[转]MIMO信道容量推导
(奇异值分解法)
Massive MIMO,目前是5G的一项关键技术。那么求解它的信道容量,对于我们研究它的属性尤为重要。今天,我们就求算一下信道容量。
在通信系统中我们学到信道容量的一个计算式:
C
=
B
l
o
g
2
(
1
+
S
N
R
)
C=Blog_2(1+SNR)
C=Blog2(1+SNR)
其中
B
B
B是带宽,
S
N
R
SNR
SNR是信噪比,
C
C
C是信道容量。
那么其实我们就是需要求解
S
N
R
SNR
SNR。
假设M个接收天线,N个发送天线,那么MIMO模型的表达式如下:
y
=
Hx
+
n
\textbf{y}=\textbf{H}\textbf{x}+\textbf{n}
y=Hx+n
其中,
y
\textbf{y}
y是
M
×
1
M\times 1
M×1输出的信息,
H
\textbf{H}
H是一个只能被接收机感知的
M
×
N
M\times N
M×N矩阵,
x
\textbf{x}
x是输入信息的
N
×
1
N\times 1
N×1列向量,
n
\textbf{n}
n是AWGN噪声组成的
M
×
1
M\times 1
M×1列向量。
先了解一下奇异值分解(SVD):
SVD也是对矩阵进行分解,但是和特征分解不同,SVD并不要求要分解的矩阵为方阵。那么我们定义矩阵H的SVD为:
H
=
UD
V
H
\textbf{H}=\textbf{U}\textbf{D}\textbf{V}^H
H=UDVH
其中
U
\textbf{U}
U是一个
M
×
M
M\times M
M×M的矩阵,
D
\textbf{D}
D是一个
M
×
N
M\times N
M×N的矩阵,除了主对角线上的元素以外全为0,主对角线上的每个元素都称为奇异值,
V
\textbf{V}
V是一个
N
×
N
N\times N
N×N的矩阵。
U
\textbf{U}
U和
V
\textbf{V}
V都是酉矩阵,即满足:
I
=
X
T
X
\textbf{I}=\textbf{X}^T\textbf{X}
I=XTX
那么,考虑使用奇异值分解法处理
H
\textbf{H}
H矩阵,得到:
H
=
UD
V
H
\textbf{H}=\textbf{U}\textbf{D}\textbf{V}^H
H=UDVH
y
=
UD
V
H
x
+
n
\textbf{y}=\textbf{U}\textbf{D}\textbf{V}^H\textbf{x}+\textbf{n}
y=UDVHx+n
U
H
(
y
−
n
)
=
D
V
H
x
\textbf{U}^H(\textbf{y}-\textbf{n})=\textbf{D}\textbf{V}^H\textbf{x}
UH(y−n)=DVHx
令:
y
^
=
U
H
y
\hat\textbf{y}=\textbf{U}^H\textbf{y}
y^=UHy,
x
^
=
V
H
x
\hat\textbf{x}=\textbf{V}^H\textbf{x}
x^=VHx,
n
^
=
U
H
n
\hat\textbf{n}=\textbf{U}^H\textbf{n}
n^=UHn。
则有,
y
^
=
D
x
^
+
n
^
\hat\textbf{y}=\textbf{D}\hat\textbf{x}+\hat\textbf{n}
y^=Dx^+n^
令奇异值为
λ
i
\sqrt{\lambda_i}
λi,最多
r
a
n
k
(
H
)
=
min
(
M
,
N
)
rank(\textbf{H})=\min(M,N)
rank(H)=min(M,N)个非零奇异值,那么接收信号为:
y
^
i
=
λ
i
x
^
i
+
n
^
i
,
i
=
1
,
2
,
.
.
.
,
r
a
n
k
\hat{y}_i=\sqrt{\lambda_i}\hat{x}_i+\hat{n}_i,i=1,2,...,rank
y^i=λix^i+n^i,i=1,2,...,rank
y
^
i
=
n
^
i
,
i
=
r
a
n
k
+
1
,
.
.
.
,
M
\hat{y}_i=\hat{n}_i,i=rank+1,...,M
y^i=n^i,i=rank+1,...,M
由上述可知,MIMO其实是rank个平行的等效子信道组成的。幅度增益就是奇异值,那么单个信道的信噪比就是
p
i
σ
2
\frac{p_i}{\sigma^2}
σ2pi,其中信息功率为平均下来每个天线的接收功率,即
p
i
=
P
T
M
p_i=\frac{P_T}{M}
pi=MPT,而后对单个信道进行叠加,得到:
C
=
B
log
2
∏
i
=
1
r
a
n
k
(
1
+
λ
i
P
T
M
σ
2
)
C=B\log_2\prod \limits_{i=1}^{rank}\left(1+\frac{{\lambda_i}P_T}{M\sigma^2}\right)
C=Blog2i=1∏rank(1+Mσ2λiPT)
即最终MIMO的信道容量。