大规模多用户MIMO系统中的低复杂度混合预编码、毫米波大规模多用户MIMO在链路限制下的研究，单天线用户设备（UE）（Matlab代码实现）

   💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

 ⛳️赠与读者

💥1 概述

📚2 运行结果

🎉3 参考文献 

🌈4 Matlab代码实现

---

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

毫米波大规模多用户MIMO在链路限制下的研究文档，单天线用户设备（UE）。

大规模多用户MIMO系统中的低复杂度混合预编码研究文档
采用混合预编码方案，其中基带采用零强制（ZF）预编码，模拟域采用相位反转（PR）预编码。
数值比较全复杂度零强制（FC-ZF）、混合预编码、量化混合预编码（QHybrid）和二进制MIMO（B-MIMO）的性能。

1. 引言

毫米波大规模多用户MIMO技术在5G及未来通信网络中扮演着重要角色。然而，在实际应用中，链路限制是一个不可忽视的问题。为了应对这些挑战，研究人员提出了多种预编码技术，包括混合预编码方案，以平衡系统性能和硬件复杂性。

2. 混合预编码技术

混合预编码技术结合了数字域和模拟域的预编码方法，旨在降低硬件复杂度的同时保持较高的系统性能。具体来说，这种技术在基带采用零强制（ZF）预编码，而在模拟域采用相位反转（PR）预编码。

2.1 零强制（ZF）预编码

零强制预编码是一种常见的数字预编码技术，通过消除用户间的干扰来提高系统性能。在多用户MIMO系统中，ZF预编码可以有效地提高频谱效率和传输可靠性。

2.2 相位反转（PR）预编码

相位反转预编码是一种模拟预编码技术，通过调整相位来优化信号传输。在毫米波大规模MIMO系统中，PR预编码可以显著降低硬件复杂度，同时保持较高的系统性能。

3. 性能比较

为了评估混合预编码方案的性能，研究人员通常会将其与全复杂度零强制（FC-ZF）、量化混合预编码（QHybrid）和二进制MIMO（B-MIMO）进行比较。以下是这些技术的简要介绍：

技术名称	描述
全复杂度零强制（FC-ZF）	一种高复杂度的数字预编码技术，通过完全消除用户间的干扰来提高系统性能。
量化混合预编码（QHybrid）	一种混合预编码技术，通过量化预编码矩阵来降低硬件复杂度。
二进制MIMO（B-MIMO）	一种低复杂度的MIMO技术，通过使用二进制信号来简化硬件设计。

4. 结论

研究表明，采用混合预编码方案的毫米波大规模多用户MIMO系统在链路限制下表现出色。通过在基带采用零强制（ZF）预编码和在模拟域采用相位反转（PR）预编码，该方案能够在保持较高系统性能的同时显著降低硬件复杂度。数值比较结果显示，混合预编码方案在性能上接近全复杂度零强制（FC-ZF），但在硬件复杂度方面具有明显优势。

大规模多用户MIMO系统中的低复杂度混合预编码研究

摘要：本文聚焦于大规模多用户MIMO系统，深入研究低复杂度混合预编码方案。该方案在基带采用零强制（ZF）预编码，模拟域采用相位反转（PR）预编码。通过数值分析，详细比较了全复杂度零强制（FC - ZF）、混合预编码、量化混合预编码（QHybrid）和二进制MIMO（B - MIMO）的性能，为实际系统中的预编码方案选择提供理论依据和实践参考。

一、引言

大规模多用户MIMO技术作为提升无线通信系统容量和频谱效率的关键技术，在现代通信领域备受关注。然而，传统的高复杂度预编码方案在硬件实现和功耗方面面临挑战。混合预编码方案作为一种折衷方案，既能降低复杂度，又能保持较好的系统性能。本文详细阐述了所采用的低复杂度混合预编码方案，并对几种不同预编码方案进行性能比较研究。

二、大规模多用户MIMO系统模型

三、预编码方案

（四）二进制MIMO（B - MIMO）

B - MIMO预编码将预编码矩阵的元素限制为 ±1±1 或 ±j±j ，大大简化了硬件实现。其预编码矩阵的设计通常基于优化算法，以在低复杂度下尽量提高系统性能。

四、性能评估指标

为全面比较上述预编码方案的性能，采用以下几个关键指标：

（一）误码率（BER）

反映了接收信号中错误比特的比例，是衡量通信系统可靠性的重要指标。通过仿真计算不同信噪比（SNR）下各预编码方案的BER性能。

（二）频谱效率

定义为单位带宽内能够传输的比特数，衡量系统的信息传输能力。根据香农公式计算不同预编码方案在给定信道条件下的频谱效率。

（三）硬件复杂度

从计算复杂度和硬件实现成本两方面考虑。计算复杂度通过分析各预编码方案所需的乘法、加法等运算次数来衡量；硬件实现成本则考虑模拟和数字电路的复杂度、功耗等因素。

五、数值结果与分析

通过MATLAB仿真，对FC - ZF、混合预编码、QHybrid和B - MIMO四种预编码方案进行性能比较。仿真参数设置如下：基站天线数 N=64N=64 ，用户数 K=16K=16 ，信道模型采用瑞利衰落信道，SNR范围为 00 到 3030 dB。

（一）误码率性能

图1展示了不同预编码方案的BER随SNR的变化曲线。可以看出，FC - ZF预编码在高SNR下BER性能最优，能有效消除用户间干扰。混合预编码性能接近FC - ZF，尤其在中高SNR区域，二者差距较小。这得益于其合理的模拟和数字预编码结合方式。QHybrid由于量化误差，BER性能略逊于混合预编码，且量化比特数越低，性能下降越明显。B - MIMO的BER性能相对较差，在高SNR下与其他方案差距较大，这是由于其严格的二进制元素限制了预编码矩阵的自由度。

（二）频谱效率性能

图2给出了频谱效率随SNR的变化情况。FC - ZF和混合预编码在频谱效率方面表现相近，在高SNR时能达到较高的值，充分利用了多天线系统的空间复用能力。QHybrid的频谱效率随着量化比特数的增加逐渐接近混合预编码，但始终低于混合预编码。B - MIMO的频谱效率相对较低，尤其是在高SNR区域，其性能瓶颈明显。

（三）硬件复杂度分析

在计算复杂度方面，FC - ZF预编码需要计算 (HHH)−1(HHH)−1 ，复杂度为 O(K3)O(K3) 。混合预编码的模拟部分计算复杂度较低，数字部分复杂度为 O(K3)O(K3) ，总体复杂度低于FC - ZF。QHybrid由于量化操作，计算复杂度有所增加，但仍低于FC - ZF。B - MIMO的计算复杂度相对较低，主要是因为其简单的二进制元素操作。在硬件实现成本上，FC - ZF需要大量的数字计算资源；混合预编码需要模拟和数字电路结合；QHybrid由于量化电路，硬件成本有所增加；B - MIMO的硬件实现最为简单，成本最低。

六、结论

本文深入研究了大规模多用户MIMO系统中的低复杂度混合预编码方案，并通过数值仿真比较了FC - ZF、混合预编码、QHybrid和B - MIMO的性能。结果表明，混合预编码在性能和复杂度之间取得了较好的平衡，在BER和频谱效率方面接近FC - ZF，同时硬件复杂度低于FC - ZF。QHybrid在降低硬件复杂度的同时，性能有一定损失，但通过合理的量化设计可以在一定程度上弥补。B - MIMO虽然硬件实现简单，但性能相对较差。综合考虑，混合预编码方案在大规模多用户MIMO系统中具有较高的应用价值，为实际系统设计提供了重要参考。未来研究可以进一步优化混合预编码方案，探索更有效的量化方法，以提升系统性能和降低硬件复杂度。

📚2 运行结果

部分代码：

Nt = 128;
K = 4; % UE number
Np = 10; % number of paths per user
B1 = 1; % quantized analog beamforming, up to B bits of precision
B2 = 2;

SNR = -30 : 5 : 0; 
nSNR = length(SNR);
channNum = 1e3;

rateZF = zeros(nSNR, 1); % FC-ZF
rateHyb = zeros(nSNR, 1);% W = ZF at baseband, F = PR at analog
rateHybQ1 = zeros(nSNR, 1);% Quantized hybrid precoding
rateHybQ2 = zeros(nSNR, 1);
rateBMIMO = zeros(nSNR, 1);% Multiuser beamspace MIMO precoder (BMIMO)

for isnr = 1 : nSNR
    
    P = 10^(SNR(isnr)/10);
    
    for ichannel = 1 : channNum
        
        [H, Gain, At] = GenChannelSimp(Nt, K, Np, 0.5); % mmWave channel
        % H = K x Nt, Gain = Np x K, At = Nt x Np x K
        
        %   =============  ZF preocidng, numerical  ================ 
        WtZF = H'*inv(H*H');
        WZF = WtZF*inv(sqrt(diag(diag(WtZF'*WtZF)))); % normalized columns
        rateZF(isnr) = rateZF(isnr) + CalRate(P/K*eye(K), H, WZF);
        
        %   ============ Hybrid precoding, numerical ===============
        for ik = 1 : K
            ph = - phase(H(ik,:));
            ph = ph(:);
            F(:,ik) =1/sqrt(Nt)* exp(j.*ph); % analog RF preprocessing
        end
        Fb = CalBDPrecoder(H*F);% digital baseband, same as inverse with column normalization
        wt = F*Fb;% aggregated precoder
        WPR = wt*inv(sqrt(diag(diag(wt'*wt))));   
.....

LineWidth = 1.5;
MarkerSize = 6;
figure
plot(SNR, abs(rateZF), 'k-o', 'LineWidth', LineWidth, 'MarkerSize', MarkerSize)
hold on
plot(SNR, abs(rateHyb),'r-*', 'LineWidth', LineWidth, 'MarkerSize', MarkerSize)
hold on
plot(SNR, abs(rateHybQ1), 'b-^', 'LineWidth', LineWidth, 'MarkerSize', MarkerSize)
hold on
plot(SNR, abs(rateHybQ2), 'b-v', 'LineWidth', LineWidth, 'MarkerSize', MarkerSize)
hold on
plot(SNR, abs(rateBMIMO), 'm-s', 'LineWidth', LineWidth, 'MarkerSize', MarkerSize)
hold off
legend('FC-ZF Precoding', 'Hybrid Precoding', 'Quantized Hybrid Precoding, B = 1',...
    'Quantized Hybrid Precoding, B = 2', 'B-MIMO Preocoding');
xlabel('SNR (dB)')
ylabel('Spectral Efficiency (bps/Hz)')
% title(sprintf('Nt = %d, K = %d,  Np = %d',Nt, K, Np))
grid

saveas(gcf, sprintf('MainCompareScheme-Nt%d-K%d-Np%d', Nt, K, Np)); % save current figure to file
toc

🎉3 参考文献 

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)

[1]董妮娅,林毅.大规模多用户MIMO系统中的低复杂度混合预编码方案[J].黑龙江科技信息, 2019.

[2]王明辉.毫米波大规模MIMO系统预编码技术研究[D].杭州电子科技大学[2025-02-02].

[3]徐帅,岳殿武.毫米波大规模多用户MIMO的混合预编码研究[J].天线学报, 2017, 6(3):8.

🌈4 Matlab代码实现

资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取

                                                           ​