密集立體覆蓋：未來移動通信的機遇和挑戰*

陳 巍 ，王東明 ，王家恒 ，高飛飛 ，彭木根

（1.清華大學電子工程系 北京 100084；2.東南大學移動通信國家重點實驗室 南京 210096；3.清華大學自動化系 北京 100084；4.北京郵電大學泛網無線通信教育部重點實驗室 北京 100876）

1 引言

移動通信網絡是信息社會的重要基礎架構，發展寬帶無線移動通信是我國的基本戰略需求。我國《國民經濟和社會發展十二五規劃綱要》中明確提出“統籌布局新一代移動通信網”、“引導建設寬帶無線城市”等發展需求。目前，移動通信已經逐漸實現了人類 “隨時 （anytime）”、“隨地（anywhere）”維系每一個人（anyone）與信息基礎設施的緊密聯系，并與其他移動用戶進行交互的夢想。隨著各類豐富多彩的移動應用的不斷涌現以及智能手機、平板、筆記本電腦在人群中的逐漸普及，移動用戶的業務將呈現多樣化和海量化，移動數據業務量幾乎呈指數增長，即使能夠支撐吉比特的4G系統，也將在21世紀中葉落后于業務需求。這對5G移動通信的頻譜效率提出了更高的要求。

建設寬帶無線城市所需考慮的另一個重要背景是城鎮化。中國社會科學研究院《2012年中國社會形勢分析與預測》指出 “2011年我國城鎮人口所占比重將首次超過50%，并不斷增長”。隨著大型城市人口數量的不斷攀升，必須依靠高層建筑容納更多的人口。全球建筑調查機構安波利斯（Emporis）數據顯示，我國高層建筑年增長率超過20%。大型都市的平均建筑高度不斷攀升，城市向復雜立體地域擴張，使得單位面積上的移動用戶數量亦隨之升高，在平面投影上用戶趨于密集化，呈現平面密集效應，對于5G系統的單位面積頻譜效率提出了極高的要求。綜合上述兩點，移動通信的頻譜效率問題將成為未來無線城市寬帶化發展的瓶頸。

回顧移動通信半個多世紀的發展，蜂窩系統大致經歷了如下階段。在提出伊始，主要以“覆蓋優先”，重點在于無縫地提供數據接入；隨著移動通信的大范圍普及和推廣，用戶數量不斷攀升，蜂窩網絡在設計中開始關注單位面積上的頻譜效率，所采用的具體方法就是小區的分裂和扇區化，以此提升頻譜的空間復用度，這種方法所帶來的問題是頻繁的切換和更加復雜的干擾[1]；近年來，人們開始注意到業務需求在空間和時間上分布的不均勻性，并因此將認知無線電[2]、基站休眠[3]等新思路引入蜂窩網絡，從而進一步提升能效和頻譜效率的增益。

但是，在用戶密集化、業務海量化的趨勢下，未來大型都市中的部分熱點區域，在空間和時間上將總處于較高的業務負載狀態，因此必須依靠進一步提高網絡的單位面積頻譜效率予以根本上的解決。然而，由于無線通信的頻譜和能耗等資源嚴格受限，現有的無線傳輸技術也已逼近香農理論極限，傳統的平面組網技術已經難以支撐城市立體化趨勢下的用戶平面密集效應和業務多樣海量特征。因此，未來發展的一個重要機遇，就是開展立體組網的研究工作，在平面之外的第3個維度上復用頻譜，依托城市立體化的發展趨勢，實現立體小區。這也是本文擬重點討論的內容。

2 密集立體覆蓋：機遇和挑戰

傳統蜂窩網絡依托二維平面進行部署，這導致其單位面積上的頻譜效率嚴格受限。與此同時，隨著城市立體化的發展，單位面積上的用戶數量隨樓層的高度呈現近似的線性增長態勢。二者的內在矛盾導致了平面網絡難以適應未來立體化城市發展的趨勢。

通信理論也很好地支持了上述結論。從2000年起，Kumar等人[4]從信息論角度，提出了無線網絡容量極限的漸進分析方法。參考文獻[4]指出，即使采用最佳的中繼、路由等方法，無線網絡的單位用戶容量也將隨著用戶數量的增加而趨近于0。后續的研究工作[5,6]雖然努力減小用戶平均容量趨近于0的速度，但也從電磁理論基礎角度說明，無線網絡容量的可擴展性受制于物理學極限。以Gupta和Kumar的經典結論[4]為例，單位用戶容量隨著用戶數n趨近于0的近似速度為姨。若給定用戶的分布密度，傳統平面城市中覆蓋范圍為l的小區的用戶數量近似為n~l2，而立體化城市中每個小區的用戶數量近似為n~l3，立體城市中用戶數量隨小區覆蓋范圍的增加而迅速增加。例如，北京CBD核心區域的平均樓高超過50m，日間每平方米投影人數超過10人。當采用如圖1所示的平面小區覆蓋立體用戶方式時，由于單位投影面積內用戶數量激增，立體城市中每個用戶的容量將隨小區覆蓋范圍的增加而迅速趨近于0；若采用增加帶寬的方法保證QoS（服務質量），其帶來的帶寬增加是頻譜資源和認知無線電技術不可承受的。

圖1 平面小區覆蓋立體用戶方式

城市立體化對于移動通信是一把雙刃劍，既帶來了如前所述的用戶平面密集效應，使得傳統平面覆蓋方式難以保障密集用戶的QoS；也提供了依托城市形態，實現網絡立體化部署的潛在機遇。通過移動通信網絡本身的立體化，可在平面之外的第3個維度 （即高度上復用頻譜）進一步提升平面投影上的頻譜效率。參考文獻[7]表明，立體網絡中每用戶的容量隨用戶數趨近于0的近似速度為，這一速度在參考文獻[8]中獲得了進一步的優化。上述理論結果印證了立體化網絡部署對于密集覆蓋的潛在機遇。

如圖2所示，立體覆蓋依托于高層建筑，可以在不同高度上部署不同的蜂窩。由于無線信號的功率隨著距離的增加而衰減，因此可以在垂直維度上重復利用頻譜資源，從而用同頻的接入點覆蓋不同樓層的用戶，提升單位面積的頻譜使用效率。城市立體化對于密集覆蓋所帶來的另一種機遇在于，可以基于高層建筑架設俯視天線，引入傳統衛星通信中的立體點波束覆蓋，這種覆蓋方式相對于平面網絡所采用的分扇區覆蓋，能夠獲得更高的頻譜復用效率。由于無線信號在空間中的輻射是三維的，網絡空間部署會帶來一些全新的機遇。天線在空間的立體分布，可以在同樣的天線密度（取決于天線間隔）下部署更多的天線，因此立體部署的分布式天線可以更加有效地支持大規模天線協同，實現密集的空分復用，提升頻譜效率，這一優勢也可體現在三維點波束覆蓋上。

圖2 立體部署的移動通信網絡

密集立體覆蓋不僅面臨著物理層的機遇和挑戰，還對網絡層架構帶來了根本性的變革。由于新型網絡依托于城市形態而構建，天線的分布、輻射特性、蜂窩覆蓋范圍、最佳接入方式、調度策略等都與所部署的環境密切相關，不適宜采用相同的架構，因此在同一地理位置上將會層疊多個高度異構的多制式子網[9]。多層次的異構覆蓋，將會在“物理立體”的模式之外，產生虛擬的“邏輯”立體覆蓋。如圖3所示，立體分布式天線系統、三維波束、Wi-Fi、femto cell等多種網絡制式層疊覆蓋相同的平面區域，以發揮各自的協同優勢。子網的立體分布，還會導致網絡之間具有更強的相互耦合與干擾，增大子網異構協同的規模和范圍，帶來全新的網絡頂層設計和實時管理、控制的優化機遇。

圖3 邏輯立體的多層次、多制式覆蓋方式

為實現密集立體覆蓋中天線、節點和子網之間的高度異構特性和密集協同，本文提出一種全新的頂層設計理念——“可控自治框架”。

3 密集立體覆蓋的可控自治框架

如前所述，密集立體覆蓋的網絡形態高度依賴于城市形態，包括建筑和地形形態等。因此，密集立體覆蓋移動通信具有天然的高度異構特性。在相同地理位置的不同高度、甚至是相同高度上，都可能存在相互干擾與耦合的多制式網絡模式。這一特色給網絡的頂層設計帶來了一個根本問題，即采用何種方式對網絡進行規劃、設計、管理和控制。

對密集立體覆蓋中所包含的子網做一個簡單的分類，其中既有蜂窩子網等集中可控的子網，也有AdHoc、中繼、終端直通（D2D）等分布自治的子網。這兩種子網分別具有不同的頂層設計特征，即“可控”和“自治”。一般來說，可控子網具有整體性能最佳的優勢，但也存在信令復雜度相對較高、需要全局信息的問題；與此同時，分布式子網則具有無需全局信息、信令復雜度低的優勢，但其性能往往難以實現全局最優。在密集立體覆蓋中，由于這兩種子網相互重疊，共享頻譜資源，同時又緊密耦合，因此采用單一的控制模式會導致全網性能下降或信令復雜度過高的問題。因此，密集立體覆蓋需要“可控”和“自治”兩種管控理念的有機融合。

密集立體覆蓋的可控自治框架基于全新的信息理論模型與分析，呈現全新的信息論特征。回顧點到點衰落信道的容量理論，對信道狀態信息的不同認知程度將會導致不同的通信容量和最佳傳輸策略[10]。對于僅接收機具有信道狀態信息（CSIR）的情況，發射機無法進行功率自適應，最佳的傳輸策略是多級調制方式，可以達到無功率自適應下的遍歷容量；若收發雙方同時具有信道狀態信息（CSIT&CSIR），則可以采用“時域注水”的功率分配方法，以獲得更高的容量。對于密集立體覆蓋移動通信的方式，集中控制模塊或平面具有全局的狀態信息，但由于信令反饋的限制，其精確性較低；而分布式自治單元具有較為精確的本地狀態信息，但缺乏全局的視角。因此，基于全局非精確狀態信息的控制，結合基于本地精確狀態信息的自治，構成了密集立體覆蓋移動通信的網絡信息理論的基本元素，如圖4所示。

圖4 密集立體覆蓋可控自治架構的信息論抽象模型

在信息論的基礎上，進一步介紹密集立體覆蓋中可控自治的網絡架構。在立體空間中，特別是“邏輯立體”多制式多層次異構網絡重疊覆蓋的情況下，子網之間的相互干擾更加復雜而密集。在密集立體覆蓋中，提升協同子網的規模，能夠有效地保證QoS，同時全面提升網絡效用。但大規模網絡協同面臨著用戶數目巨大、業務需求頻繁多樣、同信道干擾復雜、通信環境高度動態、認知信息量大等問題，對無線資源管理提出了極大的挑戰。

從網絡架構的角度看，資源的最優配置需要實時地認知用戶、業務、信道和網絡等信息，并匯集到中心處理節點，進行全局統籌優化。這樣雖然能得到全局最優的性能，卻需要傳遞和處理所有認知信息，在密集動態環境中意味著海量的信息收集、匯聚、處理和反饋，因此完整精確的網絡認知信息幾乎無法獲得，由此帶來的巨額運算量也使得傳統的集中式資源管理很難做出快速有效的響應。因此，完全集中式的優化的信令復雜度高，響應遲緩。

另一方面，在密集立體覆蓋中如果完全采用分布式的優化，難以收斂到全局最優。在密集耦合的子網中，用戶或網絡之間本質上是對有限資源的競爭關系，表現為信道的排他性占用或相互干擾，這一矛盾在密集立體環境中更為突出。具備認知能力的用戶設備能夠較為精確地感知通信環境，并利用自身的處理能力快速做出響應。理論上，用戶或者網絡可以通過本地信息，在競爭中實現自治的資源共享，但由于缺乏全局觀，這種自治通常會造成資源的低效利用。因此，在密集立體覆蓋的網絡架構頂層設計中將采用“可控自治”的理論和方法，其網絡形態如圖5所示，目標是綜合考慮局部競爭和全局優化的優缺點，通過受控博弈的手段，使得本地競爭有序化，無線資源博弈向著全局最優系統性能逼近，實現空分、時分、頻分、碼分等多維無線資源的高效、合理、公平分配和管理。具體的實現方法就是引入“受控博弈、有序競爭”。

圖5 可控自治架構的網絡形態

“受控博弈、有序競爭”源于博弈與變分不等式（variationalinequality）理論，在密集立體覆蓋中能夠對協同的深度和規模進行模塊化的重組和柔性的調節，在多種網絡對相同區域進行重疊覆蓋時，提升協同的規模和深度，有效折中復雜性和吞吐量，實現整體性能的最優化。

采用博弈的方法分析無線網絡并設計分布式的無線資源共享機制，受到廣泛關注。比較普遍的方法是采用（純策略或混合策略）非協作博弈，遵照用戶完全利己性原則，最大化用戶各自的性能，以網絡達到納什均衡為目標。因為納什均衡通常不具備帕累托最優（Paretooptimal）或全局最優性，這種無序競爭方法雖然能以本地認知信息獲得最大限度的分布式資源分配方案，但極其容易造成網絡整體性能低下，同時也很難保證單一用戶的通信質量；在博弈中引入適當協作，采用納什議價（Nashbargaining）或斯坦克爾伯格博弈（Stackelberggame）等方法進行網絡設計。這些方法雖然可以提高網絡的整體性能，卻通常導致完全集中式處理，失去了利用本地信息形成自治的分布式特性。

為適應密集立體覆蓋的需求，“受控博弈、有序競爭”[11]的設計思路通過將網絡優化的效用框架分解為多個子優化問題，實現基于本地優化的自治，而同時，本地優化中的代價或定價則通過全局反饋的方式獲得，并由此實現全網的控制。定價的反饋量將決定信令復雜度和整體性能最優性之間的折中，如圖6所示。

圖6 “受控博弈、有序競爭”模型示意

有別于經典博弈方法，在密集立體覆蓋中引入受控博弈的理論和方法，在局部范圍控制和引導用戶之間進行資源博弈，使得局部達成的自治向整體網絡性能最優的方向逼近，從而享有分布式處理、交互信息少、響應迅速、逼近全局最優等優點。實現受控博弈的難點是控制機制的合理設計，特別是定價與懲罰措施的系統和解析優化方法。密集立體覆蓋的資源管理和子網管控中引入了變分不等式方法，這種優化、博弈、非線性方程、不動點等綜合交叉的數學理論，使相同地理位置上多制式重疊覆蓋的子網只用本地認知信息和少量交互信息即能實現預期的可控自治[12]。

4 基于大規模天線協同的密集空分復用

大規模天線協同是提升頻譜效率的物理層關鍵技術。近年來，隨著CoMP技術的興起，基站間相互協同程度逐步提升，蜂窩的概念亦被逐漸打破，取而代之的是分布式天線系統。如圖7所示，在密集立體覆蓋中，由于蜂窩的立體部署，三維立體空間中可以相互協同的天線數量將遠多于二維平面網絡，從而進一步提升了天線協同的規模。

圖7 立體空間中的大規模天線協同

大規模天線協同可以換取更高的空間分辨率[13,14]，實現密集空分復用，有效提升頻譜效率，然而隨著協同天線數量的提升，信令和計算復雜度激增，其信道估計和反饋將消耗大量的時頻資源，而預編碼矩陣的全局優化也會產生較高的復雜度。針對信道估計與反饋問題，優化的信道狀態碼本設計有助于減少反饋開銷和時延，拓展協同范圍[15]。而塊狀對角化技術則有助于在吞吐量性能和復雜性之間獲得一個較好的折中[16]。

為使讀者對于大規模立體天線協同的傳輸體制有一個更直觀的了解，以東南大學正在設計的大規模立體天線協同方案為例，其上行和下行均采用OFDM傳輸技術。對于上行鏈路傳輸，系統導頻開銷僅與用戶個數K成正比，與基站天線個數無關；系統可支持的最大多普勒頻移（或相干時間）限制了系統中可支持的用戶數；采用與LTE相似的時隙結構，即一個時隙有7個OFDM符號，一個資源塊（resourceblock，RB）有 7×12 個 RE（resourceelement）。假設1個OFDM符號用于信令開銷，K個RE作為導頻，在最極端的情況下，每個時隙均有K個解調導頻存在。圖8給出了一種導頻圖案，其中深灰色區域的RE表示信令開銷，白色RE表示導頻，共有36個RE，可以同時支持36個用戶實現 SDMA（spacedivisionmultipleaccess），淺灰色 RE表示數據。導頻序列可以采用時頻正交，也可以采用碼分正交，或它們的混合方案。而對于下行鏈路來說，由于大規模立體天線協同的天線數目較多，無法采用每個天線使用獨立導頻的模式，可通過導頻的隨機化處理，降低導頻之間的干擾和污染。

圖8 上下行導頻（下行采用預編碼導頻）

在導頻設計的基礎上，對上行和下行傳輸系統進行進一步詳細描述。對于上行鏈路傳輸，每個小區的每個用戶的信息比特經過糾錯編碼、交織、調制，調制信號連同導頻信號映射到OFDM的時頻資源塊上。在基站側，首先進行信道估計，得到信道矩陣的估計值。為了逼近大規模立體天線協同的上行聯合接收的性能極限，可采用迭代接收機。根據估計的信道參數進行低復雜度的軟輸入軟輸出（softinputsoftoutput，SISO）多用戶檢測，再進行 SISO 譯碼，并進行如圖9(a)所示的迭代接收。在大規模立體天線協同中，由于存在嚴重的小區間干擾，在進行聯合接收時，需要進行干擾估計并抑制小區間干擾。因此，干擾估計模塊是接收機檢測器的一個重要模塊，該模塊可以嵌入迭代接收機中，進行干擾協方差重構。下行多用戶傳輸示意由圖9（b）給出，各個用戶的數據信息經過糾錯編碼、交織、調制后，進行多用戶聯合預編碼。為了節約開銷，下行導頻采用預編碼導頻，因此導頻開銷與上行相同。對于TDD（時分雙工）系統，下行波束成形可以采用復雜度較低的最大比發送，也可以采用復雜度較高的多小區MMSE波束成形；對于FDD（頻分雙工）系統，為降低系統開銷，可利用相關矩陣的互易性，僅使用統計信道信息進行立體波束成形，這在相關性很強的大規模立體多天線信道下是比較有效的。

圖9 上行和下行傳輸系統模型

5 面向密集立體覆蓋的多情境智能認知

從上述密集立體覆蓋移動通信框架中不難看出，無論是宏觀層面的全局控制，還是微觀層面的本地自治，都需要通信單元和子網充分獲取、認知、分析和學習信道、網絡、業務、用戶等多維度狀態信息。有效地認知和學習時，各個模塊和功能層之間互相協作，是提升頻譜和能量效率的基礎。

在過去的十多年中，人們已經充分認識到認知無線電對于提升頻譜使用效率的重要作用[2]。然而，傳統認知無線電的認知主要停留在頻譜感知層面，即發掘和利用未被使用的空閑頻率進行業務傳輸，以此提升次級系統的吞吐量。這一方法的不足之處在于，對熱點區域的頻譜效率提升程度有限。由于熱點區域整個頻段的繁忙占用，空閑頻譜本身所能提供的容量增益非常有限，需要從其他維度挖掘提升容量的潛力。

在密集立體覆蓋移動通信中，對于信號的檢測將被進一步升級到對于信息的發掘、認知、理解和學習，實現真正意義上的認知，這一趨勢也在認知無線電的演進中逐漸體現[17]。由于新興的移動互聯網業務為網絡優化帶來了許多全新視角，用戶的位置、使用模式、業務種類等相關信息以及需求的異化、相同地理位置上重疊多制式子網與移動用戶的匹配等，都有助于提升無線資源的使用效率。為此，密集立體覆蓋引入多情境認知的全新思路，基于通信與模式識別學科的交叉，引入模式識別、機器學習和人工智能等方法，充分發掘網絡中多種參數之間的內在關聯，將認知的對象由單純的頻譜占用檢測拓展到對于多維傳輸參數、用戶及其業務的識別和預測，為立體協同提供好的認知基礎，如圖10所示。

圖10 面向密集立體覆蓋的多情境認知層次

下面，以清華大學自動化系模式識別與智能系統學科正在開展的物理層多維參數認知方法為例，相對具體地說明多情境智能認知。如前所述，在密集立體覆蓋網絡中，由于頻譜資源有限，用戶坐標重疊，因此存在嚴重的傳輸干擾問題。為了降低子網和用戶間的干擾，必須為通信節點提供全面準確的參數認知能力，識別周邊傳輸環境以及其他用戶的傳輸策略與方案，為“受控自治”提供環境信息基礎。然而傳統認知無線電技術僅檢測頻譜占用情況，無法獲取用戶傳輸的狀態信息，如傳輸電平、傳輸星座圖、傳輸幀長等，因此也就無法滿足上述需求。密集立體覆蓋模型則設計了全新的認知方式，盡可能多地獲取周邊環境的參數信息，包括頻譜空洞、用戶調制、用戶功率、正交空譜等多維無線資源。事實上，用戶的狀態信息相對于頻譜信息更多地反映了用戶本身的行為規律。對于多狀態的識別、學習和智能理解將是一種優于頻譜感知的認知方式。傳統的頻譜感知僅在{0,1}二元假設下對用戶頻譜的占用進行判決。然而實際用戶傳輸的狀態可以被描述為集合{S1，…，SM}。因此可以基于有限長度的接收序列{d1，…，dN}，利用多元假設檢測構造最大后驗概率Pr{Sm|d1，…，dN}，以此判斷用戶的最大可能狀態。在此基礎上，可以利用概率統計的知識求解狀態錯判概率Pr{Sm|Sn}，由此設計性能折中的資源調度或資源分配算法。然而，完全判斷用戶的傳輸狀態并針對每一種狀態設計一種策略的思路，將帶來很高的復雜度。

在大多數情況下，可以考慮將“相似”的用戶狀態集合聚類在一起，相似度可以根據實際傳輸需求以及傳輸策略進行具體定義，采用模式識別中的聚類算法將用戶的各種狀態分成形如{{S1}，{S2，S3}，…，{SM-1，SM-2，SM}}的聚類形式，并利用模式識別技巧在接收序列{d1，…，dN}的條件下對用戶的狀態類別進行判斷。在識別了用戶傳輸狀態后，可采用機器學習或增強型學習等方式對用戶的深層行為進行研究，掌握用戶行為規律，分析用戶行為模式，最后利用數據挖掘技巧對用戶的未來行為進行預測，以設計相應的資源調度算法，提高用戶體驗。

可以看到，上述多情境智能認知方法能夠很好地服務于“可控自治”的頂層設計思路，通過智能識別、學習和推斷，提升全局控制平面的信息精確性和局部自治模塊的信息全面性，進而服務于密集立體覆蓋中的智能協同。

6 結束語

在城市立體化、用戶密集化、業務海量化的趨勢下，如何在點到點傳輸逐漸逼近香農極限的情況下，進一步提升單位面積的頻譜效率，是無線與移動通信領域亟待解決的重要問題。本文分析了這種趨勢下一種可有效提升頻譜效率的全新的網絡模式和架構——密集立體覆蓋，該架構可依托于城市形態進行“物理”和“邏輯”立體組網，從而利用平面之外的第3個維度復用頻譜。由于密集立體覆蓋移動通信高度依賴城市建筑形態，因此會衍生出多層次、多體制異構重疊覆蓋的組網形式，為了靈活地優化系統的復雜性和通信性能，提出了一種全新管理、控制和優化思路——“可控自治”，并給出了基于“受控博弈，有序競爭”的通用數學框架；論述了密集立體覆蓋中大規模立體天線協同的優勢、挑戰和技術難點；提出了基于模式識別、機器學習和人工智能的多情境認知的認知理論與技術，使密集立體覆蓋成為傳統認知無線網絡演進的全新應用場景和學科交叉生長點。

密集立體覆蓋為移動通信向著5G的發展和演進提供了一種全新的解決思路和方向。其相關研究尚處于起步階段，存在大量的科學問題和創新空間，其研究涉及無線通信與多學科，包括博弈論、模式識別、人工智能、數值計算乃至地理信息系統等。對密集立體覆蓋移動通信基礎理論與關鍵技術的深入研究，必將推動大容量、多制式、智能化寬帶移動通信網絡的源頭創新，為未來寬帶無線城市的建設提供信息基礎設施關鍵技術。

1 TseD,ViswanathP.FundamentalsofWirelessCommunication.CambridgeUniversityPress,2005

1 Tse D,Viswanath P.Fundamentals of Wireless Communication.Cambridge University Press,2005

2 Haykin S. Cognitive radio: brain-empowered wireless communications. IEEE Journal on Selected Areas in Communications,2005,23(2):201~220

3 Zhou S,Gong J,Yang Z,et al.Green mobile access network with dynamic base station energy saving.ACM MobiCom,2009,9(262):10~12

4 Gupta P,Kumar P R.The capacity of wireless networks.IEEE Transactions on Information Theory,2000,46(2):388~404

5 Andrews J,Shakkottai S,Heath R,et al.Rethinking information theory for mobile Ad Hoc networks.Communications Magazine,IEEE,2008,46(12):94~101

6 Franceschetti M,Migliore M D,Minero P.The capacity of wireless networks:information-theoretic and physical limits.IEEE Transactions on Information Theory,2009,55(8):3413~3424

7 Gupta P,Kumar P R.Internets in the sky:capacity of 3D wireless networks.Proceedings of the 39th IEEE Conference on Decision and Control,IEEE,2000(3):2290~2295

8 Li P,Pan M,Fang Y.The capacity of three-dimensional wireless Ad Hoc networks.INFOCOM,Shanghai,China,2011:1485~1493

9 Peng M,Liang D,Wei Y,et al.Self-configuration and self-optimization in LTE-Advanced heterogeneous networks.IEEE Communications Magazine,2013,51(5):36~45

10 Goldsmith A J,Varaiya P P.Capacity of fading channels with channel side information.IEEE Transactions on Information Theory,1997,43(6):1986~1992

11 Wang J H,Scutari G,Palomar D P.Robust MIMO cognitive radio via game theory.IEEE Transactions on Signal Processing,2011,59(3):1183~1201

12 Scutari G,Palomar D P,Pang J S,et al.Convex optimization,game theory,and variational inequality theory.IEEE Signal Processing Magazine,2010,27(3):35~49

13 Marzetta T L.Noncooperative cellular wireless with unlimited numbers of base station antennas.IEEE Transactions on Wireless Communications,2010,9(11):3590~3600

14 Rusek F,Persson D,Lau B K,et al.Scaling up MIMO:opportunities and challenges with very large arrays.IEEE Signal Processing Magazine,2013,30(1):40~60

15 Love D J,Heath R W,Santipach W,et al.What is the value of limited feedback for MIMO channels.Communications Magazine,IEEE,2004,42(10):54~59

16 Stankovic V,Haardt M.Generalized design of multi-user MIMO precoding matrices. IEEE Transactions on Wireless Communications,2008,7(3):953~961

17 He A,Bae K K,Newman T R,et al.A survey of artificial intelligence for cognitive radios.IEEE Transactions on Vehicular Technology,2010,59(4):1578~1592