Joint Tx-Rx Beamforming Design for Multicarrier MIMO Channels: A Unified Framework (1)
前言
这篇博客是对经典paper Joint Tx-Rx Beamforming Design for Multicarrier MIMO Channels: A Unified Framework for Convex Optimization 的摘记,文中通过作者给出的Schur-convex函数的概念,将不同的beamforming指标都与MSE关联,并可以通过统一的框架进行求解。这是一篇内容非常充实且经典的文章。
系统模型与接收机设计
文章考虑的是单用户点对点的宽带场景,其接收天线上的信号模型可以建模为:
yk=Hksk+nk\mathbf{y}_{k}=\mathbf{H}_{k} \mathbf{s}_{k}+\mathbf{n}_{k} yk=Hksk+nk
其中sk=Bkxk\mathbf{s}_{k}=\mathbf{B}_{k} \mathbf{x}_{k}sk=Bkxk。经过接收机均衡后,得到:
x^k=AkHyk\hat{\mathbf{x}}_{k}=\mathbf{A}_{k}^{H} \mathbf{y}_{k} x^k=AkHyk
考察其MSE矩阵:
Ek(Bk,Ak)≜E[(x^k−xk)(x^k−xk)H]=AkHRykAk+I−AkHHkBk−BkHHkHAk\begin{aligned} \mathbf{E}_{k}\left(\mathbf{B}_{k}, \mathbf{A}_{k}\right) & \triangleq \mathbb{E}\left[\left(\hat{\mathbf{x}}_{k}-\mathbf{x}_{k}\right)\left(\hat{\mathbf{x}}_{k}-\mathbf{x}_{k}\right)^{H}\right] \\ &=\mathbf{A}_{k}^{H} \mathbf{R}_{y_{k}} \mathbf{A}_{k}+\mathbf{I}-\mathbf{A}_{k}^{H} \mathbf{H}_{k} \mathbf{B}_{k}-\mathbf{B}_{k}^{H} \mathbf{H}_{k}^{H} \mathbf{A}_{k} \end{aligned} Ek(Bk,Ak)≜E[(x^k−xk)(x^k−xk)H]=AkHRykAk+I−AkHHkBk−BkHHkHAk
因此,第iii个流所对应的MSE可以写为:
MSEk,i(Bk,ak,i)=[Ek]ii=ak,iHRykak,i+1−ak,iHHkbk,i−bk,iHHkHak,i\begin{aligned} \operatorname{MSE}_{k, i}\left(\mathbf{B}_{k}, \mathbf{a}_{k, i}\right) =\left[\mathbf{E}_{k}\right]_{i i} =\mathbf{a}_{k, i}^{H} \mathbf{R}_{y_{k}} \mathbf{a}_{k, i}+1-\mathbf{a}_{k, i}^{H} \mathbf{H}_{k} \mathbf{b}_{k, i}-\mathbf{b}_{k, i}^{H} \mathbf{H}_{k}^{H} \mathbf{a}_{k, i} \end{aligned}MSEk,i(Bk,ak,i)=[Ek]ii=ak,iHRykak,i+1−ak,iHHkbk,i−bk,iHHkHak,i
这里我们以最小化所有MSEk,i\operatorname{MSE}_{k, i}MSEk,i为目标进行接收机设计。需要注意的是,在后文中作者将说明,其他的常见指标,如SNR,BER等,都可以视为是MSE的函数,因此以最小化MSE为目标进行的接收机设计是没有问题的。
另一方面,注意到MSE是接收矩阵A\mathbf{A}A的凸函数,因此,在给定B\mathbf{B}B时,A\mathbf{A}A是可以求得最优解的。 因此,我们可以求取A\mathbf{A}A在给定B\mathbf{B}B时的最优解,再将其作为B\mathbf{B}B的函数代回,将原问题转化为B\mathbf{B}B的单变量问题。这样做是不会损失最优性的,因为A\mathbf{A}A取到的是闭式解。
因此,我们通过求解如下优化问题来获得A\mathbf{A}A的最优解:
minAk∗cHEk(Bk,Ak)c,∀c\min _{\mathbf{A}_{k}^{*}} \mathbf{c}^{H} \mathbf{E}_{k}\left(\mathbf{B}_{k}, \mathbf{A}_{k}\right) \mathbf{c}, \quad \forall \mathbf{c} Ak∗mincHEk(Bk,Ak)c,∀c
注意,这里c\mathbf{c}c为 canonical base, 不同的canonical base对应cHEk(Bk,Ak)c,∀c\mathbf{c}^{H} \mathbf{E}_{k}\left(\mathbf{B}_{k}, \mathbf{A}_{k}\right) \mathbf{c}, \quad \forall \mathbf{c}cHEk(Bk,Ak)c,∀c为Ek\mathbf{E}_kEk的不同对角元素。我们要使得所有对角元素均最小化。 对目标函数求梯度并置为0,得到:
∇Ak∗Tr(EkccH)=RykAkccH−HkBkccH=0,∀c\nabla_{\mathbf{A}_{k}^{*}} \operatorname{Tr}\left(\mathbf{E}_{k} \mathbf{c c}^{H}\right)=\mathbf{R}_{y_{k}} \mathbf{A}_{k} \mathbf{c c}{ }^{H}-\mathbf{H}_{k} \mathbf{B}_{k} \mathbf{c c}^{H}=\mathbf{0}, \quad \forall \mathbf{c} ∇Ak∗Tr(EkccH)=RykAkccH−HkBkccH=0,∀c
其中Ryk≜E[ykykH]=HkBkBkHHkH+Rnk\mathbf{R}_{y_{k}} \triangleq \mathbb{E}\left[\mathbf{y}_{k} \mathbf{y}_{k}^{H}\right]=\mathbf{H}_{k} \mathbf{B}_{k} \mathbf{B}_{k}^{H} \mathbf{H}_{k}^{H}+\mathbf{R}_{n_{k}}Ryk≜E[ykykH]=HkBkBkHHkH+Rnk。Rnk\mathbf{R}_{n_{k}}Rnk为噪声的协方差矩阵。 由于要求对所有c\mathbf{c}c均成立,那么就必须有:
RykAk=HkBk\mathbf{R}_{y_{k}} \mathbf{A}_{k} = \mathbf{H}_{k} \mathbf{B}_{k} RykAk=HkBk
因此,
Akopt =(HkBkBkHHkH+Rnk)−1HkBk\mathbf{A}_{k}^{\text {opt }}=\left(\mathbf{H}_{k} \mathbf{B}_{k} \mathbf{B}_{k}^{H} \mathbf{H}_{k}^{H}+\mathbf{R}_{n_{k}}\right)^{-1} \mathbf{H}_{k} \mathbf{B}_{k} Akopt =(HkBkBkHHkH+Rnk)−1HkBk
这其实就是我们所非常熟知的维纳滤波器。值得注意的是,它不仅仅最小化了所有流的MSE之和,事实上它其实将每一流各自的MSE值均最小化了。
发射机设计问题
此时,将求得的维纳滤波器结果代入MSE中,得到:
Ek(Bk)≜Ek(Bk,Akopt)=I−BkHHkH(HkBkBkHHkH+Rnk)−1HkBk=(I+BkHRHkBk)−1\begin{aligned} \mathbf{E}_{k}\left(\mathbf{B}_{k}\right) & \triangleq \mathbf{E}_{k}\left(\mathbf{B}_{k}, \mathbf{A}_{k}^{\mathrm{opt}}\right) \\ &=\mathbf{I}-\mathbf{B}_{k}^{H} \mathbf{H}_{k}^{H}\left(\mathbf{H}_{k} \mathbf{B}_{k} \mathbf{B}_{k}^{H} \mathbf{H}_{k}^{H}+\mathbf{R}_{n_{k}}\right)^{-1} \mathbf{H}_{k} \mathbf{B}_{k} \\ &=\left(\mathbf{I}+\mathbf{B}_{k}^{H} \mathbf{R}_{H_{k}} \mathbf{B}_{k}\right)^{-1} \end{aligned} Ek(Bk)≜Ek(Bk,Akopt)=I−BkHHkH(HkBkBkHHkH+Rnk)−1HkBk=(I+BkHRHkBk)−1
其中,RHk≜HkHRnk−1Hk\mathbf{R}_{H_{k}} \triangleq \mathbf{H}_{k}^{H} \mathbf{R}_{n_{k}}^{-1} \mathbf{H}_{k}RHk≜HkHRnk−1Hk。注意到,根据逆矩阵对角元素的求解,我们有:
MSEk,i=[(I+BkHHkHRnk−1HkBk)−1]ii=11+bk,iHHkHRk,i−1Hkbk,i\begin{aligned} \operatorname{MSE}_{k, i} &=\left[\left(\mathbf{I}+\mathbf{B}_{k}^{H} \mathbf{H}_{k}^{H} \mathbf{R}_{n_{k}}^{-1} \mathbf{H}_{k} \mathbf{B}_{k}\right)^{-1}\right]_{i i} \\ &=\frac{1}{1+\mathbf{b}_{k, i}^{H} \mathbf{H}_{k}^{H} \mathbf{R}_{k, i}^{-1} \mathbf{H}_{k} \mathbf{b}_{k, i}} \end{aligned} MSEk,i=[(I+BkHHkHRnk−1HkBk)−1]ii=1+bk,iHHkHRk,i−1Hkbk,i1
这一推导过程放在了上一篇博客置换矩阵的应用:逆矩阵的对角线元素求法 之中。另一方面我们注意到,第iii个流对应的SINR可以表示为:
SINRk,i≜∣ak,iHHkbk,i∣2ak,iHRk,iak,i≤bk,iHHkHRk,i−1Hkbk,i\operatorname{SINR}_{k, i} \triangleq \frac{\left|\mathbf{a}_{k, i}^{H} \mathbf{H}_{k} \mathbf{b}_{k, i}\right|^{2}}{\mathbf{a}_{k, i}^{H} \mathbf{R}_{k, i} \mathbf{a}_{k, i}} \leq \mathbf{b}_{k, i}^{H} \mathbf{H}_{k}^{H} \mathbf{R}_{k, i}^{-1} \mathbf{H}_{k} \mathbf{b}_{k, i} SINRk,i≜ak,iHRk,iak,i∣∣∣ak,iHHkbk,i∣∣∣2≤bk,iHHkHRk,i−1Hkbk,i
其中Rk,i≜HkBkBkHHkH+Rnk−Hkbk,ibk,iHHkH\mathbf{R}_{k, i} \triangleq \mathbf{H}_{k} \mathbf{B}_{k} \mathbf{B}_{k}^{H} \mathbf{H}_{k}^{H}+\mathbf{R}_{n_{k}}-\mathbf{H}_{k} \mathbf{b}_{k, i} \mathbf{b}_{k, i}^{H} \mathbf{H}_{k}^{H} Rk,i≜HkBkBkHHkH+Rnk−Hkbk,ibk,iHHkH
代表干扰噪声项。 不等号源自于柯西施瓦茨不等式,当ak,i∝Rk,i−1Hkbk,i\mathbf{a}_{k, i} \propto \mathbf{R}_{k, i}^{-1} \mathbf{H}_{k} \mathbf{b}_{k, i}ak,i∝Rk,i−1Hkbk,i取到等号。 此时注意到,
Rk,i≜Ryk−Hkbk,ibk,iHHkH\mathbf{R}_{k, i} \triangleq \mathbf{R}_{y_{k}}-\mathbf{H}_{k} \mathbf{b}_{k, i} \mathbf{b}_{k, i}^{H} \mathbf{H}_{k}^{H} Rk,i≜Ryk−Hkbk,ibk,iHHkH
利用求逆公式,
(A+xyH)−1=A−1−A−1xyHA−11+yHA−1x\left(\boldsymbol{A}+\boldsymbol{x} \boldsymbol{y}^{\mathrm{H}}\right)^{-1}=\boldsymbol{A}^{-1}-\frac{\boldsymbol{A}^{-1} \boldsymbol{x} \boldsymbol{y}^{\mathrm{H}} \boldsymbol{A}^{-1}}{1+\boldsymbol{y}^{\mathrm{H}} A^{-1} \boldsymbol{x}} (A+xyH)−1=A−1−1+yHA−1xA−1xyHA−1
我们不难得到,当B\mathbf{B}B给定时:
Rk,i−1Hkbk,i∝Ryk−1Hkbk,i\mathbf{R}_{k, i}^{-1} \mathbf{H}_{k} \mathbf{b}_{k, i} \propto\mathbf{R}_{y_{k}}^{-1} \mathbf{H}_{k} \mathbf{b}_{k, i} Rk,i−1Hkbk,i∝Ryk−1Hkbk,i
而后者则正是维纳滤波器! 这也就是说, 以最大化SINR为目标的接收机设计,其结果恰对应与以MMSE为目标的接收机设计!
同时注意到,此时SINR取到的最大值,恰好满足:
SINRk,i=1MSEk,i−1\operatorname{SINR}_{k, i}=\frac{1}{\operatorname{MSE}_{k, i}}-1 SINRk,i=MSEk,i1−1
这也正是为什么作者一直强调,对于不同的指标,均可看成是MSE的函数的原因。例如,误码率可以表示为:
Pe(SINR)=αQ(βSINR)P_{e}(\mathrm{SINR})=\alpha \mathcal{Q}(\sqrt{\beta \mathrm{SINR}}) Pe(SINR)=αQ(βSINR)
而SINR是MSE的函数,那么误码率自然也是了。
在下一篇中,我们将讨论,对不同的MSE的函数 (对应于SINR, 误码率等), 如何进行对发射机B\mathbf{B}B的优化。
注:对于MIMO系统,速率通过对这个MIMO信道使用logdet()logdet()logdet()求取, 和通过将所有流视为多个SISO信道,将每个信道的速率求和。 其结果会一致吗?
Joint Tx-Rx Beamforming Design for Multicarrier MIMO Channels: A Unified Framework (1)相关推荐
- Joint Tx-Rx Beamforming Design for Multicarrier MIMO Channels: A Unified Framework (2)
前言 接上篇博客 Joint Tx-Rx Beamforming Design for Multicarrier MIMO Channels: A Unified Framework (1). 发射机 ...
- 文献阅读|Joint Tx-Rx Beamforming Design for Multicarrier MIMO Channels: A Unified Framework
文章目录 信号模型 基于MMSE准则的最佳接收矩阵的推导 MSE指标和SINR指标的关系 受控理论(Majorization Theory) 最优发射机设计 信号模型 考虑具有 n T n_T nT ...
- 如何测试W5300的内部TX/RX存储器?
W5300是一款全硬件TCP/IP协议嵌入式以太网控制芯片,用于要求高速的嵌入式系统. W5300的目标是在高性能的嵌入式领域,如多媒体数据流服务.与WIZnet现有的芯片方案相比较, W5300在内 ...
- 功率放大芯片采用RFX2411 分集开关的2.4 GHz TX / RX增强器
描述 RFX2411 具有分集开关的2.4 GHz TX / RX增强器,用于IoT / BLE / ZigBee RFX2411N是一款完全集成的单芯片单芯片RFeIC(RF前端集成电路)包含所有无 ...
- orangepi——uart串口开发(TX,RX)
基于wiringPi的串口开发 1.简介 串口是嵌入式常用的一种通信方式,串口协议涉及到波特率.奇偶校验位.数据位.停止位等.如何配置寄存器. 串行接口的简称,按照一位一位的顺序传输. wiringP ...
- MCU的CAN TX RX无数据问题
MCU的CAN TX RX无数据问题 /*superyangMCU-qq群:450803186*/ MCU的CAN TX无数据问题是由于TJA1050的5V供电没有接,我一直量的是TJA1050的脚是 ...
- 无线路由器wifi TX/RX率和实际吞吐量的区别
无意中发现无线路由器中 wifi TX/RX率都超过100M bit/s,但是电脑实际上10M bit/s都没有.网上查到两个解释: "The TX/RX rate is the rate ...
- MCU的CAN TX RX无数据问题 MCU的CAN TX无数据问题是由于TJA1050的5V供电没有接,我一直量的是TJA1050的脚是3V,这个电压不是外部供进去的,这是由于MCU和RX TX平时
MCU的CAN TX RX无数据问题 MCU的CAN TX无数据问题是由于TJA1050的5V供电没有接,我一直量的是TJA1050的脚是3V,这个电压不是外部供进去的,这是由于MCU和RX TX平时 ...
- FrSky D16 protocol (X series TX/RX compatible)
I didn't find any information about FrSky D16 protocol. Inspired by two essential reverse engineerin ...
最新文章
- AI让边缘更智能,边缘让AI无处不在
- 2 Effect Hook
- [Matlab] PDETool 的 Set Formula 的元素排列顺序会影响 Boundary 的判定
- php stacktrace,Laravel:如何在PhpUnit上启用stacktrace错误
- 如何利用ArcScene建立3维地层模型
- 小型迷宫实现---迷宫算法(递归回溯法)
- 〖Python 数据库开发实战 - MySQL篇㉕〗- 数据更新操作 - UPDATE 语句
- 关于arcgis server 发布地图的时候报错“Packaging succeeded but publishing failed“问题解决
- 获取当前时间,包括农历时间
- Nginx配置Basic_Auth登录认证
- Java最新面试题汇总
- 盘点中国人民大学与加拿大女王大学金融硕士项目这个让在职学员梦开始的地方
- mysql table already_MySQL优化表时提示 Table is already up to date的解决方法
- 老罗锤子手机(Smartisan T1)的一些感想
- 稳定性全系列(二)——如何做线上全链路压测
- 踢出京东方之后,苹果降低对中国制造的依赖,偏向越南和印度制造,值得深思...
- 什么是渲染?渲染的来源、分类及应用有哪些?
- 解决win10系统 3dMax只能渲染一次的问题
- 关于Mono的好网站
- Opencv之人脸肤色检测总结