混合波束成形| 论文:基于MMSE准则的混合波束成形算法
文章目录
- 前言
- 背景简介
- 问题建模
- 波束成形设计: 数字波束成形
- 波束成形设计: 模拟波束成形
- 流形优化
- GEVD算法
- 波束成形设计: 接收端
- 拓展到宽带系统
- 仿真性能
- 窄带情形
- 宽带情形
- 总结
- 相关阅读
前言
论文题目: Hybrid Beamforming for Millimeter Wave Systems Using the MMSE Criterion
论文地址:https://arxiv.org/abs/1902.08343
源码地址:https://github.com/TianLin0509/Hybrid-Beamforming-for-Millimeter-Wave-Systems-Using-the-MMSE-Criterion
这是笔者自己发表在TCom ( IEEE Transactions on Communications) 上的论文, 因为这几天要做一些相关报告,顺便也写成一篇博客。 毕竟完成了那么多篇他人论文的读后感, 也是时候记录下自己的工作了。 何况最懂一篇文章的,一定是作者本人啦。 本博文旨在以最简练的篇幅来提炼文章的核心。
背景简介
本文的工作还是基于毫米波的混合波束成形系统。 关于混合波束成形 的 背景 和 介绍, 可以参考笔者之前的文章,
- 混合波束成形专栏|基础:深入浅出5G,毫米波,大规模MIMO与波束赋形
- 混合波束成形专栏|进阶:深入浅出混合波束赋形
这篇文章与之前相关工作的主要区别点在于, 是以MSE为目标提出了一系列优化算法。 尽管在此之前已经有一些以MSE为优化目标的波束成形算法的设计工作, 但基本是多用户场景下, 且并未详尽地阐述该目标的意义。 从算法角度而言, 本文的算法也将性能优化了许多。
问题建模
本文可以分为两部分, 第一部分以上图所示的窄带点对点毫米波通信系统为研究对象, 提出了相关算法。 第二部分则将其拓展到了宽带OFDM系统下。 阅读完 混合波束成形专栏|进阶:深入浅出混合波束赋形 的话, 很容易可以写出接收端得到的接收信号的表示式:
y=WBHWRFHHVRFVBs+WBHWRFHu\mathbf{y}=\mathbf{W}_{\mathrm{B}}^{H} \mathbf{W}_{\mathrm{RF}}^{H} \mathbf{H V}_{\mathrm{RF}} \mathbf{V}_{\mathrm{B}} \mathbf{s}+\mathbf{W}_{\mathrm{B}}^{H} \mathbf{W}_{\mathrm{RF}}^{H} \mathbf{u}y=WBHWRFHHVRFVBs+WBHWRFHu
与许多相关工作不同的是, 本文是以MSE作为优化目标:
MSE≜E{∥β−1y−s∥2}\mathrm{MSE} \triangleq E\left\{\left\|\beta^{-1} \mathbf{y}-\mathbf{s}\right\|^{2}\right\}MSE≜E{∥∥β−1y−s∥∥2}
这里需要解释一下:严格的MSE应该就是 MSE≜E{∥y−s∥2}\mathrm{MSE} \triangleq E\left\{\left\|\mathbf{y}-\mathbf{s}\right\|^{2}\right\}MSE≜E{∥y−s∥2}, 而这里的β\betaβ则是一个标量因子, 物理意义上是将接收到的信号放大/缩小一定的幅度, 使之更接近于原始信号。 这个MSE也被称为 modified MSE。 可以理解为用于矫正由于预编码及信道造成的信号幅度的放大/缩小。
但事实上, 因为我们研究的点对点系统中, 接收端也有波束成形操作, 因此这一步的标量scaling其实可以由接收波束赋形来完成。 那β\betaβ的意义在哪里呢? 这其实是有相应考虑的, 这并非本文的贡献, 因为传统的波束成形也会面临同样的疑问, 但这是本文需要解答的, 引入β\betaβ主要出于三点考虑:
- 第一, 在传统的MIMO波束成形研究中, 在设计预编码矩阵的时候, 如果以原始的MSE(无β\betaβ)为目标, 会发现预编码矩阵的设计与噪声能量无关! 这其实不符合MSE的初衷。 而如果引入β\betaβ, 预编码矩阵的解就与噪声能量相关, 也因此可以达到更合理的性能。
- 第二, 从数学意义上而言, 混合波束成形问题中,需要求解四个矩阵,愈发复杂。 而以传统MSE为目标求解的时候, 考虑发送的功率约束, 需要引入拉格朗日乘子, 这个乘子非常难求,且影响后续对其他矩阵的设计。 而引入β\betaβ后, 后面的推导会证明大大简化了数学求解难度。
- 第三, 引入β\betaβ后, 可以使得 固定接收端解发送端 和 固定发送端解接收端 两个子问题可以化为完全一致的形式, 也就可以用同样的算法来求解了。
最后,为什么要以MSE为目标求解, 而不是用Rate等呢? 因为在传统通信中, MSE是一个经典且合理的指标, 完全有理由同样应用在5G的毫米波通信中。 其次, MSE为目标往往能保证更好的BER性能, 而且由于目标的不同, 数学问题完全不一样了, 推导的算法也会有较大的变化。 最后, 我们可以将MSE的算法推广到WMSE(weight MSE), 这时的解将会有非常不错的Rate性能。
波束成形设计: 数字波束成形
如 混合波束成形专栏|进阶:深入浅出混合波束赋形 中所述,在求解HBF优化问题的时候, 由于总共有4个矩阵, 主流的做法都是, 将发送端和接收端解耦, 其实就是简单的: 先固定接收端求解发送端, 再固定发送端求解接收端, 然后迭代。 我们的第一步也是如此: 先固定接收端, 求解发送端。 首先令VB=βVU\mathbf{V}_{\mathrm{B}}=\beta \mathbf{V}_{\mathrm{U}}VB=βVU, 可以得到目标函数:
minimizeVRF,VU,βtr(H1HVRFVUVUHVRFHH1−H1HVRFVU−VUHVRFHH1+σ2β−2WHW+INa)subject to tr(VRFVUVUHVRFH)≤β−2;∣[VRF]ij∣=1,∀i,j\begin{array}{ll} \operatorname{minimize}_{\mathbf{V}_{\mathrm{RF}}, \mathbf{V}_{\mathrm{U}}, \beta} & \operatorname{tr}\left(\mathbf{H}_{1}^{H} \mathbf{V}_{\mathrm{RF}} \mathbf{V}_{\mathrm{U}} \mathbf{V}_{\mathrm{U}}^{H} \mathbf{V}_{\mathrm{RF}}^{H} \mathbf{H}_{1}-\mathbf{H}_{1}^{H} \mathbf{V}_{\mathrm{RF}} \mathbf{V}_{\mathrm{U}}\right. \left.-\mathbf{V}_{\mathrm{U}}^{H} \mathbf{V}_{\mathrm{RF}}^{H} \mathbf{H}_{1}+\sigma^{2} \beta^{-2} \mathbf{W}^{H} \mathbf{W}+\mathbf{I}_{N_{\mathrm{a}}}\right) \\ \text { subject to } & \operatorname{tr}\left(\mathbf{V}_{\mathrm{RF}} \mathbf{V}_{\mathrm{U}} \mathbf{V}_{\mathrm{U}}^{H} \mathbf{V}_{\mathrm{RF}}^{H}\right) \leq \beta^{-2} ; \left|\left[\mathbf{V}_{\mathrm{RF}}\right]_{i j}\right|=1, \forall i, j \end{array}minimizeVRF,VU,β subject to tr(H1HVRFVUVUHVRFHH1−H1HVRFVU−VUHVRFHH1+σ2β−2WHW+INa)tr(VRFVUVUHVRFH)≤β−2;∣∣∣[VRF]ij∣∣∣=1,∀i,j
可以看到, 这一步中我们只需要优化发送预编码矩阵 (数字阵和模拟阵)及 引入的β\betaβ标量。 由于模拟阵有恒模约束,求解困难, 因此我们先求解数字阵。
很容易通过反证法得知: 必在达到最大功率时达到最佳性能, 因此根据第一个限制条件的等号成立时:
β=(tr(VRFVUVUHVRFH))−12\beta=\left(\operatorname{tr}\left(\mathbf{V}_{\mathrm{RF}} \mathbf{V}_{\mathrm{U}} \mathbf{V}_{\mathrm{U}}^{H} \mathbf{V}_{\mathrm{RF}}^{H}\right)\right)^{-\frac{1}{2}}β=(tr(VRFVUVUHVRFH))−21
再用拉格朗日乘子法, 求解上面的问题, 利用KKT法则, 就可以求得数字阵的闭式解:
VU=(VRFHH1H1HVRF+σ2wVRFHVRF)−1VRFHH1\mathbf{V}_{\mathrm{U}}=\left(\mathbf{V}_{\mathrm{RF}}^{H} \mathbf{H}_{1} \mathbf{H}_{1}^{H} \mathbf{V}_{\mathrm{RF}}+\sigma^{2} w \mathbf{V}_{\mathrm{RF}}^{H} \mathbf{V}_{\mathrm{RF}}\right)^{-1} \mathbf{V}_{\mathrm{RF}}^{H} \mathbf{H}_{1}VU=(VRFHH1H1HVRF+σ2wVRFHVRF)−1VRFHH1
一些符号的具体定义可以找一下论文的对应, 这里就不再赘述了。 而将解得的VU\mathbf{V}_{\mathrm{U}}VU代入目标函数中后, 目标函数就转化成了只和VRF\mathbf{V}_{\mathrm{RF}}VRF相关的单变量函数了:
J(VRF)≜tr((INe+1σ2wH1HVRF(VRFHVRF)−1VRFHH1)−1)J\left(\mathbf{V}_{\mathrm{RF}}\right) \triangleq \operatorname{tr}\left(\left(\mathbf{I}_{\mathrm{N}_{\mathrm{e}}}+\frac{1}{\sigma^{2} w} \mathbf{H}_{1}^{H} \mathbf{V}_{\mathrm{RF}}\left(\mathbf{V}_{\mathrm{RF}}^{H} \mathbf{V}_{\mathrm{RF}}\right)^{-1} \mathbf{V}_{\mathrm{RF}}^{H} \mathbf{H}_{1}\right)^{-1}\right)J(VRF)≜tr((INe+σ2w1H1HVRF(VRFHVRF)−1VRFHH1)−1)
但是注意, VRF\mathbf{V}_{\mathrm{RF}}VRF是有恒模约束的, 因此需要设计特定的算法求解。
波束成形设计: 模拟波束成形
接上一节, 本文给出了两种算法来求解VRF\mathbf{V}_{\mathrm{RF}}VRF
流形优化
也叫黎曼优化。 本质上是一种梯度下降法, 然而基本的梯度下降法是在整个欧式空间中进行下降, 因此无法保证下降后的解仍满足 恒模约束, 所以无法直接用于求解VRF\mathbf{V}_{\mathrm{RF}}VRF。 而流形优化, 则是首先将满足恒莫约束的所有可行解表示为一个流形, 其后每步迭代后都将解映射回这个流形之上, 也因此可以确保结果永远满足恒模约束。 最重要的是, 已经有严谨的数学证明了这样的迭代过程是严格收敛的, 因此可以将 流形优化 理解为 在可行集上进行下降的梯度下降法。
这里推荐大家去看
- X. Yu, J. Shen, J. Zhang, and K. B. Letaief, “Alternating minimization algorithms for hybrid precoding in millimeter wave MIMO systems,” IEEE J. Sel. Topics Signal Process., vol. 10, no. 3, pp. 485-500, Apr. 2016.
本文是借鉴和套用了他们工作提出的MO算法。 区别在于,我们的目标函数不同, 也因此得到了不同的性能。 因为我们的目标函数更复杂也更直接一些(直接以MSE为目标),因此会有更好的性能。 要想使用流形优化, 你需要求解目标问题的梯度, 然后就可以在这个框架下用下降法求出一个解了。 感兴趣的读者可以看一下这篇引文和我的paper, 基本就清楚MO的用法了。
GEVD算法
MO算法的性能卓绝, 但是复杂度偏高, 因此这里提出了一个低复杂度的算法 —— 基于GEVD(广义特征分解)。 首先, 基于一个常用的近似关系VRFHVRF≈NtINRF\mathbf{V}_{\mathrm{RF}}^{H} \mathbf{V}_{\mathrm{RF}} \approx N_{\mathrm{t}} \mathbf{I}_{N_{\mathrm{RF}}}VRFHVRF≈NtINRF,我们可以简化下目标函数:
J(VRF)≈tr((INe+1σ2wNtH1HVRFVRFHH1)−1)J\left(\mathbf{V}_{\mathrm{RF}}\right) \approx \operatorname{tr}\left(\left(\mathbf{I}_{N_{\mathrm{e}}}+\frac{1}{\sigma^{2} w N_{\mathrm{t}}} \mathbf{H}_{1}^{H} \mathbf{V}_{\mathrm{RF}} \mathbf{V}_{\mathrm{RF}}^{H} \mathbf{H}_{1}\right)^{-1}\right)J(VRF)≈tr((INe+σ2wNt1H1HVRFVRFHH1)−1)
但这个问题还是非常难以求解, 因此我们提出了一种思路:固定VRF\mathbf{V}_{\mathrm{RF}}VRF中的其余列, 每次迭代只优化1列。 通过数学变换, 我们可以把问题转化为一个GEVD问题, 并直接通过广义特征分解,得到那一列的最优解。 经过多次迭代后, 就可以得到一个不错的VRF\mathbf{V}_{\mathrm{RF}}VRF。详细的推导也见paper。 需要指出的是, 在这个求解过程中, 我们暂时忽略了恒模约束, 因此事实上,我们每次通过特征分解得到一列解之后, 需要对每个元素做一个模归一操作(相位提取)。 这一步没有任何的收敛性可言, 因此, 这个算法相比于MO算法, 没有严谨的收敛证明。然而幸运的是, 在仿真中他还是表现出了随着迭代单调下降的特性。
波束成形设计: 接收端
使用MSE为目标的另一妙处就是, 你会发现固定发送端,求解接收端的时候, 问题形式好发送端的形式一模一样。 因此,我们可以直接套用发送端的算法,用于接收端的求解,而无需额外设计了。 通过发送端和接收端的相互迭代, 最终就可以得到一组性能优异的解。
拓展到宽带系统
宽带系统,现在主流一般指的就是OFDM系统了。
系统框图如图所示。 对于数字波束成形而言, 可以对每个子载波进行设计, 因此从每个子载波来看,和窄带系统没有任何区别。 但是问题就在于模拟波束成形, 是对于所有子载波一致的。 也因此,我们设计的时候需要的不是将某个子载波上的MSE最小化的模拟阵,而是一个可以将sum-MSE最小化的解, 那么问题就变成:
mibject to VB,k,VRF,WU,k,WRF,βk∑k=0N−1MSEksubject to ∥Vk∥F2≤1∥VRF]ij∣=1,∀i,j∣[WRF]ml∣=1,∀m,l\begin{array}{cl} \underset{\mathbf{V}_{\mathrm{B}, k}, \mathbf{V}_{\mathrm{RF}}, \mathbf{W}_{\mathrm{U}, k}, \mathbf{W}_{\mathrm{RF}}, \beta_{k}}{\text { mibject to }} & \sum_{k=0}^{N-1} \mathrm{MSE}_{k} \\ \text { subject to } & \left\|\mathbf{V}_{k}\right\|_{F}^{2} \leq 1 \\ & \left.\| \mathbf{V}_{\mathrm{RF}}\right]_{i j} \mid=1, \forall i, j \\ & \left|\left[\mathbf{W}_{\mathrm{RF}}\right]_{m l}\right|=1, \forall m, l \end{array}VB,k,VRF,WU,k,WRF,βk mibject to subject to ∑k=0N−1MSEk∥Vk∥F2≤1∥VRF]ij∣=1,∀i,j∣[WRF]ml∣=1,∀m,l
数字波束成形的求解和窄带一样——因为可以按每个子载波单独设计, 这里直接列出结果:
VU,k=(VRFHH1,kH1,kHVRF+σ2wkVRFHVRF)−1VRFHH1,k\mathbf{V}_{\mathrm{U}, k}=\left(\mathbf{V}_{\mathrm{RF}}^{H} \mathbf{H}_{1, k} \mathbf{H}_{1, k}^{H} \mathbf{V}_{\mathrm{RF}}+\sigma^{2} w_{k} \mathbf{V}_{\mathrm{RF}}^{H} \mathbf{V}_{\mathrm{RF}}\right)^{-1} \mathbf{V}_{\mathrm{RF}}^{H} \mathbf{H}_{1, k}VU,k=(VRFHH1,kH1,kHVRF+σ2wkVRFHVRF)−1VRFHH1,k
接下来还是对模拟波束成形的设计。
首先,流形优化算法可以很简单的拓展到宽带场景,本来难点就在于梯度的求解,但利用下式:
∇J(VRF)=∑k=0N−1∇Jk(VRF)\nabla J\left(\mathbf{V}_{\mathrm{RF}}\right)=\sum_{k=0}^{N-1} \nabla J_{k}\left(\mathbf{V}_{\mathrm{RF}}\right)∇J(VRF)=k=0∑N−1∇Jk(VRF)
而∇Jk\nabla J_{k}∇Jk的表示式和窄带是一样的推导。 有了梯度, 那么流形优化算法仍能应用。
然而GEVD算法就没法简单的拓展了, 因此, 本文提出了基于特征值分解的EVD算法。 复杂的目标显然无法直接使用EVD求解, 所以需要进行一些近似。 我们分别求取了原式的上界和下界, 分别对应的提出了EVD-LB 和 EVD-UB算法。同样的, 由于暂时的忽略了恒模约束, 在求解完成后也需要一步相位提取操作, 这也造成了算法并非严谨收敛。 这里懒得一个个详述了, paper里有详细的推导。
仿真性能
窄带情形
宽带情形
总结
相比于其他相关的工作, 本文提出的算法不仅在BER上有显著的飞跃, 在Rate性能上也有不错的提升。这同时也说明了, 除了以最主流的Rate指标为优化目标外, MSE也是一个可以考虑的准则。
相关阅读
- 专栏: 混合波束成形
- 专栏: 智能反射面
- 混合波束成形|基础:深入浅出5G,毫米波,大规模MIMO与波束赋形
- 混合波束成形|进阶:深入浅出混合波束赋形
- 混合波束成形| 基于坐标迭代更新法的混合波束赋形算法
- 混合波束成形| 基于正交匹配追踪(Orthogonal Matching Pursuit)法的混合波束赋形算法
- 混合波束成形| 论文:基于MMSE准则的混合波束成形算法
- 混合波束成形| 通过天线空间方向图理解波束成形的物理意义
- 混合波束成形| 基于深度学习的大规模天线阵列混合波束成形设计
- 混合波束成形| MIMO系统的DFT码本
- 混合波束成形| HBF系统的克拉美罗下界
混合波束成形| 论文:基于MMSE准则的混合波束成形算法相关推荐
- 基于HBIC准则的混合PPCA的有效模型选择
基于HBIC准则的混合PPCA的有效模型选择 1 引言 2 Mixtures of probabilistic PCA(MPCA) 2.1 EM 算法 3 模型选择方法 3.1 two-stage m ...
- 混合波束成形| 通过天线空间方向图理解波束成形的物理意义
波束成形的物理意义 如图, 是在各种教材中经常看到的天线方向图. 上图表示的是当前天线经过波束成形后在空间中 指向 30度方向 (一般考虑的方向是0-180度).这里解释一下天线方向: 不失一般性的, ...
- 层次分析法-基于节点关键度的DTN路由算法
当你看到一个知识点的时候,不是收藏和点赞,而是想办法转化成自己需要的知识,好记性不如烂笔头. 层次分析法 层次分析法(运筹学理论),简称AHP,是指将于决策总是有关的元素分解成目标.准则.方案等层次, ...
- 文献阅读笔记:基于深度学习的桥梁裂缝检测算法研究
论文 | 基于深度学习的桥梁裂缝检测算法研究 作者 | 李良福.马卫飞.李 丽.陆 铖 期刊 | 自动化学报 时间 | 2019年9月 论文目的: 传统的图像处理算法不能很好地对桥梁裂缝进行检测 , ...
- 医学图像边缘检测matlab实验,基于Matlab的医学图像增强与边缘检测算法的实验研究...
分类号 国际十进分类号(UDC) 第四军医大学 学位论文 基于 Matlab 的医学图像增强与边缘检测 算法的实验研究 (题名和副题名) 袁丽婷 (作者姓名) 指导教师姓名 邱力军 副教授 指导教师单 ...
- 文献阅读笔记【5】:基于图像处理的膨胀圆裂缝检测算法
论文 | 基于图像处理的膨胀圆裂缝检测算法 作者 | 吴玉龙,岳大森,丁 勇,卢康昕,赵广辉 期刊 | 材料与测试-无损检测-实验研究 时间 | 2020 该文章提出了一种计算裂缝宽度的算法,其过程使 ...
- dp聚类算法_【深度】基于残差分析的混合属性数据聚类算法
CAA 智慧起航,共创未来 聚类分析在医学.图像分割.生物学.电子商务.互联网等领域得到了广泛应用.在实际应用环境中,被聚类的数据通常含有数值属性和分类属性,例如医学检测报告不仅有血压.脉搏等数值属性 ...
- 【回顾】推荐系统中基于深度学习的混合协同过滤模型
近些年,深度学习在语音识别.图像处理.自然语言处理等领域都取得了很大的突破与成就.相对来说,深度学习在推荐系统领域的研究与应用还处于早期阶段. 携程在深度学习与推荐系统结合的领域也进行了相关的研究与应 ...
- HAWQ-V2:基于Hessian迹的混合比特量化策略
HAWQ-V2:基于Hessian迹的混合比特量化策略 摘要 方法 自动化的位宽选择 Hutchinson快速求解Hessian迹 敏感度指标分析 激活的混合精度量化 实验结果 ResNet50 on ...
最新文章
- Arduino学习笔记21
- Java中print、printf、println的区别 详解
- leetcode 刷题 118. 杨辉三角解题思路
- VS 常用的一些技巧和问题集锦【不断的更新中】
- Jndroid——用应用开发的思路来开发 Web
- java常见面试题:Java程序员面试题(三)
- iOS 截屏 长图 拼图
- Proteus总线连接心得
- 双网卡上网冲突解决_【优特普.安防百科】交换机组网最常见的8大故障及解决方式...
- Java——JButton按钮
- python画k线_python下画k线
- 各大it公司历届笔试面试题
- linux打开终端的快捷键放大,linux打开终端的快捷键是什么?
- 《IOG:Interactive Object Segmentation with Inside-Outside Guidance》论文笔记
- python sort多条件排序
- 宛如一个未来穿越者,终年33岁的印度数学天才,大数学家哈代说“他发现并创造了数学”
- 【C++代码】区间重叠问题
- 堪称神器的 42 个 Chrome 插件,收藏!
- Linux系统下自动搜索USB摄像头地址及设备信息
- 吴信东--数据挖掘top10算法