1.基于可调精度ADC的大规模MIMO系统能效优化方法，其特征在于：针对基站端配置可调精度ADC结构的多用户大规模MIMO上行系统，根据随机矩阵理论推导出系统的能量效益的近似表达式。在满足用户基本的数据传输速率和功率约束条件下，建立起以能效最大化为目标的优化问题。接着将目标问题分解为功率控制和精度优化两个子问题。最后利用分数规划性质和动态更新干扰的迭代算法实现功率的分配，采用协调更新算法完成ADC的精度选择，以达到能效的最大化，包括如下步骤：步骤1：确定系统模型和目标问题；

1‑1建立系统模型：

1‑2计算系统模型的上行可达和速率；

1‑3建立大规模MIMO上行链路系统的功耗模型；

1‑4确定目标问题；

步骤2：目标问题的转化；

步骤3：基于功率分配和精度选择进行能效优化。

2.根据权利要求1所述的基于可调精度ADC的大规模MIMO系统能效优化方法，其特征在于，步骤1确定系统模型和目标问题，具体操作如下；

1‑1.建立系统模型：

建立一个单小区多用户大规模MIMO上行链路系统，基站端BS配置M根天线，用于接收分布在小区内的K个单天线用户的信号，每根天线配置一个量化精度可调的ADC，用于对接收信号进行量化，令b＝[b1,…,bm,…,bM]表示量化精度向量，bm表示第m根天线上ADC的量化精度；用户在相同的时频资源块上向基站端发送数据，假设已知信道状态信息，则BS的接收信号 可表示为：

1/2

其中P＝diag{p1,p2,…,pK}表示用户发射功率分配矩阵，G＝HD 表示基站和用户之间的M×K维信道矩阵，H表示M×K维快衰落系数矩阵，D＝diag{β1,β2,…,βk,…,βK}表示大尺度衰落系数矩阵，x表示K×1维用户发射信号向量，n～CN(0M,IM)表示M×1维加性高斯白噪声向量；

采用加性量化噪声模型AQNM对ADC量化过程进行分析，则ADC输出端的信号y可表示为：其中，Qb(·)表示的量化函数， 当bm＝{1,…,5}时， 的值如表1所示；当bm＞5时， 表示量化噪声， 是nb的协方差矩阵，可表示为：

表1量化精度bm对应的 值

1‑2计算系统模型的上行可达和速率；

在大规模MIMO上行链路系统中，为了减少用户间的干扰，基站根据信道状态信息采用最大比合并检测算法对接收信号进行检测，则处理后的信号为：H

r＝Gy         (4)则第k个用户的接收信号可表示为其中，gk表示G的第k列向量；式(5)等号右边第一项表示期望信号，后三项表示干扰和噪声，依次为用户间干扰、信道噪声、量化噪声；根据信道容量定理，第k个用户上行平均可达和速率可表示为：

当系统的信道状态条件较好，即接收信干噪比远远大于1时，根据随机矩阵理论，可推导出上行可达和速率的近似表达式：其中，

1‑3建立大规模MIMO上行链路系统的功耗模型；

大规模MIMO上行链路系统的功率消耗建模为：其中，pTx表示用户端功率放大器的功耗，η∈(0，1]表示功率放大系数；pADC表示ADC的功‑8 ‑6

耗，c0∈[10 ,10 ]为常数；pLp为线性处理过程的功耗；psite表示其他特定功耗，B为系统运行带宽，L为基站端的计算效率；

1‑4确定目标问题；

在大规模MIMO上行链路系统中，能量效益EE定义为用户总的可达和速率与系统总功耗的比值，考虑对用户基本的数据传输速率和对最大发射功率进行限制，则基于可调精度ADC的大规模MIMO系统的能效优化目标问题P0可表示为其中,p＝[p1,p2,…,pK]表示发射功率向量，目标函数EE是关于p和量化精度向量b的函数，C1、C2，C3为三个约束条件，C1表示对用户的最高发射功率进行限制；C2表示满足用户最低数据传输速率；C3表示ADC量化精度的选择范围，其中Ω表示量化精度选择范围的集合，bmax表示最高的量化精度。

3.根据权利要求2所述的基于可调精度ADC的大规模MIMO系统能效优化方法，其特征在于，步骤2目标问题的转化，具体操作如下；

分析目标问题P0，可知目标问题P0关于p是一个连续非线性规划问题，关于b是一个离散非线性规划问题，考虑到联合求解p和b的复杂性，可以将目标函数分解为两个子问题，即：

目标问题P1是一个非凸优优化问题，局部最优解未必是全局最优解，为将其转换为凸优化问题，根据分数规划理论，能够将P1中的目标函数由分数形式转换成减式形式，即：其中q是一个辅助变量；

目标问题P3是一个带有约束条件的凸优化问题，为进一步简化，使用拉格朗日对偶函数将有约束的凸优化问题转化为无约束问题P4，即：其中λ＝[λ1，λ2，…λK],μ＝[μ1,μ2,…μK]为拉格朗日乘子，且λk≥0，μk≥0；

利用对偶定理，P4可等价为

经过目标问题的转换，原始问题P0最后转换为P2和P5两个子问题，即：

4.根据权利要求3所述的基于可调精度ADC的大规模MIMO系统能效优化方法，其特征在于，步骤3基于功率分配和精度选择进行能效优化，具体操作如下；

3‑1功率分配算法：

对于给定ADC的量化精度向量b，目标问题P5是一个关于发射功率向量p的对偶问题，根据库恩塔克条件，求出第k个用户发射功率表达式：其中 代表干扰项；令 当bm取不同的值时，κ的取值如表2所示，观察发现，对于任意的bm，因此式(15)可化简为

式(16)是pk的间接表达式，pk的取值与所有用户的发射功率相互关联，式右边用Q(pk)表示，能够证明Q(pk)是关于pk的非负性、可扩展性和单调性的函数；因此，能够采用迭代算法，即令 其中n表示迭代次数，对干扰项Ψ进行更新；

表2不同bm下κ的值

bm 1bit 2bit 3bit … 12bitκ 0.9535 0.9844 0.9945 … 0.9999在第n+1次迭代中，拉格朗日乘子系数可以采用次梯度算法更新，即+

其中[x]＝max{0,x}，δ1和δ2表示迭代步长；

3‑2精度选择算法：

在完成用户发射功率分配的基础上，基站端需要根据信道状态信息和信号干扰为每个ADC匹配合适的量化精度，因此采用可达和速率的精确表达式(6)式代替近似表达式(7)式，则目标问题P2可转换为P6：目标问题P6为整数规划问题，当采用穷举的方法进行求解时，复杂度为 随着天线数目的增加，复杂度呈现指数增长的趋势；为了降低复杂度，使用协调更新算法进行简化求解；

定义一个辅助向量 用于表示第t次外层迭代中第l根天线精度更新时量化精度向量b删除第l个元素后的的值， 的取值如下：对于 即第t次迭代第l根天线ADC的量化精度值，遍历集合Ω来选择具有能效最大化的量化精度，即：

其中，

该协调更新算法的复杂度为O(Mbmax)，相比于穷举法能够显著降低硬件成本。