相关高斯分布的MIMO信道矩阵的容量统计特征推导
相关高斯分布的MIMO信道矩阵的容量统计特征推导
- 文章梗概
- 文章部分数学表述及系统模型
- 数学表述:定义在矩阵元上的三种积分
- 系统模型
- 数学分析架构
- 一般架构
- AWGN噪声且无干扰
- 鞍点分析
- 平均互信息
- 互信息的方差
本文是IEEE TIT(Trans on Information Theory)一篇文章的阅读笔记,文章链接如下:
A. L. Moustakas, S. H. Simon, and A. M. Sengupta, “MIMO capacity
through correlated channels in the presence of correlated interferers and
noise: A (not so) large N analysis,” IEEE Trans. Inf. Theory, vol. 49,
no. 10, pp. 2545–2561, Oct. 2003.
文章梗概
本文的主要工作是给出了相关MIMO信道模型下容量的估计方法。
文章结构:
- I-A开始,介绍文章所用的部分数学表述及系统模型;
- II介绍本文所用的数学架构;并在II-A中讨论无interferer且AWGN的情况,在II-B中讨论有interferer且有相关噪声的情况;
- IV介绍在其他场景中的应用,此处不表。
文章部分数学表述及系统模型
数学表述:定义在矩阵元上的三种积分
1、DcX=∏a=1mrows ∏α=1mcols dReXaαdImXaα2πD_{c} \boldsymbol{X}=\prod_{a=1}^{m_{\text {rows }}} \prod_{\alpha=1}^{m_{\text {cols }}} \frac{d \operatorname{Re} X_{a \alpha} d \operatorname{Im} X_{a \alpha}}{2 \pi}DcX=∏a=1mrows ∏α=1mcols 2πdReXaαdImXaα
2、dμ(T,R)=∏a=1mrows∏α=1mcolsdTaαdRαa2πid \mu(\boldsymbol{T}, \boldsymbol{R})=\prod_{a=1}^{m_{\mathrm{rows}}} \prod_{\alpha=1}^{m_{\mathrm{cols}}} \frac{d T_{a \alpha} d R_{\alpha a}}{2 \pi i}dμ(T,R)=∏a=1mrows∏α=1mcols2πidTaαdRαa
3、DgA=∏a=1mrows ∏α=1mcols dAaαdAˉaαD_{g} \boldsymbol{A}=\prod_{a=1}^{m_{\text {rows }}} \prod_{\alpha=1}^{m_{\text {cols }}} d A_{a \alpha} d \bar{A}_{a \alpha}DgA=∏a=1mrows ∏α=1mcols dAaαdAˉaα
系统模型
传输过程表述如下:
y=ρsntGsxs+ρiniGixi+z(1)\boldsymbol{y}=\sqrt{\frac{\rho_{s}}{n_{t}}} \boldsymbol{G}^{\boldsymbol{s}} \boldsymbol{x}^{s}+\sqrt{\frac{\rho_{i}}{n_{i}}} \boldsymbol{G}^{\boldsymbol{i}} \boldsymbol{x}^{i}+\boldsymbol{z} \tag{1}y=ntρsGsxs+niρiGixi+z(1)其中Gs\boldsymbol{G}^{\boldsymbol{s}}Gs是一个nr×ntn_r \times n_tnr×nt的复矩阵,表示信号信道矩阵,Gi\boldsymbol{G}^{\boldsymbol{i}}Gi是nr×nin_r \times n_inr×ni的复矩阵,表示干扰信道矩阵;xs\boldsymbol{x}^{\boldsymbol{s}}xs与xi\boldsymbol{x}^{\boldsymbol{i}}xi表示ntn_tnt维及nrn_rnr维的发射信号与干扰信号向量,都是零均值的高斯变量。发射信号功率限制为Q=E[xsxs†],Tr{Q}=nt\boldsymbol{Q}=E\left[\boldsymbol{x}^{\boldsymbol{s}} \boldsymbol{x}^{\boldsymbol{s}^{\dagger}}\right] ,\operatorname{Tr}\{\boldsymbol{Q}\}=n_{t}Q=E[xsxs†],Tr{Q}=nt。
数学分析架构
一般架构
互信息生成函数有:g(ν)=⟨[det(N+ρiniGiGi†+ρsntGsQGs†)]−ν[det(N+ρiniGiGi†)]−ν⟩=⟨e−νI⟩=1−ν⟨I⟩+ν22⟨I2⟩+⋯(2)\begin{aligned} g(\nu) &=\left\langle\frac{\left[\operatorname{det}\left(N+\frac{\rho_{i}}{n_{i}} G^{i} G^{i^{\dagger}}+\frac{\rho_{s}}{n_{t}} G^{s} Q G^{s \dagger}\right)\right]^{-\nu}}{\left[\operatorname{det}\left(N+\frac{\rho_{i}}{n_{i}} G^{i} G^{i^{\dagger}}\right)\right]^{-\nu}}\right\rangle \\ &=\left\langle e^{-\nu I}\right\rangle \\ &=1-\nu\langle I\rangle+\frac{\nu^{2}}{2}\left\langle I^{2}\right\rangle+\cdots \end{aligned} \tag{2}g(ν)=⟨[det(N+niρiGiGi†)]−ν[det(N+niρiGiGi†+ntρsGsQGs†)]−ν⟩=⟨e−νI⟩=1−ν⟨I⟩+2ν2⟨I2⟩+⋯(2)假设g(ν)g(\nu)g(ν)至少在ν=0\nu=0ν=0时是解析的,则logg(ν)\mathrm{log}g(\nu)logg(ν)可以表述为:logg(ν)=−ν⟨I⟩+∑p=2∞(−ν)pp!Cp(3)\log g(\nu)=-\nu\langle I\rangle+\sum_{p=2}^{\infty} \frac{(-\nu)^{p}}{p !} \mathcal{C}_{p} \tag{3}logg(ν)=−ν⟨I⟩+p=2∑∞p!(−ν)pCp(3)其中Cp\mathcal{C}_pCp为III的ppp阶累计矩,例如C2=Var(I)=⟨(I−⟨I⟩)2⟩\mathcal{C}_{2}=\operatorname{Var}(I)=\left\langle(I-\langle I\rangle)^{2}\right\rangleC2=Var(I)=⟨(I−⟨I⟩)2⟩为方差,C3=Sk(I)=⟨(I−⟨I⟩)3⟩\mathcal{C}_{3}=S k(I)=\left\langle(I-\langle I\rangle)^{3}\right\rangleC3=Sk(I)=⟨(I−⟨I⟩)3⟩为分布偏态。
AWGN噪声且无干扰
此时噪声矩阵为N=Inr\boldsymbol{N}=\boldsymbol{I}_{n_{r}}N=Inr,则容量表达式为:g(ν)=⟨[det(Inr+ρsntGsQGs†)]−ν⟩(4)g(\nu)=\left\langle\left[\operatorname{det}\left(\boldsymbol{I}_{n_{r}}+\frac{\rho_{s}}{n_{t}} \boldsymbol{G}^{\boldsymbol{s}} \boldsymbol{Q} \boldsymbol{G}^{\boldsymbol{s} \dagger}\right)\right]^{-\nu}\right\rangle \tag{4}g(ν)=⟨[det(Inr+ntρsGsQGs†)]−ν⟩(4)
设ν\nuν为任意正整数,由Appendix I中Identity 1,上式可写为:g(ν)=∫DcXe−12Tr{X†X}⟨e−ρs2ntTr{X†GsQGs†X}⟩(5)g(\nu)=\int D_{c} \boldsymbol{X} e^{-\frac{1}{2} \operatorname{Tr}\left\{\boldsymbol{X}^{\dagger} \boldsymbol{X}\right\}}\left\langle e^{-\frac{\rho_{s}}{2 n_{t}} \operatorname{Tr}\left\{\boldsymbol{X}^{\dagger} \boldsymbol{G}^{s} \boldsymbol{Q} \boldsymbol{G}^{\boldsymbol{s}\dagger} \boldsymbol{X}\right\}}\right\rangle \tag{5}g(ν)=∫DcXe−21Tr{X†X}⟨e−2ntρsTr{X†GsQGs†X}⟩(5)其中X\boldsymbol{X}X为复的nr×νn_r \times \nunr×ν维矩阵。
上式中括号中项利用Identity 2可以被改写为:⟨e−ρs2ntTr{X†GsQGs†X}⟩=∫DcYe−12TrY†Y×⟨e−ρS4ntTr{X†GsQ1/2Y−Y†Q1/2Gs†X}⟩(6)\begin{array}{r} \left\langle e^{-\frac{\rho_{s}}{2 n_{t}} \operatorname{Tr}\left\{\boldsymbol{X}^{\dagger} \boldsymbol{G}^{s} \boldsymbol{Q G}^{\boldsymbol{s} \dagger} \boldsymbol{X}\right\}}\right\rangle=\int D_{c} \boldsymbol{Y} e^{-\frac{1}{2} \operatorname{Tr} \boldsymbol{Y}^{\dagger} \boldsymbol{Y}} \\ \times\left\langle e^{-\sqrt{\frac{\rho_{S}}{4 n_{t}}} \operatorname{Tr}\left\{\boldsymbol{X}^{\dagger} \boldsymbol{G}^{s} \boldsymbol{Q}^{1 / 2} \boldsymbol{Y}-\boldsymbol{Y}^{\dagger} \boldsymbol{Q}^{1 / 2} \boldsymbol{G}^{\boldsymbol{s} \dagger} \boldsymbol{X}\right\}}\right\rangle \end{array} \tag{6}⟨e−2ntρsTr{X†GsQGs†X}⟩=∫DcYe−21TrY†Y×⟨e−4ntρSTr{X†GsQ1/2Y−Y†Q1/2Gs†X}⟩(6)则g(ν)g(\nu)g(ν)可以写为:g(ν)=∫DcXDcY⋅e−12Tr{X†X+Y†Y+ρs2ntY†Q1/2TsQ1/2YX†RsX}(7)\begin{aligned} g(\nu)=& \int D_{c} \boldsymbol{X} D_{c} \boldsymbol{Y} \\ & \cdot e^{-\frac{1}{2} \operatorname{Tr}\left\{\boldsymbol{X}^{\dagger} \boldsymbol{X}+\boldsymbol{Y}^{\dagger} \boldsymbol{Y}+\frac{\rho_{s}}{2 n_{t}} \boldsymbol{Y}^{\dagger} \boldsymbol{Q}^{1 / 2} \boldsymbol{T}^{s} \boldsymbol{Q}^{1 / 2} \boldsymbol{Y} \boldsymbol{X}^{\dagger} \boldsymbol{R}^{s} \boldsymbol{X}\right\}} \end{aligned} \tag{7}g(ν)=∫DcXDcY⋅e−21Tr{X†X+Y†Y+2ntρsY†Q1/2TsQ1/2YX†RsX}(7)将指数的最后一项用X,Y\boldsymbol{X,Y}X,Y表示为二次型(利用Identity 3并引入ν×ν\nu \times \nuν×ν维矩阵R1,T1\boldsymbol{R}_1,\boldsymbol{T}_1R1,T1)则指数的最后一项可写为:exp[ρs2ntTr{Y†Q1/2TsQ1/2YX†RsX}]=∫dμ(T1,R1)exp[Tr{T1R1}−ρs4nt×Tr{T1Y†Q1/2TsQ1/2Y+X†RsXR1}](8)\begin{array}{l} \exp \left[\frac{\rho_{s}}{2 n_{t}} \operatorname{Tr}\left\{\boldsymbol{Y}^{\dagger} \boldsymbol{Q}^{1 / 2} \boldsymbol{T}^{s} \boldsymbol{Q}^{1 / 2} \boldsymbol{Y} \boldsymbol{X}^{\dagger} \boldsymbol{R}^{s} \boldsymbol{X}\right\}\right] \\ =\int d \mu\left(\boldsymbol{T}_{1}, \boldsymbol{R}_{1}\right) \exp \left[\operatorname{Tr}\left\{\boldsymbol{T}_{1} \boldsymbol{R}_{1}\right\}-\sqrt{\frac{\rho_{s}}{4 n_{t}}}\right. \\ \left.\times \operatorname{Tr}\left\{\boldsymbol{T}_{1} \boldsymbol{Y}^{\dagger} \boldsymbol{Q}^{1 / 2} \boldsymbol{T}^{s} \boldsymbol{Q}^{1 / 2} \boldsymbol{Y}+\boldsymbol{X}^{\dagger} \boldsymbol{R}^{s} \boldsymbol{X} \boldsymbol{R}_{1}\right\}\right] \end{array} \tag{8}exp[2ntρsTr{Y†Q1/2TsQ1/2YX†RsX}]=∫dμ(T1,R1)exp[Tr{T1R1}−4ntρs×Tr{T1Y†Q1/2TsQ1/2Y+X†RsXR1}](8)这种方法叫Hubbard–Stratonovich变换,在“Distributions of singular values for some random matrices,”中也有应用,该方法处理上面这种指数矩阵解耦非常有用。
上述过程处理完成后,g(ν)g(\nu)g(ν)表述如下:g(ν)=∫dμ(T1,R1)e−S(9)g(\nu)=\int d \mu\left(\boldsymbol{T}_{1}, \boldsymbol{R}_{1}\right) e^{-\mathcal{S}} \tag{9}g(ν)=∫dμ(T1,R1)e−S(9)其中S=logdet(Inr⊗Iν+ρsntRs⊗R1)+logdet(Int⊗Iν+ρsntQ1/2TsQ1/2⊗T1)−Tr{T1R1}.(10)\begin{aligned} \mathcal{S}=& \log \operatorname{det}\left(\boldsymbol{I}_{n_{r}} \otimes \boldsymbol{I}_{\nu}+\sqrt{\frac{\rho_{s}}{n_{t}}} \boldsymbol{R}^{s} \otimes \boldsymbol{R}_{1}\right) \\ &+\log \operatorname{det}\left(\boldsymbol{I}_{n_{t}} \otimes \boldsymbol{I}_{\nu}+\sqrt{\frac{\rho_{s}}{n_{t}}} \boldsymbol{Q}^{1 / 2} \boldsymbol{T}^{s} \boldsymbol{Q}^{1 / 2} \otimes \boldsymbol{T}_{1}\right) \\ &-\operatorname{Tr}\left\{\boldsymbol{T}_{1} \boldsymbol{R}_{1}\right\} . \end{aligned} \tag{10}S=logdet(Inr⊗Iν+ntρsRs⊗R1)+logdet(Int⊗Iν+ntρsQ1/2TsQ1/2⊗T1)−Tr{T1R1}.(10)到此处,后面可以用鞍点逼近来分析。
鞍点逼近法是一种获得复空间中快变函数积分系统展开式的方法。这种方法包括变形积分轮廓,使其通过一个(或多个)点,其中被积函数的指数是平稳的,即指数对所有积分变量的导数消失的点[24]。因此,沿最陡下降路径的点周围的积分渐进地携带积分的最高权重。通常,当被积函数的指数较大时,这种近似是有效的,在这种情况下,这种方法也被称为拉普拉斯方法,或Varadhan定理。
由于鞍点近似解决的是复平面积分I(λ)=∫Cdzeλg(z)I(\lambda)=\int_{C} d z e^{\lambda g(z)}I(λ)=∫Cdzeλg(z)当λ\lambdaλ取大值时的近似问题。其中g(z)g(z)g(z)应该是zzz的解析函数。所以到此上述部分都是在将互信息凑成可以用鞍点分析的形式。
鞍点分析
(7)(7)(7)式中T1\boldsymbol{T}_1T1及R1\boldsymbol{R}_1R1在鞍点处的形式为t1ntIνt_{1} \sqrt{n_{t}} \boldsymbol{I}_{\nu}t1ntIν及r1ntIνr_{1} \sqrt{n_{t}} \boldsymbol{I}_{\nu}r1ntIν,若将除nt\sqrt{n_{t}}nt以外的项写入方差,则逼近的每一步T1\boldsymbol{T}_1T1及R1\boldsymbol{R}_1R1可写为T1=t1ntIν+δT1R1=r1ntIν+δR1(11)\begin{array}{l} \boldsymbol{T}_{1}=t_{1} \sqrt{n_{t}} \boldsymbol{I}_{\nu}+\boldsymbol{\delta} \boldsymbol{T}_{1} \\ \boldsymbol{R}_{1}=r_{1} \sqrt{n_{t}} \boldsymbol{I}_{\nu}+\boldsymbol{\delta} \boldsymbol{R}_{1} \end{array} \tag{11}T1=t1ntIν+δT1R1=r1ntIν+δR1(11)则(8)(8)(8)式中S\mathcal{S}S可以用方差矩阵δT1,δR1\boldsymbol{\delta} \boldsymbol{T}_{1},\boldsymbol{\delta} \boldsymbol{R}_{1}δT1,δR1的泰勒展开式展开:S=S0+S1+S2+S3+S4⋯(12)\mathcal{S}=\mathcal{S}_{0}+\mathcal{S}_{1}+\mathcal{S}_{2}+\mathcal{S}_{3}+\mathcal{S}_{4} \cdots \tag{12}S=S0+S1+S2+S3+S4⋯(12)其中Sp\mathcal{S}_pSp为δT1,δR1\boldsymbol{\delta} \boldsymbol{T}_{1},\boldsymbol{\delta} \boldsymbol{R}_{1}δT1,δR1泰勒展开第ppp项的函数:S0=ν[logdet(Int+ρsQTst1)+logdet(Inr+ρsRsr1)−ntr1t1]=νΓs(13)\begin{aligned} \mathcal{S}_{0}=& \nu\left[\log \operatorname{det}\left(\boldsymbol{I}_{n_{t}}+\sqrt{\rho_{s}} \boldsymbol{Q} \boldsymbol{T}^{s} t_{1}\right)\right.\\ &\left.+\log \operatorname{det}\left(\boldsymbol{I}_{n_{r}}+\sqrt{\rho_{s}} \boldsymbol{R}^{s} r_{1}\right)-n_{t} r_{1} t_{1}\right] \\ =& \nu \Gamma_{s} \end{aligned} \tag{13}S0==ν[logdet(Int+ρsQTst1)+logdet(Inr+ρsRsr1)−ntr1t1]νΓs(13)S1=(Mr,1−ntt1)Tr{δR1}+(Mt,1−ntr1)Tr{δT1}(14)\mathcal{S}_{1}=\left(M_{r, 1}-\sqrt{n_{t}} t_{1}\right) \operatorname{Tr}\left\{\boldsymbol{\delta} \boldsymbol{R}_{1}\right\}+\left(M_{t, 1}-\sqrt{n_{t}} r_{1}\right) \operatorname{Tr}\left\{\boldsymbol{\delta} \boldsymbol{T}_{1}\right\} \tag{14}S1=(Mr,1−ntt1)Tr{δR1}+(Mt,1−ntr1)Tr{δT1}(14)S2=−12Tr{Mr,2(δR1)2+Mt,2(δT1)2+2δR1δT1}=12Tr{[δR1δT1]TV[δR1δT1]}(15)\begin{aligned} \mathcal{S}_{2} &=-\frac{1}{2} \operatorname{Tr}\left\{M_{r, 2}\left(\boldsymbol{\delta} \boldsymbol{R}_{1}\right)^{2}+M_{t, 2}\left(\boldsymbol{\delta} \boldsymbol{T}_{1}\right)^{2}+2 \delta \boldsymbol{R}_{1} \boldsymbol{\delta} \boldsymbol{T}_{1}\right\} \\ &=\frac{1}{2} \operatorname{Tr}\left\{\left[\begin{array}{l} \boldsymbol{\delta} \boldsymbol{R}_{1} \\ \boldsymbol{\delta} \boldsymbol{T}_{1} \end{array}\right]^{T} \boldsymbol{V}\left[\begin{array}{l} \boldsymbol{\delta} \boldsymbol{R}_{1} \\ \boldsymbol{\delta} \boldsymbol{T}_{1} \end{array}\right]\right\} \end{aligned} \tag{15}S2=−21Tr{Mr,2(δR1)2+Mt,2(δT1)2+2δR1δT1}=21Tr{[δR1δT1]TV[δR1δT1]}(15)其中Hessian矩阵V\boldsymbol{V}V为:V=[−Mr,2−1−1−Mt,2](16)\boldsymbol{V}=\left[\begin{array}{cc} -M_{r, 2} & -1 \\ -1 & -M_{t, 2} \end{array}\right] \tag{16}V=[−Mr,2−1−1−Mt,2](16)当p>2p >2p>2,则Sp\mathcal{S}_pSp可简化为:Sp=(−1)ppTr{Mr,p(δR1)p+Mt,p(δT1)p}(17)\mathcal{S}_{p}=\frac{(-1)^{p}}{p} \operatorname{Tr}\left\{M_{r, p}\left(\boldsymbol{\delta} \boldsymbol{R}_{1}\right)^{p}+M_{t, p}\left(\boldsymbol{\delta} \boldsymbol{T}_{1}\right)^{p}\right\} \tag{17}Sp=p(−1)pTr{Mr,p(δR1)p+Mt,p(δT1)p}(17)其中Mt,p=(ρsnt)p/2Tr{[QTs(Int+ρst1QTs)−1]p}Mr,p=(ρsnt)p/2Tr{[Rs(Inr+ρsr1Rs)−1]p}(18)\begin{array}{l} M_{t, p}=\left(\frac{\rho_{s}}{n_{t}}\right)^{p / 2} \operatorname{Tr}\left\{\left[\boldsymbol{Q} \boldsymbol{T}^{s}\left(\boldsymbol{I}_{n_{t}}+\sqrt{\rho_{s}} t_{1} \boldsymbol{Q} \boldsymbol{T}^{s}\right)^{-1}\right]^{p}\right\} \\ M_{r, p}=\left(\frac{\rho_{s}}{n_{t}}\right)^{p / 2} \operatorname{Tr}\left\{\left[\boldsymbol{R}^{s}\left(\boldsymbol{I}_{n_{r}}+\sqrt{\rho_{s}} r_{1} \boldsymbol{R}^{s}\right)^{-1}\right]^{p}\right\} \end{array} \tag{18}Mt,p=(ntρs)p/2Tr{[QTs(Int+ρst1QTs)−1]p}Mr,p=(ntρs)p/2Tr{[Rs(Inr+ρsr1Rs)−1]p}(18)可以看到(8)(8)(8)式中两个Q1/2\boldsymbol{Q}^{1/2}Q1/2可以合为Q\boldsymbol{Q}Q。则(7)(7)(7)式的鞍点解,即t1,r1t_1,r_1t1,r1可由“针对变换的T1,R1\boldsymbol{T}_1,\boldsymbol{R}_1T1,R1,S\mathcal{S}S不变”得到,则S1=0\mathcal{S}_1=0S1=0,这类似于为了求最大值或最小值将一阶导设为0,则有:r1=1ntMt,1=ρsntTr{QTs[Int+ρst1QTs]−1}(19)r_{1} =\frac{1}{n_{t}} M_{t, 1}=\frac{\sqrt{\rho_{s}}}{n_{t}} \operatorname{Tr}\left\{\boldsymbol{Q} \boldsymbol{T}^{s}\left[\boldsymbol{I}_{n_{t}}+\sqrt{\rho_{s}} t_{1} \boldsymbol{Q} \boldsymbol{T}^{s}\right]^{-1}\right\} \tag{19}r1=nt1Mt,1=ntρsTr{QTs[Int+ρst1QTs]−1}(19)t1=1ntMr,1=ρsntTr{Rs[Inr+ρsRsr1]−1}(20)t_{1} =\frac{1}{n_{t}} M_{r, 1}=\frac{\sqrt{\rho_{s}}}{n_{t}} \operatorname{Tr}\left\{\boldsymbol{R}^{s}\left[\boldsymbol{I}_{n_{r}}+\sqrt{\rho_{s}} \boldsymbol{R}^{s} r_{1}\right]^{-1}\right\} \tag{20}t1=nt1Mr,1=ntρsTr{Rs[Inr+ρsRsr1]−1}(20)(17)(18)(17)(18)(17)(18)的解在正实数t1,r1t_1,r_1t1,r1的基础上最大化Γs\Gamma_{s}Γs。
控制该逼近过程的是小参数n1/2n^{1/2}n1/2,所以鞍点逼近在大规模MIMO中更加精确。
平均互信息
由g(ν)g(\nu)g(ν)的前几项可得:g(ν)≈exp(−S0)=exp(−νΓs)g(\nu) \approx \exp \left(-\mathcal{S}_{0}\right)=\exp \left(-\nu \Gamma_{s}\right)g(ν)≈exp(−S0)=exp(−νΓs)我们可以看到⟨I⟩\langle I\rangle⟨I⟩的主成分项为Γs\Gamma_{s}Γs,且有⟨I⟩=O(n)\langle I\rangle=\mathcal{O}(n)⟨I⟩=O(n)。
互信息的方差
为了得到(10)(10)(10)式中logg(ν)\mathrm{log}g(\nu)logg(ν)的O(v2)\mathcal{O}(v^2)O(v2)项,我们需将下一个非零项包括进来,即S2\mathcal{S}_2S2。因此我们仅忽略更高项Sp,p>2\mathcal{S}_p,p>2Sp,p>2。
基于(11)(11)(11)式的均值方差表述,g(ν)g(\nu)g(ν)可以被表述为:g(ν)=e−S0∫dμ(δT1,δR1)e−S2=e−S0∫dμ(δT1,δR1)×exp(−12∑a,b=1ν[δT1,abδR1,ab]V[δT1,baδR1,ba]T)(21)\begin{aligned} g(\nu)=& e^{-\mathcal{S}_{0}} \int d \mu\left(\boldsymbol{\delta} \boldsymbol{T}_{1}, \boldsymbol{\delta} \boldsymbol{R}_{1}\right) e^{-\mathcal{S}_{2}} \\ =& e^{-\mathcal{S}_{0}} \int d \mu\left(\boldsymbol{\delta} \boldsymbol{T}_{1}, \boldsymbol{\delta} \boldsymbol{R}_{1}\right) \\ & \times \exp \left(-\frac{1}{2} \sum_{a, b=1}^{\nu}\left[\delta T_{1, a b} \delta R_{1, a b}\right] \boldsymbol{V}\left[\delta T_{1, b a} \delta R_{1, b a}\right]^{T}\right) \end{aligned} \tag{21}g(ν)==e−S0∫dμ(δT1,δR1)e−S2e−S0∫dμ(δT1,δR1)×exp⎝⎛−21a,b=1∑ν[δT1,abδR1,ab]V[δT1,baδR1,ba]T⎠⎞(21)为了将(21)(21)(21)中方程的指数项对角化,利用酉变换将δT1,δR1\boldsymbol{\delta} \boldsymbol{T}_{1},\boldsymbol{\delta} \boldsymbol{R}_{1}δT1,δR1改为ν×ν\nu \times \nuν×ν维矩阵W1,W2\boldsymbol{W}_1,\boldsymbol{W}_2W1,W2,如下:[W1,abW2,ab]T=U[δT1,abδR1,ab]T\left[W_{1, a b} W_{2, a b}\right]^{T}=\boldsymbol{U}\left[\delta T_{1, a b} \delta R_{1, a b}\right]^{T}[W1,abW2,ab]T=U[δT1,abδR1,ab]TU\boldsymbol{U}U是一个满足UVUT=diag(v)\boldsymbol{U} \boldsymbol{V} \boldsymbol{U}^{\boldsymbol{T}}=\operatorname{diag}(\boldsymbol{v})UVUT=diag(v)的正交阵,其中v=[v1v2]T\boldsymbol{v}=[v_1 \space v_2]^Tv=[v1 v2]T是V\boldsymbol{V}V的特征值,则(21)(21)(21)式可以写为g(ν)=e−S0∫dμ(W1,W2)×exp(−12∑a,b=1ν[v1W1,abW1,ba+v2W2,abW2,ba])(22)\begin{array}{l} g(\nu)=e^{-\mathcal{S}_{0}} \int d \mu\left(\boldsymbol{W}_{1}, \boldsymbol{W}_{2}\right) \\ \times \exp \left(-\frac{1}{2} \sum_{a, b=1}^{\nu}\left[v_{1} W_{1, a b} W_{1, b a}+v_{2} W_{2, a b} W_{2, b a}\right]\right) \end{array} \tag{22}g(ν)=e−S0∫dμ(W1,W2)×exp(−21∑a,b=1ν[v1W1,abW1,ba+v2W2,abW2,ba])(22)由于Mt,2,Mr,2<1M_{t, 2}, M_{r, 2}<1Mt,2,Mr,2<1,v1,v2v_1,v_2v1,v2反号,因此为了保证M1,abM_{1,ab}M1,ab按照最速下降路径逼近,我们令W1=W1†\boldsymbol{W}_{1}=\boldsymbol{W}_{1}^{\dagger}W1=W1†,同时W2=iW2†\boldsymbol{W}_{2}=i \boldsymbol{W}_{2}^{\dagger}W2=iW2†,则(22)(22)(22)式进一步转化为g(ν)=e−S0∏k=12{∏a=1ν∫dWk,aa2π∏b>aν∬dReWk,abdImWk,ab2π×exp[−12∣vk∣Tr{Wk†Wk}]}=e−S0∣v1v2∣−ν22=e−S0∣detV∣−ν22(23)\begin{aligned} g(\nu)=& e^{-\mathcal{S}_{0}} \prod_{k=1}^{2}\left\{\prod_{a=1}^{\nu} \int \frac{d W_{k, a a}}{\sqrt{2 \pi}} \prod_{b>a}^{\nu} \iint \frac{d \operatorname{Re} W_{k, a b} d \operatorname{Im} W_{k, a b}}{2 \pi}\right.\\ &\left.\times \exp \left[-\frac{1}{2}\left|v_{k}\right| \operatorname{Tr}\left\{\boldsymbol{W}_{k}^{\dagger} \boldsymbol{W}_{k}\right\}\right]\right\} \\ =& e^{-\mathcal{S}_{0}}\left|v_{1} v_{2}\right|^{-\frac{\nu^{2}}{2}}=e^{-\mathcal{S}_{0}}|\operatorname{det} \boldsymbol{V}|^{-\frac{\nu^{2}}{2}} \end{aligned} \tag{23}g(ν)==e−S0k=1∏2{a=1∏ν∫2πdWk,aab>a∏ν∬2πdReWk,abdImWk,ab×exp[−21∣vk∣Tr{Wk†Wk}]}e−S0∣v1v2∣−2ν2=e−S0∣detV∣−2ν2(23)将(3)(3)(3)式与(23)(23)(23)式逐项比较,对应上g(ν)g(\nu)g(ν)的ν\nuν阶泰勒展开式,则方差中的主成分为:⟨I2⟩−⟨I⟩2=C2=−log∣detV∣+⋯=−log(1−Mr,2Mt,2)+⋯(24)\begin{aligned} \left\langle I^{2}\right\rangle-\langle I\rangle^{2} &=\mathcal{C}_{2}=-\log |\operatorname{det} \boldsymbol{V}|+\cdots \\ &=-\log \left(1-M_{r, 2} M_{t, 2}\right)+\cdots \end{aligned} \tag{24}⟨I2⟩−⟨I⟩2=C2=−log∣detV∣+⋯=−log(1−Mr,2Mt,2)+⋯(24)因为Mr,2,Mt,2=O(1)M_{r, 2}, M_{t, 2}=\mathcal{O}(1)Mr,2,Mt,2=O(1),则方差在n−1/2n^{-1/2}n−1/2的扩展上也是O(1)\mathcal{O}(1)O(1)。同时我们发现在S2\mathcal{S}_2S2中没有哪一项是ν\nuν的函数。因此没有O(1)\mathcal{O}(1)O(1)中的哪一项在⟨I⟩\left\langle I \right\rangle⟨I⟩中出现,因此有⟨I⟩=Γs+o(1)\langle I\rangle=\Gamma_{s}+o(1)⟨I⟩=Γs+o(1)。
相关高斯分布的MIMO信道矩阵的容量统计特征推导相关推荐
- MIMO信道的信道容量
作者:alpswy,转载请注明出处 //受工作时间所限,本文中的仿真结果均未在博客中做出整理,如对仿真结果感兴趣,本文附带了本文中所有结果的仿真程序,请自行修改参数后使用Matlab仿真查看 假设信道 ...
- MIMO-OFDM无线通信技术及MATLAB实现(3)MIMO信道模型
目录 MIMO统计信道模型 空间相关性 PAS模型 多簇 I-METRAMIMO信道 相关MIMO衰落信道的统计模型 相关MIMO信道系数的产生 I-METRAMIMO信道 多普勒谱 莱斯衰落 方向矩 ...
- 初识MIMO(一): MIMO信道模型
初识MIMO(一): MIMO信道模型 一.MIMO中常用的一些量 1. 统计模型 MIMO中信道使用相关性来描述的,而相关性是和AoA强相关的,如何来描述呢? 可以看到,建模的方式是得到PADS后分 ...
- SISO/MIMO信道估计(channel estimation)原理详细图解
1. 引言 在所有通信中,信号都会通过一个介质(称为信道),并且信号会失真,或者在信号通过信道时会向信号中添加各种噪声.正确解码接收到的信号而没有太多错误的方法是从接收到的信号中消除信道施加的失真和噪 ...
- MIMO信道估计中的码本
在MIMO信道估计等问题中, 往往需要使用码本, 而最常用的就是DFT码本. 本文介绍了为何DFT码本可以如此适用于作为信道估计的码本.首先会从ULA 阵列天线入手, 然后拓展到UPA 平面天线. 1 ...
- 数字波束成形——信道矩阵奇异值分解
考虑点对点 MIMO 波束成形系统,假设发射端有 NtN_tNt 根天线,NrN_rNr根接收天线,发射端发送已调复数信息向量为xxx ,经过发射波束成形矩阵FFF 的作用后加载到发射天线的各个阵 ...
- 基于MATLAB的MIMO信道估计(附完整代码与分析)
目录 一. 介绍 二. MATLAB代码 三. 运行结果与分析 3.1 均方误差(MSE)与训练功率(dB)的关系 3.2 不同信道估计方法性能对比 一. 介绍 本篇将在MATLAB的仿真环境中对比M ...
- 《高级无线网络—4G技术》——2.6 MIMO信道和空时编码
本节书摘来自异步社区<高级无线网络-4G技术>一书中的第2章,第2.6节,作者: [芬]Savo G. Glisic 更多章节内容可以访问云栖社区"异步社区"公众号查看 ...
- 【文献阅读笔记】信道矩阵(向量)与天线数的关系
最近在阅读文献的时候,很多时候会将信道建模成矩阵或向量的模型,那矩阵或者向量的维数与天线数有什么关系呢? 模型的分类 根据基站和用户的天线数不同,可以将模型分为SISO.SIMO.MISO.MIMO ...
最新文章
- WordPress中的cookie 机制
- 最新「Nature Index中国」出炉:北大领跑50所国内顶级研究机构
- golang 学习 (八)协程
- 【QM-02】Master Data (QM主数据的设置)
- CVPR 2019 | 旷视研究院提出Re-ID新方法VPM,优化局部成像下行人再识别
- Spring中的Events
- linux中ssh连接慢的一种解决方法
- Asp Net Core 5 REST API 使用 RefreshToken 刷新 JWT - Step by Step(三)
- 用示例说明BitMap索引的效率要优于B-Tree索引
- 互联网java面试_互联网java面试宝典
- LVS+keepalived高可用负载均衡集群部署(一) ----数据库的读写分离
- Linux vsFTPd服务详解——本地用户登录实战
- HTML基础代码用法大全,html代码大全(基础使用代码)(颜色代码完整版)
- 极路由2hc5761刷华硕固件_极路由3华硕固件下载-极路由3 Pro刷华硕固件官方完整版【附升级工具及教程】-东坡下载...
- oracle中同义词作用,Oracle同义词创建及其作用
- 变形菌门扩张——肠道微生态失调和炎症肠病的潜在特征
- flink stream 终于上local 集群 运行起来
- 云栖科技评论84期:英国零售商找错了“替罪羊”...
- 机器人4.0时代来临!四大核心技术助推大规模商用部署
- 2022商业地产百货零售行业IT及数字化转型分析
热门文章
- 抖音素材哪里收集_抖音素材哪里收集 这个视频下载网站帮你处理好了
- opencv surf特征点检测(二),API接口分析
- 必不可少的数学基础-单调有界定理
- anyRTC加持AI,打造下一代实时音视频引擎
- ARM7开发板模拟器Skyeye安装设置全攻略
- Python poplib.POP3_SSL使用示例
- 主流币仍被摁在地上摩擦,平台币已扬起一场美丽的春梦
- AI4DB:openGauss人工智能参数调优之X-Tuner
- Neo4j数据库知识图谱查询关联人物关系和cypher查询
- 机加工行业如何打造MES系统,本文让你一目了然