelligent Surface）技术可以很好地解决该问题 3。基于此，部分学者提出了RIS辅助的无蜂窝大规模MIMO技术 ，用低成本、低功耗的RIS取代无蜂窝网络中的部分RAU，从而很好地解决了无蜂窝网络的成本和功耗问题。因此RIS辅助的无蜂窝大规模MIMO将会成为未来6G无线网络中的高潜商用解决方案。目前无蜂窝大规模MIMO相关研究主要集中在以下几方面：信道估计方面，文献 5 聚集信道估计，考虑延迟扩展差对无蜂窝大规模MIMO信道估计精度的影响，提出了一种联合使用信道状态信息参考信号和解调参考信号的下行信道估计方法，结果表明优化的下行信道估计可以得到准确的多RB频域信道参数。文献 6 针对无蜂窝多用户MIMO系统提出了一种联合信道估计和数据检测算法，该算法减少了由数百个同时存在的信道导致的信道训练开销。导频分配和功率控制，文献7 提出基于最大化可达速率的无蜂窝导频分配和功率控制算法，但该算法实现复杂度非常高。文献 8 提出基于用户位置的导频分配方案，简单但导频污染依旧较高。预编码设计，文献 9 考虑回程功耗和不完美信道状态信息的情况下最大化无蜂窝大规模MIMO的能量效率为目标，提出了一种基于功率控制的ZF（Ze r o Fo r c i n g）预编码方案。文献 1 0 详细分析了ZF预编码在非完美信道下的性能，主要说明通过前传交换瞬时信道状态信息，会导致相当大的前传和处理延迟，从而降低性能。该文献不仅考虑了用户移动性的老化效应，还考虑了相位噪声的老化效应。文献 1 1 提出了两种分布式预编码方案，分别为局部ZF预编码和局部保护性ZF预编码，通过在干扰消除和增强所需信号，无需额外的前向传输开销。在瑞利衰落信道的假设下推导出可实现SE的封闭形式表达式。结果表明局部ZF预编码和局部保护性ZF预编码的性能显著优于最大比传输和传统ZF预编码。可扩展网络，文献 1 2 利用网络MIMO中的动态协作集群概念，为可扩展的无蜂窝大规模MIMO系统提出了一个新框架。文献 1 3 提出了一种用于无蜂窝MIMO的结构化大规模接入的新框架，并推导出分布式系统频谱效率新的闭合表达式。结果表明新框架在使用局部最小均方误差和最大比组合时提升了系统频谱效率。文献 1 4 考虑了加性和乘性损伤的通用模型，详细分析了硬件损伤对可扩展无蜂窝大规模MIMO系统的影响。除此之外，极少量文献也研究了无蜂窝大规模MIMO系统的校准方法，其中文献 1 5 针对无蜂窝系统多个RRU的校准问题，提出了一种基于遗传算法将RAU分为两组方法，然后利用平均Argosll6校准算法实现，该方法无法实现校正拓扑自愈。文献 1 7 提出了一种基于生成树模型的低成本校准方法，建立校准树来计算校准系数，其校准时域开销大，依赖主RAU的选择。高精度的互易性校准是无蜂窝大规模MIMO系统良好传输性能的基础。传统集中式大规模MIMO系统利用耦合电路能够非常容易实现互易性校准，但无蜂窝大规模MIMO系统，由于RAU与RAU之间、RAU与UE之间在空间上均是独立的，无法直接进行拉齐所有RAU的相位。因此需要考虑设计高精度、低时延且复杂度较低的分布式RAU间通道校准方法，从而保证无蜂窝大规模MIMO系统性能。另外，无蜂窝大规模MIMO用户数量和RAU数量均规模很大，导致全空间信道状态矩阵维数非常大。当前文献已有的导频分配策略，复杂度和性能无法很好地兼容，且可扩展性弱。针对上述难题，本文充分利用分布式网络的空域系数特性，提出基于分簇思想实现降低信道矩阵维度，进而降低系统整体处理复杂度的解决方案。本文研究了RIS辅助的无蜂窝大规模MIMO两个关键问题：无蜂窝大规模RAU天线校准难题，首先在最低校准信噪比和校准相干时间约束下，提出的基于分簇可自愈校准拓扑构建方法；然后为降低校准时域开销，设计了簇内和簇间校准时序，研究了可扩展的天线校准算法，能实现任意多RAU联合相位校准。针对导频分配问题，首先提出基192024年4月第4期第48 卷“RIS辅助的通感一体化”专题总第52 4期(2)于空间高相关性的用户动态簇的构建新方法；然后提出用户簇内信基于道相关性最低和用户簇间最小复用概率的导频分配方法。本文提出两个关键解决方案在通用场景下都具有良好的扩展性和性能增益。1RIS辅助的无蜂窝大规模MIMO系统模型本文以RIS辅助的无蜂窝大规模MIMO为系统框架 4，即在无蜂窝大规模MIMO基础上，将网络中部分RAU替换为RIS，降低成本和功耗。与此同时，利用RIS能够更好地控制用户到RAU之间的空口信道，降低用户之间的干扰，利于导频分配。如图1 所示，无蜂窝大规模MIMO网络中部署多个分布式RAU和RIS协同服务于所有用户，一个中央处理器（CPU,CentralProcessingUnit）用于总体控制和规划，所有RAU与CPU之间通过光缆连接或无线回程连接，所有RIS都由CPU或RAU通过有线或无线方式进行控制。RIS辅助的无蜂窝大规模MIMO获得优异性能的关键是基于RAU或者CPU获得精准的信道状态信息（CSI,Channel State Information）。无蜂窝大规模MIMO通常采用时分双工模式（TDD，T i m e D i v i s i o n D u p l e xMode），可以利用空口信道上下行互易性（前提是RAU之间完成同步和空口校准，这个前提也是本文重点研究的内容之一），通过上行探测信号和信道估计算法获得无蜂窝大规模MIMO瞬时CSI。假设RIS辅助的无蜂窝大规模MIMO网络由B个RAU、R个RIS和K个用户组成，第b个RAU的天线数和第k个用户分别是M和U，同时，假设系统有np个正交的导频(,)。考虑到用户数Kn,，第k个用户分配的导频为第ni的k，以及与第k个用户复用相同导频的用户子集S=(1,K）（部分用户之间需要复用相同正交导频，复用概率和导频污染程度与导频分配算法强相关，这也是本文研究的重点内容之一），对应于第b个RAU接收到的上行探测信号如式（1)所示，之后利用上行探测信号信息，基于信道估计算法获得CSI。(1)其中hb.k表示用户k到第b个RAU的信道响应，Pk0表示第k个用户的发送功率，Z，表示加性高斯白噪声信道。1.1基站侧发送模型K个用户的信元信息被编码并调制成矢量符号s=St,S2,skeCK，其中s,表示用于第k个用户的符号，并且发送符号是归一化功率，即E(ss)=Ik。在下行链路，基于上行探测信号估计的信道hb,进一步计算出预编码矩阵W=Wh.,Wb2,Wb.x=CM*K，将频域信息映射到发射天线，其中Wb,是映射s的预编码向量。因此在第b个RAU上发送的预编码后的数据Xb，表示如下：X,-2Wb.Skk=1通过离散傅立叶逆变换将频域信号x，转换到时域，并添加循环前缀。之后，时域信号被上变频到第b个RAU的M个射频链路，将其发送出去。1.2系统信道模型为了简化信道模型描述，采用图2 的方式进行对RISRIS-1RAU-5RIS-3（）User-kRIS-2RAU-1（）User-jRAU-2RAU-3图1 RIS辅助的无蜂窝大规模MIMO系统模型20移动通信2024年4月第4期RAU-4第48 卷总第52 4期张德坤，白宝明：RIS辅助的无蜂窝大规模MIMO关键技术研究移动通信辅助的无蜂窝大规模MIMO信道模型进行呈现。（）RAU-b图2 RIS辅助的无蜂窝大规模MIMO下行信道模型从图2 可知，从第b个RAU到第k个用户，经过部分RIS的等效通道h可以表示为：Rh=RAU-user link二RAU-RIS-userlink其中，H=CUM表示第b个RAU到第k个用户的频域信道，Gb，CNM表示第b个RAU到第r个RIS的频域信道，Fu=CuN表示第r个RIS到第k个用户的频域信道。Drk表示第k个用户的信号在第r个RIS阵列上的相移键控矩阵，可以通过将入射信号乘以相移矩阵并转发给用户，其表示为：Or,=diag(er,k,e,k,),Vre R,VkeK1.3用户侧信号接收传输信号通过等效信道hb后被用户接收，用户接收到是时域信号，首先被下变频到基带，去除CP和离散傅立叶变换（DFT）之后，最终恢复为频域符号。假设Yb,EC表示由第b个RAU发送后，用户接收的频域信号，基于式(2)和(3)可以得到接收信号的表达式：Yb.k=h.tX,+Zb.kr=1因服务该用户的RAU数目最大为B，因此对于用户k在接收侧最大是B个RAU发送信号的叠加。完整的接收信号yiCu分为两部分：一部分为k用户的有用信号，另一部分为复用相同时频资源的用户带来的干扰，详细表达如下：二b=1i=1RHHL+2OG.Wb.Si+=1k-th UEusefidl ignal其中，Zb,表示均值为0，方差为的高斯白噪声。基于式（6)可知，当B和K，足够大时，运算复杂度和传输压力会非常大，为了降低实现复杂度，需要充分挖掘无蜂窝大规模MIMO网络的空间稀疏特性，研究的校准和导频分配问题均会利用该特性。2无蜂窝大规模MIMO可扩展互易性校准RIS-r方法研究为实现无蜂窝大规模MIMO多RAU相干协作传输，需要协作RAU之间相位互相对齐，因此要求RAU之间/Gb.FHr,kHb,kPr.ki=1R+r.k实现互易性校准。对于分布式部署的RAU之间通道校准，采用校正硬件耦合方式部署成本非常高，空口校准是低User-k成本且可行的方法。当无蜂窝网络中RAU规模较大时，需要研究如何以低复杂度、低开销实现RAU之间高精度校准。无蜂窝大规模MIMO系统最大的特点是具有大尺度衰减的空间稀疏特性，相距较远的RAU之间无法直接实现校准，需要通过多跳的方式实现。本文充分利用其空间稀疏特性，提出RAU分簇可扩展的拓扑校准方案。(3)2.1空口校准关系拓扑寻构建基于分簇思想构建大规模分布式RAU校准拓扑，需满足以下目标：路径寻优，降低级联校准误差；快速重建，故障节点路径更新；亢余测量，提升系数估计精度。（1）分簇构建校准拓扑规则为了使同一簇内任意两个RAU之间的平均信噪比大于一定的阈值，从而保证校准系数的精度，要求划分了(4)同一簇的RAU之间距离小于距离阈值do，根据天线校准精度确定阈值do。由于同一簇内RAU校准时需要依次发送校准信号，而通道校准算法需要利用无线空口信道矩阵的互易性。要求同一簇内的RAU必须在无线信道相干时间内将校准参考信号发送完毕，因此同一簇内的RAU总数不超过设定门限Ba，其中Ba等于信道相干时间与校准信号周期之比。RAU之间的校准信噪比主要与大尺度衰落有关，即(5)RAU之间的相对距离。为了获得更好的基于分簇的校准性能，需要最小化簇内RAU之间的相对距离之和。因此，构建最小化优化问题，具体如下所示：min2dg-li.jess.t.d,do1AS特殊子帧图4簇内校准时序示意图（2）簇间校准时序每个簇进行校准时，满足N*d。的RAU簇间复用相同的校准时隙，且采用正交的校准参考信号，如图5中RAU簇g和簇g+n，RA U 簇k和簇k+m，两组RAU簇满足门限，可以在相同时隙发送正交的校准参考信号A和B。间隔不满足N*d。的RAU簇间采用时分错开，例如RAU簇g和簇k间隔不满足门限，分别在不同的时隙发送校准参考信号。2.3RAU之间的校准算法（1）簇内校准算法详细过程簇内有L个RAU，RA U 依次发送校准信号。则第i个RAU的锚点天线（锚点天线选择对校正有一点影响）与第j个RAU的锚点天线互相发送和接收到的信号为：y,=T,H,R,+nu(8)V=T,H,R+nT其中H,(ij=1.,L)表示第i个RAU与第j个RAU之间的空口信道，且H,=Hi；n;(i j=1.,L)为相应的高斯白噪声。设向量c-(c,c,cL)为以第i个RAU为锚点RAU的校准向量，当信噪比满足时，其元素满足，1=ic=T.H,R,+nT,H,R,+nCPU综合考虑L个校准系数向量，可得最终校正向量c=Zc由此可以求得该RAU簇内第i个RAU与第j个RAU之间的校准系数为：一，1=C1iC5msC发送校正信号R,j#iTRCU接收校正信号(9)(10)22移动通信2024年4月第4期第48 卷总第52 4期张德坤，白宝明：RIS辅助的无蜂窝大规模MIMO关键技术研究簇校正周期5msDD5msDSDDDD5msDSD DD DDSDD校正参考信号A族g校正参考信号B族g+n校正参考信号A校正参考信号B+族k+m族K校正参考信号A簇g校正参考信号B族g+n图5簇间校准时序示意图移动通信类推可获得其他簇内RAU之间校准系数。（2）簇间校准算法相邻簇内RAU之间的校准系数可以通过两个簇的共有RAU间接获得。设网络中第g个RAU与第k个RAU并不在同一个簇内，而第n个RAU同时与这两个RAU在各自簇中，即n个RAU为交叠RAU，则第g个RAU与第k个RAU之间的校准系数通过级联方式可获得，具体如下：Ngk=ngn Nnk,Nkg=nkrnng(11)基于上述校准算法可以实现小区内任意RAU之间的校准。3基于用户动态协作簇的无蜂窝大规模MIMO导频分配方法3.1用户动态簇构建由于RIS辅助的无蜂窝大规模MIMO部署的RAU和RIS数量非常大，如果每个用户均基于完整的RAU和RIS集合进行信道估计和导频分配是非常具有挑战性的。同时，充分考虑到实际网络中用户常庞大的事实，多用户联合预编码的计算依赖导频分配算法决定了其性能。为了降低运算复杂度，需要利用分布式大规模MIMO的空间稀疏性。由于无线信号随着收发之间的距离快速衰减，每个用户实际关联的有效RAU个数非常有限。基于上述考虑，同时受文献 1 8 的启发，本文基于空域稀疏特性优化设计用户动态簇的构建。为了更好地划分用户簇，构建目标可工程化的函数：max元R2d,a)L元d2s.t.d R01其中R表示用户分布区域半径；d表示分簇半径；ccf-=n,l/ln,-i表示用户i的信道相关性；h,表示第i个用户基于距离d构建的有效RAU的信道矩阵，即距离用户i较远的RAU对应的信道元素置0，重构的信道矩阵。通过上述目标函数，为了最大化运算降维，簇越小越好，即d越小越好，极端情况下每个用户一个簇；同时，为了联合赋形增益最大化，且多用户联合干扰消除效果最佳，用户信道相关性越高越好，需要d越大越好，极端情况下所有用户一个簇。因此两个目标是矛盾的，且该问题是非凸问题，无法获得闭合解。对上述问题深入思考，可以采用单一控制变量解决该问题。首先确定用户相关系数ccf,的大小，其直接决定了赋形增益和干扰容忍度，基于此确定d，之后确定用户的分簇数目。一般情况下，归一化信道元素小于-2 5dB信道相关性即可满足要求，基于参考38.90 1 协议传输损耗模型的PL计算由式(1 3)确定d。PL=28+40logio d+20logio f.其中d为用户到RAU的距离，f.为中心频点。（1）用户动态协作簇的构建第一步：基于密度聚类算法DBSCAN进行用户分簇。设置DBSCAN聚类邻域参数-(c,minpoint)，其中minpoint默认设置为1，=d。基于设定的邻域参数，DBSACAN基于用户位置（用户位置可基于感知定位获得）自适应完成用户分簇。第二步：基于K-means算法进行部分簇优化。针对部分用户空间上矩形分散分布场景，DBSCAN聚类后，这部分用户仍属于同一簇，该簇用户数目过大，弱化了hh1-)(13)(12)分簇的价值。为了更合理地分簇，针对簇内用户分布水平或者垂直跨度大于一定门限的用户簇，进一步采用K-means聚类，主要参数(n_clusters，m a x _i t e r)，其中聚类数目n_clusters，基于空间距离d和的比值进行设定；max_iter默认设置即可。基于K-means局部优化232024年4月第4期第48 卷“RIS辅助的通感一体化”专题1总第52 4期后可以确定性获得期望分簇结果，优化后，整体更新用户的分类簇编号。第三步：构建边缘虚拟簇。基于DBSCAN+K-means聚类后，判断相邻用户簇间边缘用户的RAU否有共享。如果有，将共享RAU的用户共同构成边缘虚拟簇，该簇的创建主要是为了辅助原生簇内多用户的导频分配和联合调度性能更优。同时，RIS部署时优先考虑将边缘虚拟簇内的RAU替换为RIS，或者在虚拟簇内新增RIS，通过RIS控制用户无线信道，弱化邻簇间的干扰。第四步：用户RAU归属确定。每个用户利用上行导频信号，获得对应用户簇q内所有RAU信道响应Hu，回传到CPU形成维度为CBgxK4的信道响应矩阵，并对信道矩阵的每列进行信道增益的归一化处理。归一化处理后的信道矩阵，当其元素小于设定的阈值（默认设定-2 5dB），近似对应的信道参数为0。通过上面运算，可以获得每个UE的有效RAU集合（矩阵中包含大量的0 元素，呈现显著稀疏性，整体运算复杂度大幅下降）。每个UE的块矩阵如下：IM,if be Bk其中B,表示第k个用户的有效RAU集合。第五步：用户状态确定。系统连续广播发送多次下行参考信号，每个UE基于收到的连续多次下行参考信号，计算出多普勒频偏，并上报给基站。定义：多普勒频偏大于门限用户，定义为游离用户；多普勒频偏小于门限用户定义为稳态用户。第六步：用户簇的动态更新。针对稳态类用户长周期进行判断更新簇的归属；针对游离类用户，非周期触发判断用户簇的归属：当游离类的用户数目小于一定门限时，可以基于简化欧式距离法，判断每个游离用户与邻近簇中心的欧式距离dg，其小于门限归属该用户簇：da,=(x,-x)+(y,-y,)1/2当游离类的用户数大于门限时，启动DBSCAN+K-means 的簇分类。3.2基于用户动态协作簇的导频分配方法根据5G协议设计的导频序列中扰码的不同，导频一般分为两类：正交导频序列和基于用户无线网络临时标识符（RNTIRadio Network TemporaryIdentifier）加扰的准正交导频序列。比较经典的分布式大规模MIMO系统的导频分配的策略是容量最大化的导频复用方法 1 9,该算法主要思路是每个用户遍历使用当前所有可能的导频组合，并根据式（1 6)和（1 7)计算每种导频组合的系24移动通信2024年4月第4期统和速率，选择和速率最大的导频分配给该用户，其中H是信道矩阵，W是预编码矩阵。该算法时基于贪算法实现，虽然具有较好的性能，但复杂度非常高，不但需要所有用户到所有RAU的大尺度衰落信息，每个用户均要计算系统和速率，需要大量的运算量。Cam-Zlog(1+SINR.)k=lP=ISINRp.综合考虑性能和复杂度，本文提出基于用户动态簇的分级相关排序导频复用策略。算法所需信息和系统参数：用户数K，正交导频数np，用户归属的用户簇Q，以及UE有效RAU集合对应的归一化信道响应hl。假设系统有n，个正交的导频，如果;=9,二者相等，表示用户i和用户使用相同的导频，那么它们之间必然会造成导频污染。导频分配的整体原则：准正交用户簇间导频可以完全复用；基于干扰最小化原则实现簇内导频分配；用户内复用导频尽可能均衡化；用户簇间导频复(14)用尽可能均衡化。（1）预处理工作首先构建相关矩阵。根据归一化信道响应h，利用式(18)计算用户簇内两两用户之间的相关系数。Pk,=i,-nbk.之后多用户相关系数构建簇内相关矩阵，如式(1 9)所示，并设置相似阈值来判决用户之间的相似度是否可被忽略，即用户之间信道是否准正交（即矩阵中的部分元素pi为0）。1 Pl,2 Pl.31P2.3P2.K,-11Ps.K,-1i.=(15)其中，K。表示第q个动态用户簇中的用户数，且满足K,K。基于上述矩阵信息，对簇内的相关矩阵元素排序，将用户簇q内相关矩阵中的非1 和非0 元素，按照从大到小的顺序进行排序。（2）簇内用户导频分配详细算法本文提出的基于用户动态簇的导频复用算法能够最小化导频污染，同时极大降低复杂性，详细的导频分配算法如下所示：(16)1(17)k.：Pi.K,-1Pi.KaP2.KPs.Kg.：1PK-1.K,1(18)(19)第48 卷总第52 4期张德坤，白宝明：RIS辅助的无蜂窝大规模MIMO关键技术研究算法：基于用户动态协作簇的导频复用算法for用户簇从q=1 to,doIf第q个用户簇内的用户数K,np簇内全部用户能够进行正交导频分配，且选择分配次数最少的K。个正交导频。elsefor第q个用户簇内的用户k=ltoKg，d oIfknp第k个用户分配正交导频，且选择分配次数最少的K个正交导频。else基于相关性进行导频分配。If相关矩阵第k行元素小于相关性门限第k个用户选择与第k行中最小相关元素对应的用户复用的导频。else第k个用户选择复用次数最低的导频；或使用基于用户RNTI伪随机码加扰的准正交导频。end ifend ifendfor对正交导频复用次数迭代统计；对未分配的用户簇，优先分配复用频度低的导频。end ifend for该方案能够实现相邻用户簇之间尽量选择复用次数最少的导频进行分配。当用户数量超过阈值或导频重用次数超过阈值时，准正交导频策略是最优的。基于上述策略能够实现正交导频的复用次数最小化。同时，利用相关性矩阵和干扰最小化原理来实现虚拟簇内的导频分配。3.3复杂度分析由于无线信号随着RAU和用户之间的距离快速衰减，每个用户实际关联的有效RAU个数非常有限。首先，本文充分需要利用分布式大规模MIMO的该空间稀疏性，构建了用户动态簇，簇间大尺度缓变，簇内小尺度变化快，这样主要的运算以簇内为主，无需全遍历分配正交导频，极大地降低了存储和运算的复杂度。其次，由于在用户簇划分过程中充分考虑了不同用户簇用户之间的空间低相关性特点，因此可以直接在用户簇之间分配正交导频，这样用户簇间无需交互信息，进一步降低复杂度。最后，簇内在用户数大于正交导频数目时，通过选择相关性最低的用户来复用正交导频，大大减少了导频污染的程度。由于一个集群内的用户数量可控，复杂度非常低。因此，本文提出的基于用户动态协作簇导频分配算法与现有文献相比，在保证性能的前提下，整体复杂性显著降低。4仿真分析本文仿真评估校正算法和导频分配算法，详细的仿真参数，如表1 所示：表1 仿真参数配置参数名取值RAU数目128用户数目128信道模型CDL-A频点4.9 GHz区域长度10 000 m大尺度衰落模型PL=28+40logio d+20logio f.正交导频数目2 4 6 8 12 16 20 24 30 36 42 64 724.1校准算法性能评估及分析将1 2 8 个RAU随机分布在仿真条件对应的区域范围内，基于不同的校正拓扑和总体最小二乘（TLS,Total LeastSquare）校正算法，实现RAU之间的相位校准。本文主要评估了每个RAU基于校准算法补偿相位后残余的校准相位差。主要对比了参考文献 1 5 中的交错分组拓扑，随机分组拓扑，和本文提出的分簇拓扑。1 2 8 个RAU校正后与实际残留的相位差绘制为CDF曲线，如图6 所示可知，本文提出的关联分簇拓扑明显优于随机拓扑，同时略优于交错分组法。除此之外，也仿真对比了本文输出的简化锚点通道校正算法，其复杂度较低，基于图6 结果可知，相对TLS算法校准误差增加5度左右，在实际商用过程中可以容忍。10.90.80.70.60.50.40.30.20.100交错分组TLS随机分组TLS族级拓扑TLS簇级拓扑-锚点法510图6 不同校正拓扑的校正绝对误差CDF曲线移动通信2024年4月第4期251520253035校正绝对误差4045第48 卷“RIS辅助的通感一体化”专题总第52 4期4.2导频分配算法评估及分析基于3.1 节可知，用户簇构建的代价函数是距离函数，通过单一控制变量法简化复杂度，设置信道归一化幅度门限为-2 5dB，求解出分簇距离d。利用距离d，对比经典的K-means算法和本文提出的优化算法的聚类效果。评价分簇效果，其维度包括分簇后每个用户基于有效RAU重构信道和全部RAU信道之间的相关性，简称信道相关性；簇内用户之间的相关性，简称簇内相关性；簇间用户相关性，简称簇间相关性。理论预期，信道相关性越高越好，赋形增益损失小；簇内相关性越高说明分簇更集中，利于集中处理；簇间相关性越低越好，利于导频分配和多用户联合调度等算法。如图7 所示，在区域内部署1 2 8 个RAU，32 个用户，基于相关性容忍门限-2 5dB进行蒙特卡洛仿真，结果显示优化分簇算法在三项指标均优于文献 1 8 中提出的K-means分簇算法。尤其是簇间相干性，优化算法低于0.0 5，显著低于传统算法的0.1，为导频分配算法的降维处理提供了良好的基础。10.90.80.70.650.50.40.30.20.1000.10.20.30.40.50.6 0.7 0.8 0.9相关性图7不同分簇算法下三种相关性的CDF曲线从图8 看出，文献 1 9 提出的容量最大化导频复用方法，性能最优，但是需要遍历所有当前可能的导频资源组合，计算系统和速率，选择系统和速率最大的导频组合，复杂度非常高。本文提出的簇间大尺度隔离和簇内相关性排序的导频复用方案，性能逼近容量最大化的导频复用策略，同时复杂度至少降低为容量最大化算法的1/Q=1/5。例如，在用户数K=128、RA U=1 2 8 时，正交导频数为30时，用户平均速率最佳，即便是导频数为8，相对于随机分配，也有2 3%以上的增益。26移动通信2024年4月第4期4(ZH/sdg)率唑研由母3.532.521.510图：导频分配算法的性能（用户数目1 2 8，RAU数目1 2 8）5结束语无蜂窝大规模MIMO技术是打破传统蜂窝结构、实现分布式大规模协作的有效途径，能够有效解决蜂窝网场景边缘用户体验差的问题。该架构的基本理论继承于分布式MIMO，已被广泛证明有显著的性能增益，并且基于RIS辅助能够极大地降低能耗，故RIS辅助的无蜂窝将在6 G系统发挥重要的作用。高精度、低复杂度的空口校准方案是支撑无蜂窝大规模MIMO协作传输的关键，本文针对该问题拆解为校准拓扑、校准时序和校准算法三个子问题进行研究，Kmeans-信道相关性优化分簇-信道相关性Kmeans-族内相关性优化分族-族内相关性Kmeans-族间相关性优化分簇-簇间相关性一容量最大化算法簇级相关性最小化算法日一随机分配算法1020考虑到RAU的故障和新部署情况，设计了自适应分簇校准拓扑构建方法，为了降低校准开销，设计了巧妙的校准时序，实验效果表明本文提出校正算法的有效性和鲁棒性。同时，针对无蜂窝MIMO的导频分配难题也进行了详细研究，充分利用大尺度空间稀疏性，提出构建用户动态簇的思想，基于相关性排序思路，实现了低复杂度的高效导频分配方法，实验结果表明方案性能逼近最大化容量导频分配策略，但复杂度低8 0%以上。同时，后续导频分配优化与功率分配联1合优化是一个重要的研究课题，以最大化最低SE为目标，进行导频和功率联合分配，实现系统整体感知更优。除此之外，RIS辅助的无蜂窝大规模MIMO系统的智能节能也是未来的研究重点，实现真正意义上的绿色通信。参考文献：1Ngo H Q,Ashikhmin A,Yang H,et al.Cell-free massive MIMOversus small cellsJJ.IEEE Transactions on Wireless Communications,2017,16(3):1834-1850.2Zhang J,Chen S,Lin Y,et al.Cell-free massive MIMO:A new next-generation paradigmJ.IEEE