partial CSI can be described using matrix-vector-notation as

206 
5 System Level Aspects for Multiple Cell Scenarios
1
2
3
:
:
:
:
iteratively repeated interference presubtraction
(1)
ˆ
g
1
( )
1
d
matched filtering
BS 1
(1)
s
BS 2
BS 3
( )
( )
1,1
3,1 *
I
U
ˆ
ˆ
H
H
( )
( )
3,1
1,1 *
I
U
ˆ
ˆ
H
H
( )
( )
1
t
i
( )
(
)
1
1
-
t
i
…
( )
1
t
( )
1,1 *
U
ˆ
H
( )
3,1 *
U
ˆ
H
(2)
ˆ
g
1
( )
2
d
(2)
s
( )
( )
1,2
2,2 *
I
U
ˆ
ˆ
H
H
( )
( )
2,2
1,2 *
I
U
ˆ
ˆ
H
H
( )
( )
2
t
i
( )
(
)
2
1
-
t
i
…
( )
2
t
( )
2,2 *
U
ˆ
H
( )
1,2 *
U
ˆ
H
(3)
ˆ
g
1
( )
3
d
(3)
s
( )
( )
2,3
3,3 *
I
U
ˆ
ˆ
H
H
( )
( )
3,3
2,3 *
I
U
ˆ
ˆ
H
H
( )
( )
3
t
i
( )
(
)
3
1
-
t
i
…
( )
3
t
( )
3,3 *
U
ˆ
H
( )
2,3 *
U
ˆ
H
MS
BS
significant useful
channels for MS 1
significant interference
channels for MS 1
Figure 5.23: Decentralized implementation of JT with partial CSI in the DL of an
exemplary 3-cell scenario
where the channel energy scaling factor is
ˆ
g
(k
M
)
=

k
A
ˆ
H
(k
M
,k
A
)
U
ˆ
H
(k
M
,k
A
)
∗
U
.
(5.39)
Firstly, at the BSs corresponding to the significant useful channels of the MS k
M
, we
calculate the matched filtering data estimates r
(k
M
)
considering only the significant
useful CSI. Secondly, significant interferences from other MSs to the BSs antennas
considered for MS k
M
in the first step are reconstructed considering the significant
interference CSI, and subtracted from the corresponding matched filtering data es-
timates r
(k
M
)
. This step is implemented in an iterative way, and the preliminary
detection results ˆ
d
(k
′
M
)
(i − 1) from other MSs are required.
In the DL, the matrix-vector-notation form of the iterative algorithm for JT with
partial CSI can be described by
t
(i) = ˆ
G
−1
·

d
− diag

ˆ
R

· t(i − 1)

(5.40)
and
s
= ˆ
H
∗
T
U
· t .
(5.41)

5.4 Interference Reduction 
207
0
0.2
0.4
0.6
0.8
1
0
0.1
0.2
0.3
0.4
0.5
0.6
MF(c), omni
MF(c), sector
JT(4,2), omni
JT(4,2), sector
r/R
P
ro
b
(γ
≤
10
dB
)
Figure 5.24:
Outage probability of SIR for MS moving from cell center to the “bad vertex” in
the center cell in the DL of 19 cell cellular system including one center cell and two
tiers of cells around it with cluster size 3
The corresponding decentralized implementation of the iterative algorithm for each
MS k
M
can be described as
t
(k
M
)
(i) =
1

g
(k
M
)
·

d
(k
M
)
−

k
A

k
′
M
=k
M
ˆ
H
(k
M
,k
A
)
I,k
′
M
ˆ
H
(k
′
M
,k
A
)
∗
U
· t
(k
′
M
)
(i − 1)
(5.42)
and
s
(k
A
)
=

k
M
ˆ
H
(k
M
,k
A
)
∗
U
· t
(k
M
)
.
(5.43)
Firstly, for each MS k
M
at its considered BSs corresponding to its significant useful
channels, the significant interferences from this MS to other MSs are predicted and
compensated. Through this process, the predistorted data symbol t
(k
M
)
is obtained
in an iterative way considering significant interference CSI, and the preliminary
predistorted data symbol t
(k
′
M
)
(i − 1) from other MSs are required. Secondly, the
transmitted signals s
(k
A
)
at the BS antennas corresponding to the significant useful
CSI of the MSs are calculated from the predistorted data symbols t
(k
M
)
of all MSs.
Taking a 3-cell omni-DAS with a single antenna at each BS as an exemplary
scenario, the above decentralized signal processing for JT with significant CSI is
visualized in Fig. 5.23. For example, the signal processing for MS 1 is performed at
its neighboring BS 1 and BS 2 corresponding to its two significant useful channels.
Not only the smart reception/transmission technique based on JD and JT with
partial CSI as discussed above, we have also investigated and compared omni-DASs
and sector-DASs which have been introduced in Section 5.4.2. The numerical results
of the system performance in the DL with different combinations of transmission
strategies and BS antenna layouts are shown in Fig. 5.24. It can be seen that itera-
tive JT with N
u
significant useful channels and N
i
significant interference channels
indicated by “JT (N
u
, N
i
)” has much better performance as compared to intracell
matched filtering (MF) indicated by “MF(c)”, both in omni-DAS and sector-DAS.

208 
5 System Level Aspects for Multiple Cell Scenarios
−10
0
10
20
30
40
50
−10
−5
0
5
10
15
20
25
upper performance bound with perfect CSI
adaptive scheduling
with imperfect CSI
random scheduling
A
B
10log
10
{γ
E
}/dB
10
lo
g
1
0
{
E
{γ
(1
)
}}
/dB
Figure 5.25:
Average SNIR E{γ
(1)
} as a function of γ
E
, applying JT(57, 1026), 10log
10
{γ
N
} =
20dB, A: significant channel selection and JT are based on perfect CSI, B: significant
channel selection and JT are based on imperfect CSI
The sector-DAS outperforms the omni-DAS even more when applying iterative ZF
JT with significant CSI as compared to intracell MF.
5.4.5 Impact of Imperfect CSI on Cooperative
Communication Based on JD/JT
The impact of imperfect CSI on cooperative communication scheme is investigated
with the help of numerical results. We take a 19 cell cellular system including one cell
in the center and two tiers of cochannel cells around it as the reference scenario. The
performance of the MS in the center cell is assessed. Adaptive scheduling techniques
have been intensively investigated in [14, 15]. In [16], the impact of imperfect CSI
on the adaptive MS scheduling in the proposed cooperative communication scheme
has been investigated. From Fig. 5.25, we can clearly see that with increasing im-
perfectness of the CSI, the system performance when applying adaptive scheduling
approaches that of applying random scheduling. Under the realistic assumption that
the significant channel selection and the JT with partial CSI are based on imperfect
CSI, the system performance sharply decreases when the extent of imperfectness of
CSI increases. The performance degradation caused by imperfect CSI used in the
significant channel selection and JT is much larger than the performance degrada-
tion caused by replacing adaptive scheduling with random scheduling. In Fig. 5.26
and Fig. 5.27, the MS in the center cell is located at the fixed position of the “bad
vertex”, while the other MSs are randomly distributed in the other cells. In Fig. 5.26,
taking the upper system performance bound obtained by applying perfect CSI in
the whole cooperative transmission scheme as the reference, we can see the system
performance degradation caused by the imperfect CSI used in the significant channel
selection and JT with partial CSI, respectively. In Fig. 5.27, assuming imperfect CSI
is applied in the whole cooperative transmission scheme, both omni-DAS and sector-
DAS cooperative communication schemes considering different partial CSI selection
strategies with different numbers of significant channels are investigated. As a func-

5.4 Interference Reduction 
209
−10
0
10
20
30
40
−10
−5
0
5
10
−10
0
10
20
30
40
−5
0
5
10
15
(a) omni-DAS
(b) sector-DAS
upperbound
upperbound
JT based on
imperfect partial CSI
imperfect partial CSI
significant channel selection
JT based on
imperfect partial CSI
significant channel selection
based on imperfect CSI
10log
10
{γ
E
}/dB
10log
10
{γ
E
}/dB
1
0
lo
g
1
0
{
E
{γ
(1
)
}}
/
dB
1
0
lo
g
1
0
{
E
{γ
(1
)
}}
/
dB
Figure 5.26:
Average SNIR E{γ
(1)
} as a function of γ
E
, applying JT(4, 2), 10log
10
{γ
N
} = 20dB
21
21.5
22
22.5
23
8.2
8.4
8.6
8.8
9
9.2
9.4
9.6
9.8
10
22.5
23
23.5
24
24.5
12.8
13
13.2
13.4
13.6
13.8
14
14.2
MF(c)
JT(4,2)
JT(4,4)
JT(57,1026)
MF(c)
JT(4,2)
JT(4,4)
JT(57,1026)
(a) omni-DAS
(b) sector-DAS
10log
10
{γ
E
}/dB
10log
10
{γ
E
}/dB
1
0
lo
g
1
0
{
E
{
γ
(1
)
}}
/
dB
1
0
lo
g
1
0
{
E
{
γ
(1
)
}}
/
dB
Figure 5.27:
Average SNIR E{γ
(1)
} as a function of γ
E
, 10log
10
{γ
N
} = 20dB
tion of the extent of imperfectness of the CSI, we can decide how much CSI should be
considered in the cooperative communication scheme to obtain optimum system per-
formance with moderate implementation complexity. Additionally, the influence of
the imperfectness of CSI on the advanced JD/JT algorithms, i.e., SIC in the UL and
THP in the DL with quantization, has been investigated. In Fig. 5.28 and Fig. 5.29
considering the exemplary channel matrix H
UL
= H
T
DL
= (10 1 0.1; 10 2 0.1; 10 5 1),
the input SNR has been adjusted in such a way that BER is always 10
−3
when ap-
plying different JD/JT algorithms with perfect CSI. In Fig. 5.28, ZF, SIC, ML, and
optimum MF with the ideal assumption of no multiuser interference are considered
for JD in the receivers. In Fig. 5.29, ZF, THP, and optimum MF with the ideal
assumption of no multiuser interference are considered for JT in the transmitters.
We can see the sensitivity of different JD/JT algorithms to the imperfectness of CSI
described by the variance σ
2
∆
of the channel errors.

210 
5 System Level Aspects for Multiple Cell Scenarios
−60
−40
−20
0
20
40
10
−4
10
−3
10
−2
10
−1
10
0
ZF
SIC
ML
Opt. MF
10log
10
{σ
2
∆
}
B
E
R
Figure 5.28:
BER as a function of the extent
of the imperfectness of CSI in
the UL applying JD algorithms
−60
−40
−20
0
20
40
10
−4
10
−3
10
−2
10
−1
10
0
ZF
THP
Opt. MF
10log
10
{σ
2
∆
}
B
E
R
Figure 5.29:
BER as a function of the extent
of the imperfectness of CSI in
the DL applying JT algorithms
0
10
20
30
40
10
−5
10
−4
10
−3
10
−2
ZF
suboptimum
optimum
10log
10
{1/σ
2
∆
}
B
E
R
Figure 5.30:
BER as a function of the extent
of the perfectness of CSI with
10log
10
{1/σ
2
N
} = 40dB
0
10
20
30
40
10
−4
10
−3
10
−2
ZF
suboptimum
optimum
10log
10
{1/σ
2
N
}
B
E
R
Figure 5.31:
BER as a function of PSNR with
10log
10
{1/σ
2
∆
} = 15dB
5.4.6 Advanced Algorithm Based on Statistical Knowledge
of Imperfect CSI
Exploiting the statistical knowledge of imperfect CSI and the given alphabet S of
the transmitted vector s, we propose an optimum detection scheme following the
rationale of maximum likelihood (ML) as
ˆs = argmax
s
∈S
!
p

e
|s, ˆ
h
"
,
(5.44)
where p

e|s, ˆ
h

is calculated as the marginal PDF of p

e, h|s, ˆ
h

as
p

e
|s, ˆ
h

=

p

e
, h|s, ˆ
h

dh =

p (e|s, h) p(h|ˆ
h
)dh .
(5.45)
In (5.45), p(h|ˆ
h) can be calculated according to the Bayes’ theorem as
p(h|ˆ
h
) =
p(ˆ
h
|h)p(h)
#
p(ˆ
h
|h)p(h)dh
.
(5.46)

5.4 Interference Reduction 
211

tải về 7.55 Mb.

Chia sẻ với bạn bè của bạn: