《Hybrid Digital and Analog Beamforming Design for Large-Scale Antenna Arrays》
本文地址:
https://arxiv.org/abs/1601.06814
该算法的仿真,可以参照github:
https://github.com/Zzhaoxingyu/hybrid-beamforming-for-three-scenes
前言
混合波束赋形专栏|基于坐标迭代更新法的混合波束赋形算法:整理2016年一篇JSAC高引论文中的混合波束赋形算法,一点拙见,如有偏颇,望不吝赐教,盼即赐复。
文章中心思想
Hybrid Beamforming(简称 HBF )的优点是能够以相较于传统Full Digital beamforming(简称FD)更低的功耗和硬件成本实现接近FD的性能。在目前的半导体技术下,HBF更有利于应用到实际的大规模MIMO系统中。本文为了求解最优HBF,提出了一种坐标迭代下降算法,即:通过更新HBF中Analog beamforming的每个元素而达到最佳性能。
全文概览
系统模型
考虑一个窄带下行单小区多用户分布式天线系统,具体配置如下:基站端有
N根天线,
NtRF条发送射频链,
K个服务用户,每个用户配有
M根天线,
NrRF条接收射频链。每个用户所需的数据流数目为
Ns=Kd,并且满足
Kd≤NtRF≤N,
d≤NrRF≤M。在混合波束赋形架构中,基站首先在基带使用一个
NtRF×Ns的digital precoder
VD进行数字波束赋形,然后通过
NtRF条发送射频链上变频到载频
。随后使用一个通过模拟移相器实现大小为
N×NtRF的RF precoder
VRF(受到恒模约束:
∣VRF(i,j)∣2=1)构造最终的发射信号。发射信号可以表示为:
x=VRFVDs=l=1∑KVRFVDisl
其中
VD=⌊VD1,VD2,…,VDK⌋,
s∈CNs×1,其包含了
K个用户的数据流。对于第
k用户,接收信号可以建模为:
yk=HkVRFVDksk+Hkl̸=k∑VRFVDlsl+zk
其中
Hk∈CM×N,它是基站发射天线到第
k个用户天线的复信道增益矩阵,
zk∼CN(0,σ2IM)代表高斯加性白噪声。
在接收端,对于用户
k首先使用一个大小为
M×NtRF的RF combiner(受到恒模约束:
∣VRF(i,j)∣2=1)进行处理,然后通过
NrRF条射频链下变频到基带,经过digital combiner
WDk∈CNrRF×d处理后得到最终的数据流。因此,最终处理的信号可以表示为:
y
k=WtkHHkVtksk+WtkHHkl̸=k∑Vtlsl+WtkHzk
其中:
Vtk=VRFVDk,
Wtk=WRFkWDk。对于这样一个系统,第
k个用户在高斯信号假设下的总频谱效率可以表示为:
Rk=log2∣∣IM+WtkC−1WtkHHkVtkVtkHHkH∣∣
其中
Ck=WtkHHk(∑l̸=kVtlVtiH)HkHWtk+σ2WtkHWtk。考虑恒模约束,功率约束,以最大频谱效率为目标函数的HBF设计问题可以描述为:
P是基站的总功率约束,
βk是用户
k的优先级,
βk/∑l=1Kβl,则代表用户
k的优先级越高。
大规模天线点对点MIMO系统的场景
在该窄带场景下,
K=1,
min(N,M)≥Ns。为了不失一般性,
NtRF=NrRF=NRF。此时的总频谱效率可以写为:
R=log2∣∣∣∣IM+σ21Wt(WtHWt)−1WtHHVtVtHHH∣∣∣∣其中
Vt=VRFVD,
Wt=WRFWD。
作者的思路是:首先假设接收端是最优的,设计最优hybrid precoders。然后针对已经设计好的发送端,在设计最优hybrid combiner。于是,发送端的设计问题可以写为:
对于这样一个非凸问题直接求解仍然是很困难的,作者由将该问题分解为固定
VRF求解
VD,然后固定
VRF求解
VD。在求解
VD时有一个很好的闭式解就是:
VD=Q−1/2UeΓe该闭式解是通过注水算法得到的。作者假设数据流等功率分配,
VRFHVRF≈NI。可以在
NRF=Ns下得到一个很好的结论,即:
VDVDH≈γ2I。 其中,
γ2=P/(NNRF)。利用该近似,
VRF的求解问题可以描述为:
其中
F1=HHH 。对于这个问题的求解,作者提出了基于坐标迭代更新法的混合波束赋形算法
(也就是本文的重头戏)。简单来说,该方法就是提取
VRF中的每个元素
VRF(i,j)对目标函数的影响。上述的目标函数用
VRF(i,j)可以表示为:
log2∣Cj∣+log2(2Re{VRF∗(i,j)ηij}+ζij+1)其中:
Cj=I+σ2γ2(VRFj)HF1VRFj,
VRFj是移除
VRF第
j列后的子矩阵。其他参数的定义为:
ηij=ℓ̸=i∑Gj(i,ℓ)VRF(ℓ,j)
ζij=Gj(i,i)+2Re⎩⎨⎧m̸=i,n̸=i∑VRF∗(m,j)Gj(m,n)VRF(n,j)⎭⎬⎫
Gj=σ2γ2F1−σ4γ4F1VRFjCj−1(VRFj)HF1 虽然上述表达式看似很复杂,但是推导并不困难,只需要将原目标函数逐项展开,表示成
VRF(i,j)的函数即可。假设除
VRF(i,j)之外的元素均固定,则对
VRF(i,j)可以更新可以表示为:
VRF(i,j)={1,∣ηij∣ηij, if ηij=0 otherwise 通过逐项更新最后就可以得到最优
VRF。综上所述,
VRF的求解可以表示为:
接收端的设计问题为:
其中
F2=HVtVtHHH,利用
WRFHWRF≈MI的假设,该问题可以表示为:
可以看出通过简单的变量代换就能共使用算法1继续求解
WRF。最后再设计
WD。利用MMSE准则下的闭式解
WD=J−1WRFHHVt,其中
J=WRFHHVtVtHHHWRF+σ2WRFHWRF。
需要注意的是前面的所有假设与近似均是在
NRF=Ns进行的,但是可以将目标函数表示成特征值的形式并且证明
NRF=Ns下的情况可以作为
Ns<NRF<2Ns的一个上界近似。所以本文建议先设计
NRF=Ns情况下的
VRF,然后再设计
Ns<NRF<2Ns下的
VD。综上,整个点对点窄带场景下的混合波束赋形算法可以总结为:
大规模天线MU-MISO系统的场景
该场景下需要考虑用户间的干扰,对于用户
k,HBF下的速率可以表达为:
Rk=log2(1+σ2+∑ℓ̸=k∣∣hkHVRFvDℓ∣∣2∣∣hkHVRFvDk∣∣2)
hkH是从BS到第
k个用户的信道,
VDℓ表示的是digital precoder
VD第
ℓ列。为了克服用户间干扰,在基站端使用ZF(zero-forcing)digital precoder。具体为:
VDZF=VRFHHH(HVRFVRFHHH)−1P21=V~DP21
其中
H=[h1,…,hK]H,
V~D=VRFHHH(HVRFVRFHHH)−1,
P=diag(p1,…,pK)且
pk表示对
k个用户分配的功率。之所以ZFdigital precoder,因为其有一个很好的性质:
∣∣hkHVRFvDkZF∣∣=pk
,
∣∣hkHVRFvDℓZF∣∣=0。则此时的设计问题可以表示为:
其中
Q~=V~DHVRFHVRFV~D,该问题有可以很容易的通过注水算法求得:
pk=q~kk1max{λβk−q~kkσ2,0}其中
q~kk是
Q~的第
k个对角线元素。
λ满足
∑k=1Kmax{λβk−q~kkσ2,0}=P
在ZF precoder设计好的情况下,可以看出总速率取决于功率约束中的
VRF,因此RF precoder的设计问题可以转化为功率最小化问题,即:
minVRF s.t. f(VRF)∣VRF(i,j)∣2=1,∀i,j其中
f(VRF)=Tr(VRFV~DPV~DHVRFH)。使用
VRFHVRF≈NI的近似有:
其中
H~=P−21H。还是与窄带情况下的思路一样,求出
VRF(i,j)对目标函数的贡献。因此有:
f^(VRF)=NTr(Aj−1)−N1+ζijD+2Re{VRF∗(i,j)ηijD}ζijB+2Re{VRF∗(i,j)ηijB}
假设除
VRF(i,j)=e−jθi,j之外的元素均固定,
VRF(i,j)=e−jθi,j更新的规则为:
θi,j(1)θi,j(2)=−ϕi,j+sin−1(∣cij∣zij)=π−ϕi,j−sin−1(∣cij∣zij)其中
cij=(1+ζijD)ηijB−ζijBηijD,zij=Im{2(ηijB)∗ηijD},且:
最优
θi,j可表示为:
θi,jopt=θi,j(1),θi,j(2)argmin(f^(θi,j(1)),f^(θi,j(2)))。
通过交替迭代
P和
VRF就可以得到最优的HBF设计。综上,MU-MISO下的HBF算法为:
扫描二维码关注公众号,回复:
9399445 查看本文章
仿真结果
MIMO系统下的HBF性能
考虑一个
64×16MIMO系统,
NRF=Ns=6,与FD方法、[25]、[27]进行了比较,分别有1dB、1.5dB的提升,更加接近于FD。
MU-MISO下的HBF性能
考虑一个8用户,基站端发射天线
N=64的MU-MISO系统。假设每个用户的优先级相同,即:
βk=1,∀k,作者比较了所提出算法在
K+1=9条射频链和
K=8条射频链下[33]与[32]中的算法。提出的算法在额外增加一条射频链的强看下与全数字ZF波束形成速率非常接近,它将[33]中的方法改进了约1 dB。
结论: 数值计算结果表明,所提出方法的性能在MIMO和MU-MISO场景下均十分接近全数字波束形成方案。虽然本文所提出的算法都需要完美的CSI,但它们都可以作为混合波束赋形结构最大可达速率的基准。因此在很多新的HBF算法在进行性能分析时,会同该算法进行比较。
注意:本文中介绍的算法考虑的是无限精度下的移相器。文中还分析了有限精度下的HBF算法,具体可参照论文链接。