1.一种车联网下基于用户调度的大规模MIMO预编码方法，其特征在于，包括：S1，建立车联网下的大规模MIMO的信道模型；

S2，进行联合信道相关性和信道自身条件的多用户调度，获得调度用户集；

S3，根据多用户调度的结果进行基于块对角化的预编码，达到消除干扰的目的。

2.根据权利要求1所述的一种车联网下基于用户调度的大规模MIMO预编码方法，其特征在于，所述S1包括：

由于车辆的高速运动，信道特性表现为时变性，产生多普勒效应，于是将多普勒效应引入信道模型与常规毫米波信道合并，则所述第t个时隙的时变几何信道模型可以表示为H

其中，(·) 表示矩阵或向量的共轭转置； 是归一化校正因子；Nt、Nr分别表示发射端发射天线数和每个车辆用户的接收天线数；Nc表示信道中分簇的数目；Nray表示每个分簇中子信道的个数；标量αil(t)表示第i个簇内第l条路径的增益，服从复高斯分布CN(0,1)； 和 分别表示接收和发射天线的阵列导向矢量，即T

其中，(·) 表示矢量的转置； 和 分别表示第i个簇内第l条路径的到达角和离开角；λ为毫米波波长；d为天线阵元间距离；

假设功率平均分配，则系统在发射端采用块对角化(Block Diagonalization,BD)预编码算法时，对于最终选择的R个用户中，则第k个用户可获得的信道容量为2

其中，B为信道带宽；P为发射总功率；σ是加性高斯白噪声；det(·)表示求矩阵行列式；

IN表示维度为N的单位矩阵。

3.根据权利要求1所述的一种车联网下基于用户调度的大规模MIMO预编码方法，其特征在于，所述S2包括：

S2‑1，根据信道相关性理论，两个矩阵Hi和Hj组成的拼接矩阵Hi,j＝[Hi,Hj]的列向量两两正交程度越高时，矩阵Hi和Hj间的相关性越低；首先将矩阵Hi和Hj进行向量化，所述矩阵向量化方法为

所述用户信道矩阵的相关性的采用矩阵向量化后的皮尔逊系数可表示为其中，coorij(vi,vj)∈[‑1,1]的绝对值表示矩阵Hi和Hj的皮尔逊相关系数；coorij(vi,vj)绝对值取值越大，则表示用户i和用户j之间的信道相关性越高，从而表示两个用户之间的干扰越严重，反之亦然；因此，coorij(vi,vj)的绝对值取值越小时，两个矩阵Hi和Hj之间的空间相关性就越低；

S2‑2，贪婪算法是通过计算噪声增强因子lk，选择可以保证当前系统的 最大的用户，可以发现， 是由集合S中的每个用户的信道增益决定的；因此，用户的噪声增强因子lk也是影响系统容量的一个主要因素，所述根据噪声增强因子来衡量信道自身条件的调度因子表示为

其中 ||·||2表示矩阵的2范数； 为单位矩阵；

根据S2‑1和S2‑2，将ρkcoorks作为本文多用户调度算法的准则，遍历所有用户选择ρkcoorks最小的用户作为调度用户，直到调度用户数量达到R，得到最优调度用户集，从而将调度用户集的信道作为系统的有效传输信道，获取更好的系统用户增益，其中coorks表示待选用户集中第k个用户与已选用户集s之间的皮尔逊系数。

4.根据权利要求1所述的一种车联网下基于用户调度的大规模MIMO预编码方法，其特征在于，所述S3包括：

所述基于块对角化的预编码方法的核心是进行两次奇异值分解(Singular Value Decomposition，SVD)得到预编码矩阵F，其中用户k的预编码矩阵为 其中分别表示为第一次和第二次SVD分解后得到的信道矩阵零空间；

将所述系统信道矩阵表示为

则用户k的补矩阵 为

对 进行SVD分解，可以得到

其中， 和 分别是 的前 和后 个右奇异值向量， 是 的零空间；

令 对系统等效信道矩阵 进行SVD分解，得到令 得到用户k的预编码矩阵、组合器为Wk＝Uk

综上，所述块对角化预编码算法的主要目的是寻找用户k(k＝1,...,K)的最优预编码矩阵，使其满足 从而实现完全消除干扰的目的。