Hybrid beamforming 下 MSE 的推导
我们令 HHH为等效信道, RRR为模拟阵VRFV_{RF}VRF的简写。 VVV为数字阵的简写 。
目标函数为:
MSE=tr(VHRHHHHRV−HHRV−VHRHH+σ2wβ−2+I)MSE = \mathrm{tr}(V^HR^HHH^HRV - H^HRV - V^HR^HH + \sigma^2w\beta^{-2} + I)MSE=tr(VHRHHHHRV−HHRV−VHRHH+σ2wβ−2+I)
其中 www 是和接收端有关的一个常量。 优化变量为 VVV 和 β\betaβ, 我们认为RRR暂时固定。
限制条件为:
tr(RVVHRH)≤β−2\mathrm{tr}(RVV^HR^H)\le \beta^{-2}tr(RVVHRH)≤β−2
通过拉格朗日乘数法, 得到拉格朗日函数为:
L=tr(VHRHHHHRV−HHRV−VHRHH+σ2wβ−2+I)+λ(tr(RVVHRH)−β−2)L = \mathrm{tr}(V^HR^HHH^HRV - H^HRV - V^HR^HH + \sigma^2w\beta^{-2} + I) + \lambda (\mathrm{tr}(RVV^HR^H) - \beta^{-2})L=tr(VHRHHHHRV−HHRV−VHRHH+σ2wβ−2+I)+λ(tr(RVVHRH)−β−2)
根据KKT条件, 需要满足:∂L∂β=0\frac{\partial L}{\partial \beta}=0∂β∂L=0 和 ∂L∂V=0\frac{\partial L}{\partial V}=0∂V∂L=0,分别可得:
λ=σ2wV=(RHHHHR+λRHR)−1RHH\lambda = \sigma^2w\\ V = (R^HHH^HR + \lambda R^HR)^{-1}R^HHλ=σ2wV=(RHHHHR+λRHR)−1RHH
令 T=(RHHHHR+λRHR)T= (R^HHH^HR + \lambda R^HR)T=(RHHHHR+λRHR), 注意到:
0=(V−T−1RHH)HT(V−T−1RHH)=(VHT−HHR)(V−T−1RHH)=VHTV−VHRHH−HHRV+HHRT−1RHH=VHRHHHHRV+λVHRHRV−VHRHH−HHRV+HHRT−1RHH0=(V-T^{-1}R^HH)^HT(V-T^{-1}R^HH)=(V^HT -H^HR)(V-T^{-1}R^HH)\\ =V^HTV - V^HR^HH - H^HRV + H^HRT^{-1}R^HH\\ =V^HR^HHH^HRV + \lambda V^HR^HRV- V^HR^HH - H^HRV + H^HRT^{-1}R^HH 0=(V−T−1RHH)HT(V−T−1RHH)=(VHT−HHR)(V−T−1RHH)=VHTV−VHRHH−HHRV+HHRT−1RHH=VHRHHHHRV+λVHRHRV−VHRHH−HHRV+HHRT−1RHH
而对比之下, 发现
MSE=tr(0+I−HHRT−1RHH)=tr(I−HHRT−1RHH)MSE = \mathrm{tr}(0 + I - H^HRT^{-1}R^HH)= \mathrm{tr}( I - H^HRT^{-1}R^HH)MSE=tr(0+I−HHRT−1RHH)=tr(I−HHRT−1RHH)
根据求逆准则:
(A−UD−1V)−1=A−1+A−1U(D−VA−1U)−1VA−1\left(\boldsymbol{A}-\boldsymbol{U} \boldsymbol{D}^{-1} \boldsymbol{V}\right)^{-1}=\boldsymbol{A}^{-1}+\boldsymbol{A}^{-1} \boldsymbol{U}\left(\boldsymbol{D}-\boldsymbol{V} \boldsymbol{A}^{-1} \boldsymbol{U}\right)^{-1} \boldsymbol{V} \boldsymbol{A}^{-1} (A−UD−1V)−1=A−1+A−1U(D−VA−1U)−1VA−1
可知:
MSE=tr(0+I−HHRT−1RHH)=tr(I−HHRT−1RHH)=tr((I+HHR(RHR)−1RHH)−1)MSE = \mathrm{tr}(0 + I - H^HRT^{-1}R^HH)= \mathrm{tr}( I - H^HRT^{-1}R^HH)=\mathrm{tr}( (I +H^HR(R^HR)^{-1}R^HH)^{-1})MSE=tr(0+I−HHRT−1RHH)=tr(I−HHRT−1RHH)=tr((I+HHR(RHR)−1RHH)−1)
Hybrid beamforming 下 MSE 的推导相关推荐
- 混合波束成形| 高速铁路通信系统的信道估计:Location-Aided mMIMO Channel Tracking and Hybrid Beamforming for High-Speed
关于 <Location-Aided mMIMO Channel Tracking and Hybrid Beamforming for High-Speed Railway Communica ...
- ker矩阵是什么意思_矩阵形式下的最小二乘法推导
最常用的是普通最小二乘法(Ordinary Least Square,OLS):所选择的回归函数应该使所有观察值的残差平方和达到最小. 在拟合函数时,先假定函数的通用表达式.这里以最简单的一次函数为例 ...
- 永磁同步电动机dq坐标系下的数学模型推导
今天看了篇关于永磁同步电动机矢量控制的论文,特别是数学模型这一块看了不少时间,由于线性代数学的太久有点忘了,在推导时花了不少时间. 首先是定子电压方程从abc静止三相坐标系到dq旋转坐标系下的推导步骤 ...
- hybrid环境下划分vlan一个实验 ————一故障分析
实现: VLA10 vlan20 vlan30都可以访问vlan100 vlan10--vlan20 ok vlan20--vlan30 ok vlan10-vlan30 no不能访问 所有端 ...
- 前端性能优化方法与实战12 理论分析:Hybrid 下的性能优化整体分析
前几讲我们介绍了首屏时间.白屏时间.卡顿等的优化方案,它们一般适用于 App 端内和端外两种场景,App 端内就是App 内的H5 页面,端外是指 PC 站或者微信里面的 H5 等页面.接下来这一模块 ...
- 混合波束成形|重叠子阵结构下的HBF探讨
前言 在之前的科研中,主要接触到的HBF结构是全连接结构(fully-connected) 和 部分连接结构 (paritally-connected). 但在实际项目的推进中,发现工业界可能更多地会 ...
- 最大化速率的智能反射面波束成形(下): ADMM
前言 在上一篇博客中, 我们介绍了这篇文章 Weighted Sum-Rate Optimization for Intelligent Reflecting Surface Enhanced Wir ...
- C++11 类型推导decltype
我们之前使用的typeid运算符来查询一个变量的类型,这种类型查询在运行时进行.RTTI机制为每一个类型产生一个type_info类型的数据,而typeid查询返回的变量相应type_info数据,通 ...
- [C++11]自动类型推导auto
1.auto C++11中,auto并不代表一种实际的数据类型,只是一个类型声明的"占位符",auto并不是万能的在任意场景下都能够推导出变量的实际类型,使用auto声明的变量必须 ...
最新文章
- php 怎么获取meta标签,php – 通过jQuery获取META描述
- 粒子滤波 演示与opencv代码
- 比特币多重签名机制使用篇
- 1.17 Java.util.logging:JDK自带记录日志类
- 【机器学习】梯度下降的Python实现
- caffe源码解析—image_data_layer层
- RHEL4-SFTP配置
- Spring JDBC模板惯用方式
- 【codevs1230】元素查找,弱弱的二分查找
- Javascript提升阶段学习
- [framework] debuging
- 微软ASP.NET站点部署指南(11):部署SQL Server数据库更新
- vue.js实现自定义输入分页
- nodejs连接postgresql_PostgreSQL 使用 node-postgres 在 node.js 中的应用
- 【数字信号】基于matlab GUI双音多频(DTMF)信号检测【含Matlab源码 512期】
- 北斗导航 | 灰常详细的RAIM 基本理论(公式推导)
- 百度 95 后程序员删库跑路被判刑,动机为工作内容变动及对领导不满,删库会给互联网公司带来哪些影响?
- 破而后立,破除陈旧,认识自我,而后顶天立地!
- Go :测试基本类型的Go2文本语法(附完整源码)
- 设定窗体显示状态(ShowWindow)