2.1.
混合预编码优化设计目标函数
-
图1为毫米波Massive-MIMO通信系统,在下行链路的传输中,基站传送给用户数据矢量为${{s}} \in {\mathbb{C}^{{N_s} \times 1}}$,用户收到的信号须经模拟合并器和数字合并器处理,可表示为:
式中,$P$为基站发射功率;${{{F}}_{{\rm{BB}}}} \in {\mathbb{C}^{N_t^{{\rm{RF}}} \times {N_s}}}$是基带数字预编码矩阵;${{{F}}_{{\rm{RF}}}} \in {\mathbb{C}^{{N_t} \times N_t^{{\rm{RF}}}}}$为模拟预编码矩阵;${{{W}}_{{\rm{RF}}}} \in {\mathbb{C}^{{N_r} \times N_r^{{\rm{RF}}}}}$和${{{W}}_{{\rm{BB}}}} \in {\mathbb{C}^{N_r^{{\rm{RF}}} \times {N_s}}}$分别为模拟合并器和数字合并器;${{n}} \sim {\rm N}\left( {0,{\sigma ^{\rm{2}}}{{{I}}_{{N_r}}}} \right)$表示接收到的复高斯噪声。为了简化设计,仅考虑基站的混合预编码设计。并通过收发信号间互信息的最大化来设计混合预编码[4],由式(4)可得对应的互信息解析式:
2.2.
混合预编码设计
-
由式(5)可知基站混合预编码器的优化问题能够建模为:
式中,${\rm{Tr}}( \cdot )$表示求方阵的迹;${\rm{Tr}}({{{F}}_{{\rm{RF}}}}{{{F}}_{BB}}{{F}}_{BB}^{\rm{H}}{{F}}_{RF}^{\rm{H}}) \leqslant P$表示为模拟预编码矩阵与数字预编码矩阵的功率上限值。式(6)的优化目标函数是多变量约束优化问题,可先求得模拟预编码,再求解数字预编码设计。
2.2.1.
模拟预编码优化设计目标函数
-
在大规模天线情况下,最优${{{F}}_{{\rm{BB}}}}$总是满足${{{F}}_{{\rm{BB}}}}{{F}}_{{\rm{BB}}}^{\rm{H}} \propto {{I}}$[6],采用等功率分配时,在高信噪比中可得到最佳比例常数,即得${{{F}}_{{\rm{BB}}}}{{F}}_{{\rm{BB}}}^{\rm{H}} \approx {\beta ^2}{{I}}$,其中${\beta ^2}{\rm{ = }}P{\rm{/}}\left( {{N_t}N_t^{{\rm{RF}}}} \right)$。假设${{{F}}_{{\rm{BB}}}}{{F}}_{{\rm{BB}}}^{\rm{H}} = {\beta ^2}{{I}}$,将其代入式(6)并令${{D}} = {{{H}}^{\rm{H}}}{{H}}$,可得模拟预编码${{F}}_{{\rm{RF}}}^ * $优化目标函数:
为了降低运算复杂度,将优化解${{F}}_{{\rm{RF}}}^ * $分解为对应射频链的模拟预编码矢量${{f}}_{{\rm{RF}},l}^{}$后分别求解。若矩阵${{D}}$的奇异值分解为${{D}} = {{U\Sigma }}{{{V}}^{\rm{H}}}$,则${{f}}_{{\rm{RF}},l}^{}$的优化目标函数可表示为:
式中,${{{G}}_l} \triangleq \overline U {\left( {\alpha {{{I}}_{Ns}} + \overline {{\Sigma }} {{\overline {{V}} }^{\rm{H}}}{{{F}}_{{\rm{RF}},\backslash l}}{{F}}_{{\rm{RF}},\backslash l}^{\rm{H}}\overline {{U}} } \right)^{ - 1}}\overline {{\Sigma }} {\overline {{V}} ^{\rm{H}}}$为包含干扰的信道矩阵;$\alpha $是一个很小的标量,确保可逆性;${{{F}}_{{\rm{RF}},\backslash l}}$表示${{{F}}_{{\rm{RF}}}}$中不包含第$l$列,${{{f}}_{{\rm{RF}},l}}$表示${{{F}}_{{\rm{RF}}}}$的第$l$列;$\overline {{U}} \triangleq {{U}}\left( {:,1:K} \right)$,$\overline {{V}} \triangleq {{V}}\left( {:,1:K} \right)$,$\overline {{\Sigma }} \triangleq {{\Sigma }}( 1:K,$$1:K )$。若通过穷举搜索求解该优化问题,则算法复杂度为$O({{\cal{F}}^{{N_t}}} \times {{\cal{F}}^{{N_t}}})$,具有指数特性。鉴于毫米波Massive-MIMO信道的的稀疏性,以低秩矩阵表示干扰信道${{{G}}_l}$,以进一步降低计算复杂度,并获取算法性能和复杂度的性能折衷[10]。
假设矩阵${{{G}}_l}$特征值分解为:
式中,${\lambda _i}$和${{{q}}_i}$分别表示特征值和特征向量。基于上述分析,仅保留最大的2阶秩矩阵特征矢量以降低运算复杂度,则近似可得${{{G}}_l} \approx {\lambda _{\rm{1}}}{\left( {{{{q}}_{\rm{1}}}} \right)^2}{\rm{ + }}{\lambda _{\rm{2}}}{\left( {{{{q}}_{\rm{2}}}} \right)^2}$,则式(8)可近似表示为:
式中,${{z}} \triangleq {\lambda _1}{{{q}}_1} + {\rm{j}}{\lambda _2}{{{q}}_2}$为复数向量。籍此,通过穷举搜索算法求解式(10)优化矢量的计算复杂度可降为$O({{\cal{F}}^{{N_t}}})$。然而,在大规模天线MIMO系统中,优化算法对应的计算复杂度仍然很高。
2.2.2.
改进相位迭代的模拟预编码算法
-
为了降低优化矢量${{f}}_{{\rm{RF}},l}^ * $的计算复杂度,同时提高编码性能,提出改进相位迭代的模拟预编码优化矢量${{f}}_{{\rm{RF}},l}^ * $求解算法。该算法通过迭代搜索得到${{{f}}_{{\rm{RF}},l}}$中的标量元素在条件约束下的最佳相位。假设${\theta _{l,u}}\left( {u = 1,2, \cdots ,{N_t}} \right)$为模拟预编码矢量${{{f}}_{{\rm{RF}},l}}$对应元素的连续相位,则${{{f}}_{{\rm{RF}},l}}$最优的连续相位${\hat \theta _{l,u}}$可表示为:
式中,${\rm{angle}}\left\{ \cdot \right\}$表示提取复数的角度,对相位${\hat \theta _{l,u}}$量化,对应移相器的最优的离散相位$\tilde \theta _{l,u}^*$为:
然后通过迭代算法设计${{{f}}_{{\rm{RF}},l}}$,直到${{{f}}_{{\rm{RF}},l}}$每个元素的最优离散相位$\tilde \theta _{l,u}^*$都收敛。下面证明该算法可得最优模拟预编码矢量,即式(10)可等效为:
证明:1)求${\hat \theta _{l,{\rm{1}}}}$,为简化求解,暂不考虑式(13)的常数系数${\rm{1/}}\sqrt {{N_t}} $,则求和公式可展开为$\max \left| {\displaystyle\sum\limits_{u{\rm{ = 2}}}^{{N_t}} {{{\rm{e}} ^{ - {\rm{j}}{\theta _{l,u}}}}{{z}}\left( u \right)} {\rm{ + }}{{\rm{e}} ^{ - {\rm{j}}{\theta _{l,1}}}}{{z}}\left( 1 \right)} \right|$。可见,当第一项$\displaystyle\sum\limits_{u{\rm{ = 2}}}^{{N_t}} $${{{\rm{e}}^{ - {\rm{j}}{\theta _{l,u}}}}{{z}}\left( u \right)}$的相位与第二项${{\rm{e}} ^{ - {\rm{j}}{\theta _{l,1}}}}{{z}}\left( 1 \right)$的相位相等时,式(13)可取得最大值,此时可得最优的${\hat \theta _{l,{\rm{1}}}}{\rm{ = }}{\rm{angle}} $$\left\{ {\displaystyle\sum\limits_{u{\rm{ = 2}}}^{{N_t}} {{{\rm{e}}^{ - {\rm{j}}{\theta _{l,u}}}}{{z}}\left( u \right)} } \right\}{\rm{ - angle}}\left( {{{z}}\left( 1 \right)} \right)$。
2)求${\hat \theta _{l,u}}$,将${\hat \theta _{l,{\rm{1}}}}$其代入式(13),可通过迭代方法分别求得${\hat \theta _{l,u}}$,但由于求和部分的重复计算,使得循环复杂度过高,为简化上述的计算复杂度,令式(13)所有展开项相位相等,即${\rm{angle}}\left\{ {{{\rm{e}} ^{ - {\rm{j}}{\theta _{l,{\rm{1}}}}}}{{z}}\left( {\rm{1}} \right)} \right\} = $${\rm{angle}}\left\{ {{{\rm{e}} ^{ - {\rm{j}}{\theta _{l,{\rm{2}}}}}}{{z}}\left( {\rm{2}} \right)} \right\}{\rm{ = }} \cdots {\rm{ = angle}}\left\{ {{{\rm{e}} ^{ - {\rm{j}}{\theta _{l,{N_t}}}}}{{z}}\left( {{N_t}} \right)} \right\} $以此降低复杂度,同时保证式(13)的最大化。此时最优连续相位${\widehat \theta _{l,u}}$为:
相应可得低精度移相器最优的离散移相为$\tilde \theta _{l,u}^* = \arg {\kern 1pt} {\kern 1pt} {\kern 1pt} \mathop {{\kern 1pt} {\kern 1pt} {\kern 1pt} \min }\limits_{\;{{\tilde \theta }_{l,u}} \in \mathbb{B}} \left| {{{\hat \theta }_{l,u}} - {{\tilde \theta }_{l,u}}} \right|$,最后迭代${{{f}}_{{\rm{RF}},l}}$每个元素的相位直到取得收敛。
在上述模拟预编码优化解求解过程中,由于$\arg \max {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \left\{ \cdot \right\}$函数返回值对应最大的自变量,所以优化目标函数${{f}}_{{\rm{RF}},l}^ * = \arg {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \max {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \left\{ {\left| {{{f}}_{_{{\rm{RF}},l}}^{\rm{T}}{{z}}} \right|} \right\}$具有单调递增特性,并且${\kern 1pt} {{{f}}_{{\rm{RF}},l}}(i) \in {\cal{F}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} ({\kern 1pt} i = 1, 2, \cdots ,{N_t})$集合有限,因此,目标函数存在上界,故而提出的算法能保证其收敛性,并可收敛至局部最优解。
2.2.3.
基于构造候选波束集的模拟预编码算法
-
为了进一步降低硬件成本,并提高硬件效率,通过构造候选波束集方法,得到移相器量化精度为1 bit的模拟预编码向量${{f}}_{{\rm{RF}},l}^ * $的优化算法。为此,引入辅助变量$\psi \in \left[ {{\rm{ - }}{\text{π}} ,{\text{π}} } \right]$,将式(10)的优化问题转化为:
式中,${\mathop{\rm Re}\nolimits} \left\{ \cdot \right\}$表示提取复数的实部;${\vartheta _i}$为${{z}}(i)$的角度。对任意的$\;\psi \in \left[ { - {\text π} ,{\text π} } \right]$,最优的${{f}}_{{\rm{RF}},l}^ * (i) = \dfrac{1}{{\sqrt {{N_t}} }}{\rm{sgn}} (\cos (\psi - {\vartheta _i})),$$ i = 1,2, \cdots ,{N_t}$。此时可构造一个小尺度候波束选集合${{\cal{F}}_l} \triangleq \left\{ {{{{f}}_{l,1}}, \cdots ,{{{f}}_{l,{N_t}}}} \right\}$,其中最优的${{f}}_{{\rm{RF}},l}^ * \in {{\cal{F}}_l}$[10]。式(10)可等效为:
此时求解式(16)仅多项式复杂度,即可得最优模拟预编码${{f}}_{{\rm{RF}},l}^ * $。
模拟预编码向量${{F}}_{{\rm{RF}}}^ * $优化算法的具体步骤如下:
1)初始化$l = 1$,${{{F}}_{{\rm{RF}}}} = {{0}}$;
2)当$l < {N_t}$,计算${{{G}}_l}$,然后秩−2矩阵近似得到${{{G}}_l} \approx {\lambda _{\rm{1}}}{\left( {{{f}}_{_{{\rm{RF}} ,l}}^{\rm{H}}{{{q}}_{\rm{1}}}} \right)^2}{\rm{ + }}{\lambda _{\rm{2}}}{\left( {{{f}}_{_{{\rm{RF}} ,l}}^{\rm{H}}{{{q}}_{\rm{2}}}} \right)^2}$,定义复数向量${{z}} \triangleq {\lambda _1}{{{q}}_1} + {\rm{j}}{\lambda _2}{{{q}}_2}$,即可得优化函数${{f}}_{{\rm{RF}} ,l}^ * = \arg\max $$\left\{ {\left| {{{f}}_{_{{\rm{RF}} ,l}}^{\rm{H}}{{z}}} \right|} \right\}$。否则跳转到步骤4);
3)利用算法1(或算法2)求解${{f}}_{{\rm{RF}} ,l}^ * $。然后$l = l + 1$,跳转到步骤2);
4)如果${{F}}_{{\rm{RF}} }^ * $收敛,则直接输出。否则$l = 1$并跳转到步骤2)。
2.3.
数字预编码设计
-
基站求得模拟预编码${{{F}}_{{\rm{RF}}}}$后,可得等效信道${{{H}}_e} = {{H}}{{{F}}_{{\rm{RF}}}}$,代入式(6),则数字预编码${{F}}_{{\rm{BB}}}^{}$的优化目标函数可表示为:
式中,${{Q}} = {{F}}_{{\rm{RF}}}^{\rm{H}}{{{F}}_{{\rm{RF}}}}$,优化问题(17)可用注水方案求得${{{F}}_{{\rm{BB}}}} = {{{Q}}^{ - 1/2}}{{{U}}_e}{{{\Gamma }}_e}$,其中${{{U}}_e}$是${{{H}}_{ef}}{{{Q}}^{ - 1/2}}$的右奇异向量集合,对应最大的${N_s}$个奇异值,${{{\Gamma }}_e}$是数据流对应的功率分配矩阵,其${{{\Gamma }}_e} \approx \sqrt {P/{N^{{\rm{RF}}}}} {{I}}$[6]。
模拟合并器${{W}}_{{\rm{RF}}}^*$的优化问题与求解模拟预编码类似,确定混合预编码${{{F}}_{{\rm{RF}}}}{{{F}}_{{\rm{BB}}}}$和模拟合并器${{W}}_{{\rm{RF}}}^*$后,采用MMSE方法获取最优数字合并器${{W}}_{{\rm{BB}}}^{\rm{*}}$[11]。