单用户MIMO系统（二）：信道信息在发端未知

关键词

MIMO，单用户，信道容量，MMSE-SIC，Matlab实现

基本介绍

本文介绍了单用户MIMO系统在发端不知道信道状态信息时的系统传输速率以及相应的接收机结构，并且给出了对应的Matlab实现。针对MIMO的接收机结构，本文重点论述了MMSE-SIC译码器的性质。

考虑图1所示的单用户MIMO系统，发射机配有NtN_{\text t}Nt条射频链路，接收机配置有NrN_{\text r}Nr条射频链路，无线信道可以用矩阵H∈CNr×Nt{\textbf H}\in{\mathbb C}^{N_{\text r}\times N_{\text t}}H∈CNr×Nt表示。接收机接收到的信号向量为：y=Hs+n,{\textbf y}={\textbf H}{\textbf s}+{\textbf n},y=Hs+n,其中s∈CNt×1{\textbf s}\in{\mathbb C}^{N_{\text t}\times 1}s∈CNt×1表示传输的信号向量， n∼CN(0,σ2INr){\textbf n}\sim{\mathcal{CN}}\left(0,\sigma^2{\textbf I}_{N_{\text r}}\right)n∼CN(0,σ2INr)表示接收侧加性噪声，系统传输速率可以表示为[1]R=log⁡det⁡(INr+1σ2HΦH†),{\mathcal R}=\log\det\left({\textbf I}_{N_{\text r}}+\frac{1}{\sigma^2}{\textbf H}{\bm\Phi}{\textbf H}^{\dag}\right),R=logdet(INr+σ21HΦH†),其中Φ=E{ss†}{\bm\Phi}={\mathbb E}\left\{{\textbf s}{\textbf s}^{\dag}\right\}Φ=E{ss†}表示发射信号的协方差矩阵，Tr(Φ){\rm{Tr}}\left(\bm\Phi\right)Tr(Φ)表示传输功率。

图1：单用户MIMO传输系统框图

由于此时发送方无法利用H{\textbf H}H来对协方差矩阵Φ{\bm\Phi}Φ进行优化。此时，发送方只能选择将功率平均分配每个数据流，并且将单位矩阵INt{\textbf I}_{N_{\text t}}INt作为预编码矩阵。综上所述，此时采用的协方差矩阵为Φ=P/NtINt{\bm\Phi}=\sqrt{P/N_{\text t}}{\textbf I}_{N_{\text t}}Φ=P/NtINt，其中P>0P>0P>0表示传输功率。因此，此时的传输速率为R=log⁡det⁡(INr+PNtσ2HH†).{\mathcal R}=\log\det\left({\textbf I}_{N_{\text r}}+\frac{P}{N_{\text t}\sigma^2}{\textbf H}{\textbf H}^{\dag}\right).R=logdet(INr+Ntσ2PHH†).注意，由于信道信息H{\textbf H}H在发送方不可知，信道容量（最大传输速率）是不可达的。

接下来，考虑接收机的结构。此时，接收端收到的信号为y=Hs+n.{\textbf y}={\textbf H}{\textbf s}+{\textbf n}.y=Hs+n.为了使得传输速率达到此时的最大可达传输速率R=log⁡det⁡(INr+PNtσ2HH†){\mathcal R}=\log\det\left({\textbf I}_{N_{\text r}}+\frac{P}{N_{\text t}\sigma^2}{\textbf H}{\textbf H}^{\dag}\right)R=logdet(INr+Ntσ2PHH†)，接收端需要将接收到的信号向量y{\textbf y}y直接送入译码器，对发送的数据流进行联合译码（joint decoding），这个过程具有指数复杂度。前文提及，当发送方与接收方同时知道信道H{\textbf H}H时，接收方与发送方分别利用信道矩阵的左右奇异矩阵进行滤波和预编码就可以将信道H{\textbf H}H分解为几个并行子信道，接下来对这些子信道进行并行译码即可。并行译码的复杂度远低于联合译码的复杂度。当信道信息在发送方未知的时候，发送方无法进行相应的预编码使得整个信道最终可以分解为若干个并行子信道。直观上来看，此时接收端必须采用联合译码。但是，可以有复杂度更低的译码方式来使得系统传输速率为最大可达传输速率。

记s=[s1,⋯,sNt]⊺{\textbf s}=\left[s_1,\cdots,s_{N_{\text t}}\right]^{\intercal}s=[s1,⋯,sNt]⊺，其中sis_isi表示传输的第iii条数据流（或者第iii个符号），满足E{sisi†}=PNt{\mathbb E}\left\{s_is_i^{\dag}\right\}=\frac{P}{N_{\text t}}E{sisi†}=NtP。因此，接收到的信号y{\textbf y}y可以写为y=y1=h1s1+∑i=2Nthisi+n,{\textbf y}={\textbf y}_1={\textbf h}_1s_1+\sum_{i=2}^{N_{\text t}}{\textbf h}_is_i+{\textbf n},y=y1=h1s1+i=2∑Nthisi+n,其中hi∈CNr×1{\textbf h}_i\in{\mathbb C}^{N_{\text r}\times1}hi∈CNr×1表示信道矩阵H{\textbf H}H的第iii列。先从接收到的信号y{\textbf y}y中恢复出第1条数据流s1s_1s1中的信息，此时可以将z1=∑i=2Nthisi+n{\textbf z}_1=\sum_{i=2}^{N_{\text t}}{\textbf h}_is_i+{\textbf n}z1=∑i=2Nthisi+n视为干扰，其中n∼CN(0,σ2INr){\textbf n}\sim{\mathcal{CN}}\left({\textbf 0},\sigma^2{\textbf I}_{N_{\text r}}\right)n∼CN(0,σ2INr)表示加性白高斯噪声，∑i=2Nthisi\sum_{i=2}^{N_{\text t}}{\textbf h}_is_i∑i=2Nthisi表示数据流之间的流间干扰。为了恢复数据流s1s_1s1中的信息，可以先将接收信号通过滤波器c1∈CNr×1{\textbf c}_1\in{\mathbb C}^{N_{\text r}\times1}c1∈CNr×1，再将滤波器的输出送入译码器。接下来，需要对滤波器进行设计。具体来讲，滤波器的输出为：r1=c1†y1=(c1†h1)s1+c1†z1=(c1†h1)s1+c1†(∑i=2Nthisi+n).r_1={\textbf c}_1^{\dag}{\textbf y}_1 =\left({\textbf c}_1^{\dag}{\textbf h}_1\right)s_1+{\textbf c}_1^{\dag}{\textbf z}_1 =\left({\textbf c}_1^{\dag}{\textbf h}_1\right)s_1+{\textbf c}_1^{\dag}\left(\sum_{i=2}^{N_{\text t}}{\textbf h}_is_i+{\textbf n}\right).r1=c1†y1=(c1†h1)s1+c1†z1=(c1†h1)s1+c1†(i=2∑Nthisi+n).由于信道最大传输速率的实现需要输入的信号服从高斯分布，因此si∼CN(0,PNt)s_i\sim{\mathcal{CN}}\left(0,\sqrt{\frac{P}{N_{\text t}}}\right)si∼CN(0,NtP)，由此可知干扰项z1{\textbf z}_1z1服从复高斯分布，协方差矩阵为E{z1z1†}=σ2INr+PNt∑i=2Nthihi†=K1≻0.{\mathbb E}\left\{{\textbf z}_1{\textbf z}_1^{\dag}\right\}=\sigma^2{\textbf I}_{N_{\text r}}+\frac{P}{N_{\text t}}\sum_{i=2}^{N_{\text t}}{\textbf h}_i{\textbf h}_i^{\dag}={\textbf K}_1\succ{\textbf 0}.E{z1z1†}=σ2INr+NtPi=2∑Nthihi†=K1≻0.显然，K1{\textbf K}_1K1是个正定矩阵。r1=(c1†h1)s1+c1†z1r_1=\left({\textbf c}_1^{\dag}{\textbf h}_1\right)s_1+{\textbf c}_1^{\dag}{\textbf z}_1r1=(c1†h1)s1+c1†z1可以视为一个单入单出（single-input single-output, SISO）信道的输出，信道为c1†h1{\textbf c}_1^{\dag}{\textbf h}_1c1†h1，输入信号为s1{s}_1s1，干扰为c1†z1{\textbf c}_1^{\dag}{\textbf z}_1c1†z1。在这个系统模型中，需要设计的是滤波器向量c1{\textbf c}_1c1。一个直观的设计思路是使得这个信道的信道容量最大，对于一个SISO信道而言，最大化信道容量等价于最大化接收端的信噪比。具体来讲，这个信道的接收信噪比可以表示为γ1=PNt∣c1†h1∣2E{∣c1†z1∣2}=PNtc1†h1h1†c1c1†K1c1.{\gamma_1}=\frac{P}{N_{\text t}}\frac{\left|{\textbf c}_1^{\dag}{\textbf h}_1\right|^2} {{\mathbb E}\left\{\left|{\textbf c}_1^{\dag}{\textbf z}_1\right|^2\right\}} =\frac{P}{N_{\text t}}\frac{{\textbf c}_1^{\dag}{\textbf h}_1{\textbf h}_1^{\dag}{\textbf c}_1} {{\textbf c}_1^{\dag}{\textbf K}_1{\textbf c}_1}.γ1=NtPE{∣∣∣c1†z1∣∣∣2}∣∣∣c1†h1∣∣∣2=NtPc1†K1c1c1†h1h1†c1.对应的优化问题可以建模为c1⋆=arg⁡max⁡c1c1†h1h1†c1c1†K1c1.{\textbf c}_1^{\star}=\arg\max_{{\textbf c}_1}\frac{{\textbf c}_1^{\dag}{\textbf h}_1{\textbf h}_1^{\dag}{\textbf c}_1} {{\textbf c}_1^{\dag}{\textbf K}_1{\textbf c}_1}.c1⋆=argc1maxc1†K1c1c1†h1h1†c1.上述问题是一个无约束优化问题，不过目标函数不是关于c1{\textbf c}_1c1的凹函数。为解决上述问题，引入辅助变量v1=K11/2c1{\textbf v}_1={\textbf K}_1^{1/2}{\textbf c}_1v1=K11/2c1，由此可以得到c1⋆=K1−1/2v1⋆{\textbf c}_1^{\star}={\textbf K}_1^{-1/2}{\textbf v}_1^{\star}c1⋆=K1−1/2v1⋆，其中v1⋆=arg⁡max⁡v1v1†K1−1/2h1h1†K1−1/2†v1v1†K1−1/2K1K1−1/2†v1=arg⁡max⁡v1∣v1†∥v1∥(K1−1/2h1)∣2.{\textbf v}_1^{\star}=\arg\max_{{\textbf v}_1}\frac{{\textbf v}_1^{\dag}{\textbf K}_1^{-1/2}{\textbf h}_1{\textbf h}_1^{\dag}{{\textbf K}_1^{-1/2}}^{\dag}{\textbf v}_1} {{\textbf v}_1^{\dag}{\textbf K}_1^{-1/2}{\textbf K}_1{{\textbf K}_1^{-1/2}}^{\dag}{\textbf v}_1}=\arg\max_{{\textbf v}_1}\left|\frac{{\textbf v}_1^{\dag}}{\left\|{\textbf v}_1\right\|}\left({\textbf K}_1^{-1/2}{\textbf h}_1\right)\right|^2.v1⋆=argv1maxv1†K1−1/2K1K1−1/2†v1v1†K1−1/2h1h1†K1−1/2†v1=argv1max∣∣∣∣∣∥v1∥v1†(K1−1/2h1)∣∣∣∣∣2.注意上式的化简过程用到性质“K1{\textbf K}_1K1是个厄尔米特矩阵”，即K1=K1†{\textbf K}_1={\textbf K}_1^{\dag}K1=K1†，以及（ K1a=K1a†{\textbf K}_1^{a}={{\textbf K}_1^{a}}^{\dag}K1a=K1a†）。上述问题的本质是寻找一个向量，它的方向向量与向量K1−1/2h1{\textbf K}_1^{-1/2}{\textbf h}_1K1−1/2h1的内积的平方最大，显然最优解为v1⋆=cK1−1/2h1{\textbf v}_1^{\star}=c{\textbf K}_1^{-1/2}{\textbf h}_1v1⋆=cK1−1/2h1，其中ccc是个非0常数。综上所述，c1⋆=cK1−1h1{\textbf c}_1^{\star}=c{\textbf K}_1^{-1}{\textbf h}_1c1⋆=cK1−1h1，对应的接收端信噪比为γ1=PNth1†K1−1h1{\gamma_1}=\frac{P}{N_{\text t}}{\textbf h}_1^{\dag}{\textbf K}_1^{-1}{\textbf h}_1γ1=NtPh1†K1−1h1，信道容量为R1=log⁡(1+PNth1†K1−1h1){\mathcal R}_1=\log\left(1+\frac{P}{N_{\text t}}{\textbf h}_1^{\dag}{\textbf K}_1^{-1}{\textbf h}_1\right)R1=log(1+NtPh1†K1−1h1)。如果将y1=h1s1+z1{\textbf y}_1={\textbf h}_1s_1+{\textbf z}_1y1=h1s1+z1视为一个简单的MIMO信道模型，1根发送天线，NrN_{\text r}Nr条接收天线，相应的信道容量为：C1=log⁡det⁡(INr+PNth1h1†K1−1).{\mathcal C}_1=\log\det\left({\textbf I}_{N_{\text r}}+\frac{P}{N_{\text t}}{\textbf h}_1{\textbf h}_1^{\dag}{\textbf K}_1^{-1}\right).C1=logdet(INr+NtPh1h1†K1−1).利用Sylvester行列式等式log⁡det⁡(I+AB)=log⁡det⁡(I+BA)\log\det\left({\textbf I}+{\textbf A}{\textbf B}\right)=\log\det\left({\textbf I}+{\textbf B}{\textbf A}\right)logdet(I+AB)=logdet(I+BA)，可以得到：C1=log⁡det⁡(INr+PNth1h1†K1−1)=log⁡(1+PNth1†K1−1h1)=R1.{\mathcal C}_1=\log\det\left({\textbf I}_{N_{\text r}}+\frac{P}{N_{\text t}}{\textbf h}_1{\textbf h}_1^{\dag}{\textbf K}_1^{-1}\right) =\log\left(1+\frac{P}{N_{\text t}}{\textbf h}_1^{\dag}{\textbf K}_1^{-1}{\textbf h}_1\right)={\mathcal R}_1.C1=logdet(INr+NtPh1h1†K1−1)=log(1+NtPh1†K1−1h1)=R1.根据信道容量的定义，信道容量等于输入信号与输出信号之间互信息的最大值。用I(x;y){\mathcal I}\left(x;y\right)I(x;y)表示随机变量xxx与yyy的互信息，在高斯输入下（信道容量依赖于高斯输入实现），可以得到C1=I(y1;s1){\mathcal C}_1={\mathcal I}\left({\textbf y}_1;s_1\right)C1=I(y1;s1)、R1=I(c1⋆†y1;s1){\mathcal R}_1={\mathcal I}\left({{\textbf c}_1^{\star}}^{\dag}{\textbf y}_1;s_1\right)R1=I(c1⋆†y1;s1)。有下列关系成立，I(y1;s1)=C1=R1=I(c1⋆†y1;s1).{\mathcal I}\left({\textbf y}_1;s_1\right)={\mathcal C}_1={\mathcal R}_1={\mathcal I}\left({{\textbf c}_1^{\star}}^{\dag}{\textbf y}_1;s_1\right).I(y1;s1)=C1=R1=I(c1⋆†y1;s1).由上式可知，利用c1⋆{\textbf c}_1^{\star}c1⋆进行滤波不会减少输入输出互信息，即利用c1⋆{\textbf c}_1^{\star}c1⋆进行滤波是信息无损的（information lossless）。接下来，从信号检测的角度进一步探究滤波器c1⋆{\textbf c}_1^{\star}c1⋆的性质。对于模型y1=h1s1+z1{\textbf y}_1={\textbf h}_1s_1+{\textbf z}_1y1=h1s1+z1而言，在接收机采用线性检测器u∈CNr×1{\textbf u}\in{\mathbb C}^{N_{\text r}\times1}u∈CNr×1，衡量检测器的性能指标为均方误差（mean-square error，MSE），表示为MSE=E{(u†y1−s1)†(u†y1−s1)},{\text{MSE}}={\mathbb E}\left\{\left({\textbf u}^{\dag}{\textbf y}_1-s_1\right)^{\dag}\left({\textbf u}^{\dag}{\textbf y}_1-s_1\right)\right\},MSE=E{(u†y1−s1)†(u†y1−s1)},其中上式的均值是针对信号s1s_1s1以及z1{\textbf z}_1z1的随机性而取的。注意s1s_1s1以及z1{\textbf z}_1z1的均值为0，且这两个随机变量互相独立。将y1=h1s1+z1{\textbf y}_1={\textbf h}_1s_1+{\textbf z}_1y1=h1s1+z1代入上式，可以得到：MSE=E{(u†y1−s1)†(u†y1−s1)}=E{(u†h1s1+u†z1−s1)†(u†h1s1+u†z1−s1)}=u†(PNth1h1†+K1)u−PNtu†h1−PNth1†u+PNt.\begin{aligned} {\text{MSE}}&={\mathbb E}\left\{\left({\textbf u}^{\dag}{\textbf y}_1-s_1\right)^{\dag}\left({\textbf u}^{\dag}{\textbf y}_1-s_1\right)\right\}\\ &={\mathbb E}\left\{\left({\textbf u}^{\dag}{\textbf h}_1s_1+{\textbf u}^{\dag}{\textbf z}_1-s_1\right)^{\dag}\left({\textbf u}^{\dag}{\textbf h}_1s_1+{\textbf u}^{\dag}{\textbf z}_1-s_1\right)\right\}\\ &={\textbf u}^{\dag}\left(\frac{P}{N_{\text t}}{\textbf h}_1{\textbf h}_1^{\dag}+{\textbf K}_1\right){\textbf u}-\frac{P}{N_{\text t}}{\textbf u}^{\dag}{\textbf h}_1 -\frac{P}{N_{\text t}}{\textbf h}_1^{\dag}{\textbf u}+\frac{P}{N_{\text t}} \end{aligned}. MSE=E{(u†y1−s1)†(u†y1−s1)}=E{(u†h1s1+u†z1−s1)†(u†h1s1+u†z1−s1)}=u†(NtPh1h1†+K1)u−NtPu†h1−NtPh1†u+NtP.检测的目的是希望能设计出使得均方误差最小的检测器，即解决下述问题：u⋆=arg⁡min⁡uMSE=arg⁡min⁡uu†(PNth1h1†+K1)u−PNtu†h1−PNth1†u.{\textbf u}^{\star}=\arg\min_{\textbf u}{\text{MSE}}=\arg\min_{\textbf u}{\textbf u}^{\dag}\left(\frac{P}{N_{\text t}}{\textbf h}_1{\textbf h}_1^{\dag}+{\textbf K}_1\right){\textbf u}-\frac{P}{N_{\text t}}{\textbf u}^{\dag}{\textbf h}_1 -\frac{P}{N_{\text t}}{\textbf h}_1^{\dag}{\textbf u}.u⋆=arguminMSE=arguminu†(NtPh1h1†+K1)u−NtPu†h1−NtPh1†u.上述问题是一个无约束问题，且目标函数是u{\textbf u}u的凸函数，因此最优解在偏导为0{\textbf 0}0的地方取得[2]，即：∇uMSE=0\nabla_{{\textbf u}}{\text{MSE}}={\textbf 0}∇uMSE=0 ，其中∇uMSE\nabla_{{\textbf u}}{\text{MSE}}∇uMSE表示函数MSE{\text{MSE}}MSE关于u{\textbf u}u的共轭复梯度，为∇uMSE=(PNth1h1†+K1)u−PNth1.\nabla_{{\textbf u}}{\text{MSE}}=\left(\frac{P}{N_{\text t}}{\textbf h}_1{\textbf h}_1^{\dag}+{\textbf K}_1\right){\textbf u}-\frac{P}{N_{\text t}}{\textbf h}_1.∇uMSE=(NtPh1h1†+K1)u−NtPh1.求解方程∇uMSE=0\nabla_{{\textbf u}}{\text{MSE}}={\textbf 0}∇uMSE=0，得到u⋆=PNt(PNth1h1†+K1)−1h1.{\textbf u}^{\star}=\frac{P}{N_{\text t}}\left(\frac{P}{N_{\text t}}{\textbf h}_1{\textbf h}_1^{\dag}+{\textbf K}_1\right)^{-1}{\textbf h}_1.u⋆=NtP(NtPh1h1†+K1)−1h1.利用矩阵求逆公式(A+xx†)−1=A−1−A−1xx†A−11+x†A−1x\left({\textbf A}+{\textbf x}{\textbf x}^{\dag}\right)^{-1}={\textbf A}^{-1}-\frac{{\textbf A}^{-1}{\textbf x}{\textbf x}^{\dag}{\textbf A}^{-1}}{1+{\textbf x}^{\dag}{\textbf A}^{-1}{\textbf x}}(A+xx†)−1=A−1−1+x†A−1xA−1xx†A−1，可以得到：u⋆=PNt(PNth1h1†+K1)−1h1=PNt(K1−1−K1−1PNth1h1†K1−11+PNth1†K1−1h1)h1=PNtK1−1(INr−PNth1h1†K1−11+PNth1†K1−1h1)h1=PNtK1−1(h1−PNth1h1†K1−1h11+PNth1†K1−1h1)=PNtK1−1h1+PNth1†K1−1h1h1−PNth1(h1†K1−1h1)1+PNth1†K1−1h1=PNtK1−1h11+PNth1†K1−1h1.\begin{aligned} {\textbf u}^{\star}&=\frac{P}{N_{\text t}}\left(\frac{P}{N_{\text t}}{\textbf h}_1{\textbf h}_1^{\dag}+{\textbf K}_1\right)^{-1}{\textbf h}_1 =\frac{P}{N_{\text t}}\left({\textbf K}_1^{-1}-\frac{{\textbf K}_1^{-1}\frac{P}{N_{\text t}}{\textbf h}_1{\textbf h}_1^{\dag}{\textbf K}_1^{-1}} {1+\frac{P}{N_{\text t}}{\textbf h}_1^{\dag}{\textbf K}_1^{-1}{\textbf h}_1}\right){\textbf h}_1\\ &=\frac{P}{N_{\text t}}{\textbf K}_1^{-1}\left({\textbf I}_{N_{\text r}}-\frac{\frac{P}{N_{\text t}}{\textbf h}_1{\textbf h}_1^{\dag}{\textbf K}_1^{-1}} {1+\frac{P}{N_{\text t}}{\textbf h}_1^{\dag}{\textbf K}_1^{-1}{\textbf h}_1}\right){\textbf h}_1\\ &=\frac{P}{N_{\text t}}{\textbf K}_1^{-1}\left({\textbf h}_1-\frac{\frac{P}{N_{\text t}}{\textbf h}_1{\textbf h}_1^{\dag}{\textbf K}_1^{-1}{\textbf h}_1} {1+\frac{P}{N_{\text t}}{\textbf h}_1^{\dag}{\textbf K}_1^{-1}{\textbf h}_1}\right)\\ &=\frac{P}{N_{\text t}}{\textbf K}_1^{-1}\frac{{\textbf h}_1+\frac{P}{N_{\text t}}{\textbf h}_1^{\dag}{\textbf K}_1^{-1}{\textbf h}_1{\textbf h}_1-\frac{P}{N_{\text t}}{\textbf h}_1\left({\textbf h}_1^{\dag}{\textbf K}_1^{-1}{\textbf h}_1\right)} {1+\frac{P}{N_{\text t}}{\textbf h}_1^{\dag}{\textbf K}_1^{-1}{\textbf h}_1}= \frac{P}{N_{\text t}}\frac{{\textbf K}_1^{-1}{\textbf h}_1}{1+\frac{P}{N_{\text t}}{\textbf h}_1^{\dag}{\textbf K}_1^{-1}{\textbf h}_1}. \end{aligned}u⋆=NtP(NtPh1h1†+K1)−1h1=NtP(K1−1−1+NtPh1†K1−1h1K1−1NtPh1h1†K1−1)h1=NtPK1−1(INr−1+NtPh1†K1−1h1NtPh1h1†K1−1)h1=NtPK1−1(h1−1+NtPh1†K1−1h1NtPh1h1†K1−1h1)=NtPK1−11+NtPh1†K1−1h1h1+NtPh1†K1−1h1h1−NtPh1(h1†K1−1h1)=NtP1+NtPh1†K1−1h1K1−1h1.事实上，PNt11+PNth1†K1−1h1\frac{P}{N_{\text t}}\frac{1}{1+\frac{P}{N_{\text t}}{\textbf h}_1^{\dag}{\textbf K}_1^{-1}{\textbf h}_1}NtP1+NtPh1†K1−1h11可以视为一个常数，由此可以看到最优的检测器也遵循cK1−1h1c{\textbf K}_1^{-1}{\textbf h}_1cK1−1h1的形式。由于这样的检测器可以使得均方误差达到最小，也被称为最小均方误差检测（minimum mean-square error，MMSE）。由此，得到了滤波器c1⋆{\textbf c}_1^{\star}c1⋆的三条性质：最大输出信噪比、信息无损、最小均方误差。
在解码了第1条数据流的信息后（即得到了s1s_1s1后），可以把这个数据流从收到的信号向量y1{\textbf y}_1y1中消去，即执行操作y1−h1s1{\textbf y}_1-{\textbf h}_1s_1y1−h1s1，得到：y2=y1−h1s1=h2s2+∑i=3Nthisi+n.{\textbf y}_2={\textbf y}_1-{\textbf h}_1s_1={\textbf h}_2s_2+\sum_{i=3}^{N_{\text t}}{\textbf h}_is_i+{\textbf n}.y2=y1−h1s1=h2s2+i=3∑Nthisi+n.这个操作被称为干扰消除（interference cancellation）。接下来，需要设计滤波器c2∈CNr×1{\textbf c}_2\in{\mathbb C}^{N_{\text r}\times1}c2∈CNr×1，从y2{\textbf y}_2y2中恢复数据流s2s_2s2中的信息。仿照之前的思路，可以知道此时最优的滤波器向量为c2⋆=cK2−1h2{\textbf c}_2^{\star}=c{\textbf K}_2^{-1}{\textbf h}_2c2⋆=cK2−1h2，其中K2=σ2INr+PNt∑i=3Nthihi†{\textbf K}_2=\sigma^2{\textbf I}_{N_{\text r}}+\frac{P}{N_{\text t}}\sum_{i=3}^{N_{\text t}}{\textbf h}_i{\textbf h}_i^{\dag}K2=σ2INr+NtP∑i=3Nthihi†表示干扰z1=∑i=3Nthisi+n{\textbf z}_1=\sum_{i=3}^{N_{\text t}}{\textbf h}_is_i+{\textbf n}z1=∑i=3Nthisi+n的协方差矩阵，对应的接收端信噪比为γ2=PNth2†K2−1h2{\gamma_2}=\frac{P}{N_{\text t}}{\textbf h}_2^{\dag}{\textbf K}_2^{-1}{\textbf h}_2γ2=NtPh2†K2−1h2，信道容量为R2=log⁡(1+PNth2†K2−1h2){\mathcal R}_2=\log\left(1+\frac{P}{N_{\text t}}{\textbf h}_2^{\dag}{\textbf K}_2^{-1}{\textbf h}_2\right)R2=log(1+NtPh2†K2−1h2)。注意到，此时的滤波器c2⋆{\textbf c}_2^{\star}c2⋆同样具有最大输出信噪比、信息无损、最小均方误差等三条性质。在解码了第2条数据流的信息后（即得到了s2s_2s2后），可以把这个数据流从收到的信号向量y2{\textbf y}_2y2中消去，即执行操作y−h1s1{\textbf y}-{\textbf h}_1s_1y−h1s1得到：y3=y2−h2s2=h3s3+∑i=4Nthisi+n.{\textbf y}_3={\textbf y}_2-{\textbf h}_2s_2={\textbf h}_3s_3+\sum_{i=4}^{N_{\text t}}{\textbf h}_is_i+{\textbf n}.y3=y2−h2s2=h3s3+i=4∑Nthisi+n.接下来，需要设计滤波器c3∈CNr×1{\textbf c}_3\in{\mathbb C}^{N_{\text r}\times1}c3∈CNr×1，从y3{\textbf y}_3y3中恢复数据流s3s_3s3中的信息。此时最优的滤波器向量为c3⋆=cK3−1h3{\textbf c}_3^{\star}=c{\textbf K}_3^{-1}{\textbf h}_3c3⋆=cK3−1h3，其中K3=σ2INr+PNt∑i=4Nthihi†{\textbf K}_3=\sigma^2{\textbf I}_{N_{\text r}}+\frac{P}{N_{\text t}}\sum_{i=4}^{N_{\text t}}{\textbf h}_i{\textbf h}_i^{\dag}K3=σ2INr+NtP∑i=4Nthihi†表示干扰z3=∑i=4Nthisi+n{\textbf z}_3=\sum_{i=4}^{N_{\text t}}{\textbf h}_is_i+{\textbf n}z3=∑i=4Nthisi+n的协方差矩阵，对应的接收端信噪比为γ3=PNth3†K3−1h3{\gamma_3}=\frac{P}{N_{\text t}}{\textbf h}_3^{\dag}{\textbf K}_3^{-1}{\textbf h}_3γ3=NtPh3†K3−1h3，信道容量为R3=log⁡(1+PNth3†K3−1h3){\mathcal R}_3=\log\left(1+\frac{P}{N_{\text t}}{\textbf h}_3^{\dag}{\textbf K}_3^{-1}{\textbf h}_3\right)R3=log(1+NtPh3†K3−1h3)。重复上述过程，直至将每一个数据流的信息进行译码。由于上述过程每次都采用能实现最小均方误差的滤波器，同时需要进行一次又一次的干扰消除，这整个译码过程被称为MMSE-SIC译码，其中SIC表示“successive interference cancellation”，即串行干扰抵消。接下来，探究串行干扰抵消是否会减少系统的输入输出互信息，即探究下列关系是否成立：R=∑i=1NtRi.{\mathcal R}=\sum_{i=1}^{N_{\text t}}{\mathcal R}_i.R=i=1∑NtRi.为解决上述问题，引入下述引理。
引理2：给定向量y{\textbf y}y，矩阵A≻0{\textbf A}\succ{\textbf 0}A≻0、X{\textbf X}X，有以下关系成立：log⁡det⁡(I+X(yy†+A)−1)+log⁡det⁡(I+yy†A−1)=log⁡det⁡(I+(X+yy†)A−1).\begin{aligned}&\log\det\left({\textbf I}+{\textbf X}\left({\textbf y}{\textbf y}^{\dag}+{\textbf A}\right)^{-1}\right)+ \log\det\left({\textbf I}+{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}\right)\\&= \log\det\left({\textbf I}+\left({\textbf X}+{\textbf y}{\textbf y}^{\dag}\right){\textbf A}^{-1}\right)\end{aligned}.logdet(I+X(yy†+A)−1)+logdet(I+yy†A−1)=logdet(I+(X+yy†)A−1).证明：由于(yy†+A)−1=A−1−A−1yy†A−11+y†A−1y\left({\textbf y}{\textbf y}^{\dag}+{\textbf A}\right)^{-1}={\textbf A}^{-1}-\frac{{\textbf A}^{-1}{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}}{1+{\textbf y}^{\dag}{\textbf A}^{-1}{\textbf y}}(yy†+A)−1=A−1−1+y†A−1yA−1yy†A−1，将其代入I+X(yy†+A)−1{\textbf I}+{\textbf X}\left({\textbf y}{\textbf y}^{\dag}+{\textbf A}\right)^{-1}I+X(yy†+A)−1中可以得到I+X(yy†+A)−1=I+XA−1(I−yy†A−11+y†A−1y){\textbf I}+{\textbf X}\left({\textbf y}{\textbf y}^{\dag}+{\textbf A}\right)^{-1}= {\textbf I}+{\textbf X}{\textbf A}^{-1}\left({\textbf I}-\frac{{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}}{1+{\textbf y}^{\dag}{\textbf A}^{-1}{\textbf y}}\right)I+X(yy†+A)−1=I+XA−1(I−1+y†A−1yyy†A−1)。此外，有下述关系成立：(I+X(yy†+A)−1)(I+yy†A−1)=(I+XA−1(I−yy†A−11+y†A−1y))(I+yy†A−1)=I+yy†A−1+XA−1(I−yy†A−11+y†A−1y)(I+yy†A−1)=I+yy†A−1+XA−1(I−yy†A−11+y†A−1y+yy†A−1−yy†A−1yy†A−11+y†A−1y).\begin{aligned} &\left({\textbf I}+{\textbf X}\left({\textbf y}{\textbf y}^{\dag}+{\textbf A}\right)^{-1}\right)\left({\textbf I}+{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}\right)\\ &=\left({\textbf I}+{\textbf X}{\textbf A}^{-1}\left({\textbf I}-\frac{{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}}{1+{\textbf y}^{\dag}{\textbf A}^{-1}{\textbf y}}\right)\right) \left({\textbf I}+{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}\right)\\ &={\textbf I}+{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}+{\textbf X}{\textbf A}^{-1}\left({\textbf I}-\frac{{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}}{1+{\textbf y}^{\dag}{\textbf A}^{-1}{\textbf y}}\right) \left({\textbf I}+{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}\right)\\ &={\textbf I}+{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}+{\textbf X}{\textbf A}^{-1} \left({\textbf I}- \frac{{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}}{1+{\textbf y}^{\dag}{\textbf A}^{-1}{\textbf y}}+{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1} -\frac{{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}}{1+{\textbf y}^{\dag}{\textbf A}^{-1}{\textbf y}} \right). \end{aligned}(I+X(yy†+A)−1)(I+yy†A−1)=(I+XA−1(I−1+y†A−1yyy†A−1))(I+yy†A−1)=I+yy†A−1+XA−1(I−1+y†A−1yyy†A−1)(I+yy†A−1)=I+yy†A−1+XA−1(I−1+y†A−1yyy†A−1+yy†A−1−1+y†A−1yyy†A−1yy†A−1).注意到，yy†A−11+y†A−1y+yy†A−1−yy†A−1yy†A−11+y†A−1y=yy†A−1+yy†A−1+y†A−1yyy†A−1−y(y†A−1y)y†A−11+y†A−1y=0.\begin{aligned} &\frac{{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}}{1+{\textbf y}^{\dag}{\textbf A}^{-1}{\textbf y}}+{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1} -\frac{{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}}{1+{\textbf y}^{\dag}{\textbf A}^{-1}{\textbf y}}\\ &=\frac{{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}+{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}+{\textbf y}^{\dag}{\textbf A}^{-1}{\textbf y} {\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}-{\textbf y}\left({\textbf y}^{\dag}{\textbf A}^{-1}{\textbf y}\right){\textbf y}^{\dag}{\textbf A}^{-1} }{1+{\textbf y}^{\dag}{\textbf A}^{-1}{\textbf y}}={\textbf 0}. \end{aligned}1+y†A−1yyy†A−1+yy†A−1−1+y†A−1yyy†A−1yy†A−1=1+y†A−1yyy†A−1+yy†A−1+y†A−1yyy†A−1−y(y†A−1y)y†A−1=0.代入上式，得到(I+X(yy†+A)−1)(I+yy†A−1)=I+yy†A−1+XA−1.\left({\textbf I}+{\textbf X}\left({\textbf y}{\textbf y}^{\dag}+{\textbf A}\right)^{-1}\right)\left({\textbf I}+{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}\right) ={\textbf I}+{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}+{\textbf X}{\textbf A}^{-1}.(I+X(yy†+A)−1)(I+yy†A−1)=I+yy†A−1+XA−1.根据矩阵的性质det⁡(AB)=det⁡(A)det⁡(B)\det\left({\textbf A}{\textbf B}\right)=\det\left(\textbf A\right)\det\left(\textbf B\right)det(AB)=det(A)det(B)，可以得到：log⁡det⁡(I+X(yy†+A)−1)+log⁡det⁡(I+yy†A−1)=log⁡det⁡(I+(X+yy†)A−1).\begin{aligned}&\log\det\left({\textbf I}+{\textbf X}\left({\textbf y}{\textbf y}^{\dag}+{\textbf A}\right)^{-1}\right)+ \log\det\left({\textbf I}+{\textbf y}{\textbf y}^{\dag}{\textbf A}^{-1}\right)\\&= \log\det\left({\textbf I}+\left({\textbf X}+{\textbf y}{\textbf y}^{\dag}\right){\textbf A}^{-1}\right).\end{aligned}logdet(I+X(yy†+A)−1)+logdet(I+yy†A−1)=logdet(I+(X+yy†)A−1).由此，引理2得到了证明。

利用上述引理，可以得到下列定理。
定理2：MMSE-SIC译码器是信息无损的，即R=∑i=1NtRi{\mathcal R}=\sum_{i=1}^{N_{\text t}}{\mathcal R}_iR=∑i=1NtRi。[3]
证明：注意到Ri=log⁡det⁡(I+PNthihi†Ki−1){\mathcal R}_i=\log\det\left({\textbf I}+\frac{P}{N_{\text t}}{\textbf h}_i{\textbf h}_i^{\dag}{\textbf K}_i^{-1}\right)Ri=logdet(I+NtPhihi†Ki−1)，其中Ki=σ2INr+PNt∑j=i+1Nthjhj†{\textbf K}_i=\sigma^2{\textbf I}_{N_{\text r}}+\frac{P}{N_{\text t}}\sum\limits_{j=i+1}^{N_{\text t}}{\textbf h}_j{\textbf h}_j^{\dag}Ki=σ2INr+NtPj=i+1∑Nthjhj†。利用引理2，可以得到，R1+R2=log⁡det⁡(I+(PNth1h1+PNth2h2†)K2−1)=Rˉ2,\begin{aligned}{\mathcal R}_{1}+{\mathcal R}_{2}=\log\det \left({\textbf I}+\left( \frac{P}{N_{\text t}}{\textbf h}_{1}{\textbf h}_{1}+ \frac{P}{N_{\text t}}{\textbf h}_{2}{\textbf h}_{2}^{\dag}\right) {\textbf K}_{2}^{-1}\right)=\bar{\mathcal R}_{2}, \end{aligned}R1+R2=logdet(I+(NtPh1h1+NtPh2h2†)K2−1)=Rˉ2,Rˉ2+R3=log⁡det⁡(I+(PNth1h1+PNth2h2†+PNth3h3†)K3−1)=Rˉ3.\begin{aligned}&\bar{\mathcal R}_{2}+{\mathcal R}_{3}=\log\det \left({\textbf I}+\left( \frac{P}{N_{\text t}}{\textbf h}_{1}{\textbf h}_{1}+ \frac{P}{N_{\text t}}{\textbf h}_{2}{\textbf h}_{2}^{\dag}+ \frac{P}{N_{\text t}}{\textbf h}_{3}{\textbf h}_{3}^{\dag} \right){\textbf K}_{3}^{-1}\right)=\bar{\mathcal R}_{3}. \end{aligned}Rˉ2+R3=logdet(I+(NtPh1h1+NtPh2h2†+NtPh3h3†)K3−1)=Rˉ3.以此类推，利用归纳法，可以得到：RˉNt−1+RNt=log⁡det⁡(I+PNt(hNthNt†+hNt−1hNt−1†+⋯+h1h1†)KNt−1)=RˉNt.\begin{aligned}&\bar{\mathcal R}_{N_{\text t}-1}+{\mathcal R}_{N_{\text t}}\\&=\log\det \left({\textbf I}+\frac{P}{N_{\text t}}\left( {\textbf h}_{N_{\text t}}{\textbf h}_{N_{\text t}}^{\dag}+ {\textbf h}_{N_{\text t}-1}{\textbf h}_{N_{\text t}-1}^{\dag}+\cdots+ {\textbf h}_{1}{\textbf h}_{1}^{\dag} \right){\textbf K}_{N_{\text t}}^{-1}\right)=\bar{\mathcal R}_{N_{\text t}}. \end{aligned}RˉNt−1+RNt=logdet(I+NtP(hNthNt†+hNt−1hNt−1†+⋯+h1h1†)KNt−1)=RˉNt.按照Ki{\textbf K}_iKi的定义，KNt=σ2INr{\textbf K}_{N_{\text t}}=\sigma^2{\textbf I}_{N_{\text r}}KNt=σ2INr，代入可得：RˉNt=log⁡det⁡(I+PNtσ2∑i=1Nthihi†)=log⁡det⁡(I+PNtσ2HH†)=R.\bar{\mathcal R}_{N_{\text t}} =\log\det\left({\textbf I}+\frac{P}{N_{\text t}\sigma^2}\sum_{i=1}^{N_{\text t}} {\textbf h}_{i}{\textbf h}_{i}^{\dag}\right) =\log\det\left({\textbf I}+\frac{P}{N_{\text t}\sigma^2}{\textbf H}{\textbf H}^{\dag}\right)={\mathcal R}.RˉNt=logdet(I+Ntσ2P∑i=1Nthihi†)=logdet(I+Ntσ2PHH†)=R.由此得到结论，R=∑i=1NtRi{\mathcal R}=\sum_{i=1}^{N_{\text t}}{\mathcal R}_iR=∑i=1NtRi，即MMSE-SIC译码器是信息无损的。

接下来，利用图2来描绘整个MMSE-SIC译码过程。
图2：MMSE-SIC译码过程。

由此可见，MMSE-SIC译码器可以在保证信息无损的前提下将各个数据流的联合译码化简为各个数据流的串行译码，译码复杂度由指数级降低到了线性级。接下来，考虑更加广义的MIMO传输系统：y=HBΛx+n,{\textbf y}={\textbf H}{\textbf B}{\bm\Lambda}{\textbf x}+{\textbf n},y=HBΛx+n,其中发送信号s=BΛx{\textbf s}={\textbf B}{\bm\Lambda}{\textbf x}s=BΛx的协方差为E{ss†}=BΛΛ†B†{\mathbb E}\left\{{\textbf s}{\textbf s}^{\dag}\right\}={\textbf B}{\bm\Lambda}{\bm\Lambda}^{\dag}{\textbf B}^{\dag}E{ss†}=BΛΛ†B†，B{\textbf B}B为预编码矩阵， Λ{\bm\Lambda}Λ为功率分配矩阵（注意根据前面对定理2的证明，在任意功率分配策略下，MMSE-SIC译码都是可以应用的，且信息量没有损失）。此时，接收端只需要将HBΛ{\textbf H}{\textbf B}{\bm\Lambda}HBΛ视为有效信道矩阵再采用MMSE-SIC译码器串行地译出中各个数据流的信息。

以下，给出具体的Matlab代码来说明MMSE-SIC译码器的性能。

Power = [-10:5:30]; % 发送功率 (dB)
noise = 1; % 噪声功率 (0dB)
Nt = 6; % 发端天线数
Nr = 8; % 收段天线数
Monte_Carlo = 50; % 蒙特卡洛仿真次数
Capacity = ones(1,length(Power)); % 存储信道容量
Tmp = ones(Monte_Carlo,length(Power));
Tmp1 = ones(Monte_Carlo,length(Power));
for Monte = [1:1:Monte_Carlo]for power_index = [1:1:length(Power)][Monte,power_index]P = 10^(Power(power_index)/10);H = 1/sqrt(2)*randn(Nr,Nt) + 1j*1/sqrt(2)*randn(Nr,Nt); % MIMO信道(考虑瑞利衰落模型)%% 使用联合译码时的信道容量Capacity1 = abs(log(det(eye(Nr)+P/Nt*(H*H'))));%% 存储结果Tmp(Monte,power_index) = Capacity1;%% 使用MMSE-SIC译码器的信道容量Capacity2 = 0;for stream = [1:1:Nt]K = eye(Nr)+P/Nt*(H(:,[(stream+1):1:Nt])*H(:,[(stream+1):1:Nt])');Capacity2 = Capacity2 + abs(log(det(eye(Nr)+P/Nt*H(:,stream)*H(:,stream)'*inv(K))));end%% 存储结果Tmp1(Monte,power_index) = Capacity2;end
end
plot(Power,mean(Tmp),'-o');
hold on;
plot(Power,mean(Tmp1),'-x');
xlabel('发送功率 [dB]');
ylabel('传输速率 [bps/Hz]');
legend('联合译码','MMSE-SIC译码');
grid on;

图3：MIMO传输速率与发送功率的关系，信道采用瑞利衰落模型，蒙特卡洛仿真次数设置为50，Nt=6N_{\text t}=6Nt=6 ，Nr=8N_{\text r}=8Nr=8 ，σ2=1\sigma^2=1σ2=1 。

图3绘制了传输速率随传输功率变化的曲线，从图中可以看出，联合译码与MMSE-SIC译码可以实现相同的传输速率。

最后，对上述内容进行总结。对于MIMO信道而言，当发射机不知道信道信息时，发射机与接收机需使用如下的结构：

发射机采用平均功率分配，为每个数据流分配相同的功率；
接收机采用MMSE-SIC译码器对接收到的信号进行译码。MMSE-SIC译码器具有三大性质：使输出信噪比最大、无信息损失、使均方误差最小。

参考文献

I. E. Telatar, “Capacity of multi-antenna Gaussian channels,” Eur. Trans. Telecom, vol. 10, pp. 585–595, Nov. 1999.
S. Boyd and L. Vandenberghe, Convex Optimization. Cambridge, U.K.: Cambridge Univ. Press, 2004.
D. Tes and P. Viswanath, Fundamentals of Wireless Communication. Cambridge, U.K.: Cambridge Univ. Press, 2005.

单用户MIMO系统（二）：信道信息在发端未知相关推荐

单用户MIMO系统（一）：信道信息在发端已知
单用户MIMO系统(一):信道信息在发端已知关键词 MIMO,单用户,信道容量,注水算法,Matlab实现基本介绍本文介绍了单用户MIMO系统在发端知道信道状态信息时的系统速率优化算法(注水算法 ...
杂谈WiFi：一文搞懂多用户MIMO(MU-MIMO)，单用户MIMO(SU-MIMO)
这个是协议层面的一个东西,即多个用户同时使用一套MIMO系统. 一般来讲,ROUTER的天线比较多,而用户的天线比较少,但是多对少呢,就不能完全的利用ROUTER的channel资源. 为此,设计了一 ...
基于 Spring Security 搭建用户权限系统(二) - 自定义配置
说明本文的目的是如何基于 Spring Security 去扩展实现一个基本的用户权限模块, 内容会覆盖到 Spring Security 常用的配置. 文中涉及到的业务代码是不完善的, 甚至会存在 ...
oracle判断某列是否有单引号_sql注入二 ——数据库信息判断
3.1常见的sql注入利用技术 3.1.1使用堆叠查询堆叠查询指的是在单个数据库连接中执行多个查询. 3.2识别数据库 3.2.1 常见系统架构组合识别 Asp和.net通常使用sqlserver ...
m多载波MC-CDMA系统单用户检测方法的研究，对比EGC，MRC，ORC以及MMSE
目录 1.算法概述 2.仿真效果预览 3.MATLAB部分代码预览 4.完整MATLAB程序 1.算法概述传统CDMA技术在码间串扰和多址干扰等方面存在的问题使其总体性能受到限制,随着OFDM技术的 ...
linux系统密码自动丢失,通过单用户模式找回linux系统丢失的密码
通过单用户模式找回linux系统丢失的密码发布时间:2006-09-12 11:30:31来源:红联作者:benny_feng 一.单用户模式: 单用户模式要求我们输入root用户的密码,否则您无法 ...
php 单用户登录,Linux 系统的单用户模式、修复模式、跨控制台登录在系统修复中的运用...
一.单用户模式: 单用户模式要求我们输入root用户的密码,否则您无法登录单用户模式:如果您丢失了root用户的密码,并不能用单用户模式来重设您的root密码: 另外单用户模式还有一个前提是您的gru ...
Linux单用户能做什么,Linux单用户模式详解及应用场景
一.单用户模式简介二.进入单用户模式修改密码 1.Centos6进入单用户修改密码 1.重启系统,进入系统欢迎界面按上下左右键进入GRUB界面: 2.在GRUB界面选择内核版本,按下'e'键: 3. ...
多用户MIMO系统预编码：广义矩阵求逆法
前言行将毕业了,最近不太看那些智能反射面.通感一体化之类的热点了.有限的时间里,准备多读一些过去的经典沉淀一下. 疫情汹涌,祝大家一切都好.接下来在家的日子里,希望要求自己每天写一篇经典论文的摘记博 ...

单用户MIMO系统（二）：信道信息在发端未知

关键词

基本介绍

参考文献

单用户MIMO系统（二）：信道信息在发端未知相关推荐

最新文章

热门文章