Abstract
智能反射面(IRS)包含有大量的低成本无源器件,每个无源器件都可以独立的将入射信号反射出去,并且调节其相位,从而合起来实现三维无源波束赋形,而不需要射频(RF)传输链路。本文研究了IRS辅助下单蜂窝无线网络,其中IRS部署在一个多天线接入点(AP)和多个单天线用户之间,支持其间传输。通过联合优化有源天线阵列的传输端波束赋形和IRS的无源移相器的反射端波束赋形,来最小化总传输功率,约束条件是用户个人的信干噪比(SINR)。进一步我们考虑了当IRS反射器件趋近无穷大时,其IRS无源波束赋形的极限情况,并且将其与传统有源波束赋形/中继进行了对比。仿真结果表明IRS辅助的MIMO系统相对于没使用IRS的大规模MIMO系统,可以在有源天线/射频链路显著减小的情况下,实现同等的传输速率。
Introduction
背景
为实现针对到来的5G网络下至少1000亿设备实现1000倍网络容量的增加以及无处不在的无线连接,在上个十年,人们提出了许多无线技术,主要包括超密集网络(UDN),大规模MIMO和毫米波通信。然而网络的能效和硬件成本仍然是实际系统中的关键问题。
IRS介绍
IRS是一个平面阵列,包含有大量的可重构无源器件(即低成本印刷二极管),每个器件都可以独立的针对入射信号产生一个特定的相移(由相连的智能控制器进行控制),从而合起来改变反射信号传输。通过IRS所有无源器件智能的调节相移,反射信号既可以与其他路径的信号在预期接收机处相干叠加,也可以在非预期接收机处进行相消叠加,从而减少干扰、提高安全性/隐私性。
IRS与AF对比
- 放大转发(AF)中继通过放大和再生信号来协助源-目的地传输。IRS不需要传输模块,只需要作为一个无源阵列反射接收信号,因此IRS没有传输功率损耗。
- 有源AF中继通常以半双工(HD)模式工作,因此频谱效率方面要比全双工(FD)模式工作的IRS低。尽管AF中继也能工作于FD,但是这将会使其不可避免的受到自身严重的干扰,从而需要有效的干扰消除技术。
IRS与反向散射通信对比
射频识别(RFID)标签的反向散射通信,需要通过发送者接发送信号之后反射回来的信号,来实现与接收者通信。IRS主要用于增强现有的通信链路性能,而不是通过反射来传递自己的信息。因此在反向散射通信中,从发送者到接收者的直接链路,是意外干扰,需要在接收者处进行消除。而在IRS增强的通信中,直接链路信号和反射链路信号承载着相同的有用信息,因此可以在接收者处相干叠加,最大化接收功率。
IRS和大规模MIMO对比
IRS和大规模MIMO相比,阵列架构(无源vs有源),运行机制(反射vs传输)
技术 | 运行机制 | 双工 | 所需RF链路个数 | 硬件成本 | 能耗 | 作用 |
---|---|---|---|---|---|---|
IRS | 无源,反射 | 全双工 | 0 | 低 | 低 | 协助者 |
反向散射通信 | 无源,反射 | 全双工 | 0 | 非常低 | 非常低 | 源 |
MIMO 中继 | 有源,接收和发送 | 半/全双工 | N | 高 | 高 | 协助者 |
大规模MIMO | 有源,发送/接收 | 半/全双工 | N | 非常高 | 非常高 | 源/目的 |
从实施角度来看,IRS有许多吸引人的优点,例如低剖面,重量轻,几何共形,从而使得其容易被贴/移动到墙面/天花板上,提供了实际部署的高可行性。例如,在有接入点(AP)/基站(BS)的视距传输(LoS)内,将IRS部署在墙面/天花板上,在IRS附近的信号强度可以得到显著提升。另外,将IRS集成到现有网络中(例如蜂窝网络或者WiFi),可以对用户透明,即不需要改变任何用户设备的软硬件情况。上述这些特点使得IFS成为一项针对于未来无线网络的令人信服的新技术,尤其是在室内高密度用户的应用(例如礼堂、购物广场、展览中心、机场等等)。
本文工作
模型
本文考虑IRS辅助的单蜂窝多用户多输入单输出(MISO)通信系统,AP是单个多天线,用户是多个单天线。考虑特殊情况:没有任何干扰的单用户传输,当AP-user链路明显强于AP-IRS链路时,AP应该将波束直接打向用户,如果是AP-user链路被障碍物挡住了,AP应该将其波束调整为朝向IRS,从而最大限度的利用其反射信号来服务用户。
此外,在多用户设置下,一个IRS辅助系统主要受到两方面影响:单用户情况下所需信号的波束赋形和多用户之间的空间干扰抑制。一个临近IRS的用户相比于距离IRS较远的用户而言,预计将会能够承受更多来自AP端的干扰。这是由于IRS的相移可以进行调节,从而被IRS反射的干扰可以与临近用户的AP-user链路进行相消,以抑制其整体接收干扰。因此,这为在AP处设计发射波束成形以服务于IRS覆盖区域之外的其他用户提供了更大的灵活性,从而提高系统中所有用户的SINR性能。因此,AP处的发射波束赋形需要与基于AP-IRS,IRS-users和AP-users的IRS相移进行联合设计,从而得到充分的网络波束赋形增益。
难题
非凸SINR约束和由无源移相器产生的信号单位模数约束(signal unit-modulus constraints)。即使之前研究了恒定包络预编码和混合数字/模拟处理,这些设计主要受限于发送端或接收端,并不适用于设计AP的有源波束赋形和IRS的无源波束赋形联合优化。
解决方法
- 考虑单用户场景,应用半正定松弛(SDR)技术来获得一个高质量近似解和一个最优值的下届,从而进行对于近似解松弛度?(tightness)的估计。为了降低计算的复杂度,提出了一个基于相移和传输波束赋形向量交替优化的高效算法,最优解通过固定对方值的闭式解得出。
- 将单用户场景扩展为多用户场景,提出了两个算法来获得能够权衡性能与复杂度的次优解。
仿真结果
- 与传统在单用户和多用户设置中均不使用IRS情况的设置相比,部署IRS可以显著降低在AP处为满足用户SINR目标所需的发射功率。
- 对于临近IRS的但用户而言,当反射元素个数N非常大的时候,AP的传输功率随着N的增加而降低,数量级大约为 N 2 N^2 N2。
系统模型和问题表述
系统建模
单天线用户数量为 K K K,AP的天线个数为 M M M,IRS反射单元个数为 N N N。IRS配备有控制器,可以协调它在两种工作模式之间切换(用于信道估计的接收模式,用于信号传输的反射模式)。由于有较高的路径损耗,因此假设被IRS反射高于两次的信号都可以被忽略。为了描述IRS带来的理论性能增益,我们假设在AP端所有相关信道的信道状态信息(CSI)是完全已知的。除此之外所有信道采用准静态平坦衰落模型?。由于IRS是一个无源反射设备,我们对于上下行传输考虑为时分双工(TDD)协议,并且假设下行链路CSI通过上行链路训练的信道互易性来获得。
AP-IRS等效基带信道为
G
∈
C
N
×
M
G\isin\cnums^{N\times M}
G∈CN×M
IRS-user
k
k
k等效基带信道为
h
r
,
k
H
∈
C
1
×
N
h_{r,k}^H\isin\cnums^{1\times N}
hr,kH∈C1×N
AP-user
k
k
k等效基带信道为
h
d
,
k
H
∈
C
1
×
M
h_{d,k}^H\isin\cnums^{1\times M}
hd,kH∈C1×M,其中
k
=
1
,
⋯
,
K
k=1,\cdots,K
k=1,⋯,K。
取
θ
=
[
θ
1
,
⋯
,
θ
N
]
\theta=[\theta_1,\cdots,\theta_N]
θ=[θ1,⋯,θN],定义对角矩阵
Θ
=
d
i
a
g
[
β
1
e
j
θ
1
,
⋯
,
β
N
e
j
θ
N
]
\Theta=diag[\beta_1e^{j\theta_1},\cdots,\beta_Ne^{j\theta_N}]
Θ=diag[β1ejθ1,⋯,βNejθN]作为IRS的反射系数矩阵,其中
θ
n
∈
[
0
,
2
π
)
\theta_n\isin[0,2\pi)
θn∈[0,2π)代表了IRS第
n
n
n个元件反射系数的相位,
β
n
∈
[
0
,
1
]
\beta_n\isin[0,1]
βn∈[0,1]代表了IRS第
n
n
n个元件反射系数的幅度。在实践中,IRS的每个元素通常都是为了最大限度地提高信号反射。因此,为了简单起见,我们设置
β
n
=
1
,
∀
n
.
\beta_n=1,\forall n.
βn=1,∀n.
本文考虑在AP上线性传输预编码,为每个用户分配一个专用波束形成向量。因此AP处复杂的基带传输信号可以被表述为
x
=
∑
k
=
1
K
w
k
s
k
\bm{x}=\sum_{k=1}^K\bm{w}_ks_k
x=∑k=1Kwksk,其中
s
k
s_k
sk代表传输到用户
k
k
k的数据,
w
k
∈
C
M
×
1
\bm{w}_k\isin\cnums^{M\times 1}
wk∈CM×1是相应的波束赋形向量。假设
s
k
,
k
=
1
,
⋯
,
K
s_k,k=1,\cdots,K
sk,k=1,⋯,K是独立同分布,均值为0,方差为1(归一化功率)。用户
k
k
k所收到的AP-user 和AP-IRS-user两个信道的信号可以表示为
y
k
=
(
h
r
,
k
H
Θ
G
+
h
d
,
k
H
)
∑
j
=
1
k
w
j
s
j
+
n
k
,
k
=
1
,
⋯
,
K
,
(
1
)
\ y_k=(\bm{h}_{r,k}^{H}\bm\Theta\bm{G}+\bm{h}_{d,k}^{H})\displaystyle\sum_{j=1}^{k}\bm{w}_js_j+n_k,\kern2em k=1,\cdots,K,\kern2em (1)
yk=(hr,kHΘG+hd,kH)j=1∑kwjsj+nk,k=1,⋯,K,(1)
其中
n
k
∼
C
N
(
0
,
σ
2
)
n_k\thicksim\mathcal{CN}(0,\sigma^2)
nk∼CN(0,σ2),代表了在用户
k
k
k处接收到的加性高斯白噪声(AWGN)。因此,用户
k
k
k的SINR为
S
I
N
R
k
=
∣
(
h
r
,
k
H
Θ
G
+
h
d
,
k
H
)
w
k
∣
2
∑
j
≠
k
K
∣
(
h
r
,
k
H
Θ
G
+
h
d
,
k
H
)
w
k
∣
2
+
σ
2
,
∀
k
.
(
2
)
SINR_k=\dfrac{|(\bm{h}_{r,k}^H\bm\Theta\bm{G}+\bm{h}_{d,k}^H)\bm{w}_k|^2}{\sum_{j\neq k}^K|(\bm{h}_{r,k}^H\bm\Theta\bm{G}+\bm{h}_{d,k}^H)\bm{w}_k|^2+\sigma^2},\kern2em \forall k.\kern2em (2)
SINRk=∑j=kK∣(hr,kHΘG+hd,kH)wk∣2+σ2∣(hr,kHΘG+hd,kH)wk∣2,∀k.(2)
问题表述
令
W
=
[
w
1
,
⋯
,
w
K
]
∈
C
M
×
K
,
H
r
=
[
h
r
,
1
,
⋯
,
h
r
,
K
]
∈
C
N
×
K
,
H
d
=
[
h
d
,
1
,
⋯
,
h
d
,
K
]
∈
C
M
×
K
\bm W=[\bm{w}_1,\cdots,\bm{w}_K]\isin\mathbb{C}^{M\times K},\\\bm{H}_r=[\bm{h}_{r,1},\cdots,\bm{h}_{r,K}]\isin\mathbb C^{N\times K},\\\bm H_d=[\bm h_{d,1},\cdots,\bm h_{d,K}]\isin \mathbb{C}^{M\times K}
W=[w1,⋯,wK]∈CM×K,Hr=[hr,1,⋯,hr,K]∈CN×K,Hd=[hd,1,⋯,hd,K]∈CM×K
本文目的是通过联合优化AP的传输波束赋形与IRS的反射波束赋形,从而最小化AP的整体传输功率。限制条件为所有用户个人的SINR。因此问题可表述为
(
P
1
)
:
min
W
,
θ
∑
k
=
1
K
∥
w
k
∥
2
(
3
)
s
.
t
.
∣
(
h
r
,
k
H
Θ
G
+
h
d
,
k
H
)
w
k
∣
2
∑
j
≠
k
K
∣
(
h
r
,
k
H
Θ
G
+
h
d
,
k
H
)
w
j
∣
2
+
σ
2
≥
γ
k
,
∀
k
.
(
4
)
0
≤
θ
n
≤
2
π
,
n
=
1
,
⋯
,
N
,
(
5
)
(\textnormal P1):\kern2em\underset{\bm W,\bm \theta}\textnormal{min}\displaystyle\sum_{k=1}^{K}\|\bm w_k\|^2\kern2em (3)\\s.t.\kern2em \dfrac{|(\bm{h}_{r,k}^H\bm\Theta\bm{G}+\bm{h}_{d,k}^H)\bm{w}_k|^2}{\sum_{j\neq k}^K|(\bm{h}_{r,k}^H\bm\Theta\bm{G}+\bm{h}_{d,k}^H)\bm{w}_j|^2+\sigma^2}\ge\gamma_k,\kern2em \forall k.\kern2em (4)\\0\le\theta_n\le2\pi,n=1,\cdots,N,\kern2em(5)
(P1):W,θmink=1∑K∥wk∥2(3)s.t.∑j=kK∣(hr,kHΘG+hd,kH)wj∣2+σ2∣(hr,kHΘG+hd,kH)wk∣2≥γk,∀k.(4)0≤θn≤2π,n=1,⋯,N,(5)
其中
γ
k
>
0
\gamma_k>0
γk>0是用户
k
k
k SINR需求的最小值。
尽管(P1)的目标函数和约束(5)是凸的,但是(P1)的约束(4)是非凸的,传输波束赋形和相移是耦合的。下一节将会分别使用SDR和交替优化的方法来求得单用户情况下的近似解,进而推广到多用户。
在解决(P1)之前,给出了其可行性的一个充分条件,令
H
=
[
h
1
,
⋯
,
h
K
]
∈
C
M
×
K
\bm H=[\bm h_1,\cdots,\bm h_K]\isin\mathbb C^{M\times K}
H=[h1,⋯,hK]∈CM×K其中
h
k
H
=
h
r
,
k
H
Θ
G
+
h
d
,
k
H
,
∀
k
\bm h_k^H=\bm{h}_{r,k}^H\bm\Theta\bm{G}+\bm{h}_{d,k}^H,\forall k
hkH=hr,kHΘG+hd,kH,∀k
命题1:对于任何有限用户的SINR目标
γ
k
\gamma_k
γk,如果
r
a
n
k
(
G
H
H
r
+
H
d
)
=
K
rank(\bm G^H\bm H_r+\bm H_d)=K
rank(GHHr+Hd)=K,那么问题(P1)是可行的。
证明看不懂
单用户系统
本节考虑单用户场景,即
K
=
1
K=1
K=1。在这种情况下没有用户间的干扰,因此(P1)可以被简化为
(
P
2
)
:
min
w
,
θ
∥
w
k
∥
2
(
7
)
s
.
t
.
∣
(
h
r
H
Θ
G
+
h
d
H
)
w
∣
2
≥
γ
σ
2
,
(
8
)
0
≤
θ
n
≤
2
π
,
n
=
1
,
⋯
,
N
.
(
9
)
(\textnormal P2):\kern2em\underset{\bm w,\bm \theta}\textnormal{min}\|\bm w_k\|^2\kern2em (7)\\s.t.\kern2em |(\bm{h}_r^H\bm\Theta\bm{G}+\bm{h}_d^H)\bm w|^2\ge\gamma\sigma^2,\kern2em (8)\\0\le\theta_n\le2\pi,n=1,\cdots,N.\kern2em(9)
(P2):w,θmin∥wk∥2(7)s.t.∣(hrHΘG+hdH)w∣2≥γσ2,(8)0≤θn≤2π,n=1,⋯,N.(9)
尽管简化了,问题(P2)仍然是一个非凸优化问题,因为(8)左边相对于
w
w
w和
θ
\theta
θ不是共同凹的?。在接下来的两小节中,我们分别通过SDR和交替优化的方法来解决问题(P2),在下一节中将会扩展到多用户系统。
SDR
首先采用SDR来解决问题(P2),有助于获得(P2)最佳值的下限,以评估其他次优解的性能差距?。 对于任意给定的相移
θ
\theta
θ,众所周知,最大传输比(MRT)是问题(P2)的最佳发射波束成形的解决方案。即
w
∗
=
P
(
h
r
H
Θ
G
+
h
d
H
)
H
∥
h
r
H
Θ
G
+
h
d
H
∥
\bm w^*=\sqrt P\dfrac{(\bm{h}_r^H\bm\Theta\bm{G}+\bm{h}_d^H)^H}{\|\bm{h}_r^H\bm\Theta\bm{G}+\bm{h}_d^H\|}
w∗=P∥hrHΘG+hdH∥(hrHΘG+hdH)H,其中
P
P
P代表AP的传输功率。将
w
∗
\bm w^*
w∗带入问题(P2)中,可得
min
P
,
θ
P
(
10
)
s
.
t
.
P
∥
h
r
H
Θ
G
+
h
d
H
∥
2
≥
γ
σ
2
,
(
11
)
0
≤
θ
n
≤
2
π
,
∀
n
.
(
12
)
\underset{P,\bm \theta}\textnormal{min}\kern1emP\kern2em (10)\\s.t.\kern2em P\|\bm{h}_r^H\bm\Theta\bm{G}+\bm{h}_d^H\|^2\ge\gamma\sigma^2,\kern2em (11)\\0\le\theta_n\le2\pi,\forall n.\kern2em(12)
P,θminP(10)s.t.P∥hrHΘG+hdH∥2≥γσ2,(11)0≤θn≤2π,∀n.(12)
不难证明最优传输功率满足
P
∗
=
γ
σ
2
∥
h
r
H
Θ
G
+
h
d
H
∥
2
P^*=\dfrac{\gamma\sigma^2}{\|\bm{h}_r^H\bm\Theta\bm{G}+\bm{h}_d^H\|^2}
P∗=∥hrHΘG+hdH∥2γσ2,因此最小化传输功率等效为最大化合并信道功率增益,即
max
θ
∥
h
r
H
Θ
G
+
h
d
H
∥
2
(
13
)
s
.
t
.
0
≤
θ
n
≤
2
π
,
∀
n
.
(
14
)
\underset\theta\textnormal {max}\kern2em \|\bm{h}_r^H\bm\Theta\bm{G}+\bm{h}_d^H\|^2\kern2em (13)\\s.t.\kern2em 0\le\theta_n\le2\pi,\forall n.\kern2em (14)
θmax∥hrHΘG+hdH∥2(13)s.t.0≤θn≤2π,∀n.(14)
令
v
=
[
v
1
,
⋯
,
v
N
]
H
\bm v=[v_1,\cdots,v_N]^H
v=[v1,⋯,vN]H,其中
v
n
=
e
j
θ
n
,
∀
n
.
v_n=e^{j\theta_n},\forall n.
vn=ejθn,∀n.此时约束(14)等效为一个单位模数约束:
∣
v
n
∣
2
=
1
,
∀
n
.
|v_n|^2=1,\forall n.
∣vn∣2=1,∀n.通过改变变量
h
r
H
Θ
G
=
v
H
Φ
\bm{h}_r^H\bm\Theta\bm{G}=\bm v^H\bm \Phi
hrHΘG=vHΦ,其中
Φ
=
d
i
a
g
(
h
r
H
)
G
∈
C
N
×
M
\bm\Phi=diag(\bm h_r^H)\bm G\isin\mathbb C^{N\times M}
Φ=diag(hrH)G∈CN×M,因此我们有
∥
h
r
H
Θ
G
+
h
d
H
∥
2
=
∥
v
H
Φ
+
h
d
H
∥
2
.
\|\bm{h}_r^H\bm\Theta\bm{G}+\bm{h}_d^H\|^2=\|\bm v^H\bm \Phi+\bm h_d^H\|^2.
∥hrHΘG+hdH∥2=∥vHΦ+hdH∥2.这样问题13可以等效为
max
v
v
H
Φ
Φ
H
v
+
v
H
Φ
h
d
+
h
d
H
Φ
H
v
+
∥
h
d
H
∥
2
(
15
)
s
.
t
.
∣
v
n
∣
2
=
1
,
∀
n
.
(
16
)
\underset \bm v\textnormal {max}\kern2em \bm v^H\bm\Phi\bm\Phi^H\bm v+\bm v^H\bm\Phi\bm h_d+\bm h_d^H\bm\Phi^H\bm v+\|\bm h_d^H\|^2\kern2em (15)\\s.t.\kern2em |v_n|^2=1,\kern2em\forall n.\kern2em (16)
vmaxvHΦΦHv+vHΦhd+hdHΦHv+∥hdH∥2(15)s.t.∣vn∣2=1,∀n.(16)
注意到问题(15)是一个非凸二次约束二次规划(QCQP,quadratically constrained quadratic program),可以被改写为一个homogeneous QCQP(齐次QCQP?)。通过引入一个辅助变量
t
t
t,问题(15)可以等效为
max
v
ˉ
v
ˉ
H
R
v
ˉ
+
∥
h
d
H
∥
2
(
17
)
s
.
t
.
∣
v
ˉ
n
∣
2
=
1
,
n
=
1
,
⋯
,
N
+
1
(
18
)
\underset {\bar \bm v}\textnormal{max}\kern2em\bar\bm v^H\bm R\bar\bm v+\|\bm h_d^H\|^2\kern2em (17)\\s.t.\kern2em|\bar v_n|^2=1,\kern2em n=1,\cdots,N+1\kern2em (18)
vˉmaxvˉHRvˉ+∥hdH∥2(17)s.t.∣vˉn∣2=1,n=1,⋯,N+1(18)
其中
R
=
[
Φ
Φ
H
Φ
h
d
h
d
H
Φ
H
0
]
,
v
ˉ
=
[
v
t
]
.
\bm R=\begin{bmatrix} {\bm\Phi\bm\Phi^H}&{\bm\Phi\bm h_d}\\{\bm h_d^H\bm\Phi^H}&0 \end{bmatrix},\kern2em\bar\bm v=\begin{bmatrix} \bm v\\t \end{bmatrix}.
R=[ΦΦHhdHΦHΦhd0],vˉ=[vt].
然而问题(17)仍然是非凸问题。注意到
v
ˉ
H
R
v
ˉ
=
tr
(
R
v
ˉ
v
ˉ
H
)
.
\bar\bm v^H\bm R\bar\bm v=\textnormal {tr}(\bm R\bar\bm v\bar\bm v^H).
vˉHRvˉ=tr(RvˉvˉH).定义
V
=
v
ˉ
v
ˉ
H
\bm V=\bar\bm v\bar\bm v^H
V=vˉvˉH,需要满足
V
⪰
0
\bm V\succeq\bm 0
V⪰0且
rank
(
V
)
=
1.
\textnormal {rank}(\bm V)=1.
rank(V)=1.由于rank1约束是非凸的,我们应用SDR去松弛这个约束。因此问题(17)化简为
max
V
tr
(
R
V
+
∥
h
d
H
∥
2
)
(
19
)
s
.
t
.
V
n
,
n
=
1
,
n
=
1
,
⋯
,
N
+
1
,
(
20
)
V
⪰
0.
(
21
)
\underset {\bm V}\textnormal {max}\kern2em\textnormal {tr}(\bm {RV}+\|\bm h_d^H\|^2)\kern2em (19)\\s.t.\kern2em \bm V_{n,n}=1,\kern2em n=1,\cdots,N+1,\kern2em (20)\\\bm V\succeq0.\kern2em (21)
Vmaxtr(RV+∥hdH∥2)(19)s.t.Vn,n=1,n=1,⋯,N+1,(20)V⪰0.(21)
问题(19)是一个凸半正定规划(SDP),可以通过CVX等凸优化求解器取得最优解。一般来说问题(19)的松弛解可能秩不为1,即
rank
(
V
)
≠
1
\textnormal{rank}(\bm V)\neq1
rank(V)=1这就表明问题(19)的最优目标值只是问题(17)的上界。因此,需要额外的步骤来从问题(19)的高阶解构造一阶解,具体在[1],这里省略。
交替优化
上一节基于SDR的解决方法复杂度较高,为了实现低复杂度,本节我们提出了基于交替优化的交替次优解算法。AP端的传输波束赋形方向和传输功率将以交替的方法,与IRS端相移进行交替优化,直到实现收敛。
令
w
=
P
w
ˉ
\bm w=\sqrt P\bar\bm w
w=Pwˉ,其中
w
ˉ
\bar\bm w
wˉ代表了传输波束赋形方向,
P
P
P为传输功率。对于给定的传输波束赋形方向
w
ˉ
\bar\bm w
wˉ,(P2)简化为一个传输功率和相移的联合优化问题,
max
θ
∣
(
h
r
H
Θ
G
+
h
d
H
)
w
ˉ
∣
2
(
22
)
s
.
t
.
0
≤
θ
n
≤
2
π
,
n
=
1
,
⋯
,
N
.
(
23
)
\underset\bm\theta\textnormal {max}\kern2em|(\bm{h}_r^H\bm\Theta\bm{G}+\bm{h}_d^H)\bar\bm w|^2\kern2em (22)\\s.t.\kern2em 0\le\theta_n\le2\pi,\kern2em n=1,\cdots,N.\kern2em(23)
θmax∣(hrHΘG+hdH)wˉ∣2(22)s.t.0≤θn≤2π,n=1,⋯,N.(23)
虽然上述问题是非凸的,但利用其目标函数的特殊结构,可以得到封闭形式的解:
∣
(
h
r
H
Θ
G
+
h
d
H
)
w
ˉ
∣
=
∣
h
r
H
Θ
G
w
ˉ
+
h
d
H
w
ˉ
∣
≤
(
a
)
∣
h
r
H
Θ
G
w
ˉ
∣
+
∣
h
d
H
w
ˉ
∣
,
(
24
)
|(\bm{h}_r^H\bm\Theta\bm{G}+\bm{h}_d^H)\bar\bm w|{=|\bm{h}_r^H\bm\Theta\bm{G}\bar\bm w+\bm{h}_d^H\bar\bm w|}\overset {(a)}\leq{|\bm{h}_r^H\bm\Theta\bm{G}\bar\bm w|+|\bm{h}_d^H\bar\bm w|},\kern2em (24)
∣(hrHΘG+hdH)wˉ∣=∣hrHΘGwˉ+hdHwˉ∣≤(a)∣hrHΘGwˉ∣+∣hdHwˉ∣,(24)
其中
(
a
)
(a)
(a)是三角不等式,当
arg
(
h
r
H
Θ
G
w
ˉ
)
=
arg
(
h
d
H
w
ˉ
)
≜
ϕ
0
\textnormal {arg}(\bm{h}_r^H\bm\Theta\bm{G}\bar\bm w)=\textnormal {arg}(\bm{h}_d^H\bar\bm w)\triangleq\phi_0
arg(hrHΘGwˉ)=arg(hdHwˉ)≜ϕ0时,等号成立。
接下来我们将证明总会存在一个解
θ
\theta
θ,满足(a)的等式以及(23)的相移约束条件。令
h
r
H
Θ
G
w
ˉ
=
v
H
a
\bm h_r^H\bm\Theta\bm G\bar\bm w=\bm v^H\bm a
hrHΘGwˉ=vHa其中
v
=
[
e
j
θ
1
,
⋯
,
e
j
θ
N
]
H
,
\bm v=[e^{j\theta_1},\cdots,e^{j\theta_N}]^H,
v=[ejθ1,⋯,ejθN]H,
a
=
diag
(
h
r
H
)
G
w
ˉ
\bm a=\textnormal {diag}(\bm h_r^H)\bm G\bar\bm w
a=diag(hrH)Gwˉ由(24)可得,问题(22)可以简化为
max
v
∣
v
H
a
∣
2
(
25
)
s
.
t
.
∣
v
n
∣
=
1
,
∀
n
=
1
,
⋯
,
N
,
(
26
)
arg
(
v
H
a
)
=
ϕ
0
(
27
)
\underset\bm v\textnormal {max}\kern2em|\bm v^H\bm a|^2\kern2em (25)\\s.t.\kern2em |v_n|=1,\forall n=1,\cdots,N,\kern2em (26)\\\textnormal {arg}(\bm v^H\bm a)=\phi_0\kern2em (27)
vmax∣vHa∣2(25)s.t.∣vn∣=1,∀n=1,⋯,N,(26)arg(vHa)=ϕ0(27)
这个问题的最优解为
v
∗
=
e
j
(
ϕ
0
−
arg
(
a
)
)
=
e
j
(
ϕ
0
−
arg
(
diag
(
h
r
H
)
G
w
ˉ
)
)
\bm v^*=e^{j(\phi_0-\textnormal{arg}(\bm a))}=e^{j(\phi_0-\textnormal{arg}(\textnormal {diag}(\bm h_r^H)\bm G\bar\bm w))}
v∗=ej(ϕ0−arg(a))=ej(ϕ0−arg(diag(hrH)Gwˉ))
因此IRS第n个器件相移为
θ
n
∗
=
ϕ
0
−
arg
(
h
n
,
r
H
g
n
H
w
ˉ
)
=
ϕ
0
−
arg
(
h
n
,
r
H
)
−
arg
(
g
n
H
w
ˉ
)
,
(
28
)
\theta_n^*=\phi_0-\textnormal{arg}(h_{n,r}^H\bm g_n^H\bar\bm w)=\phi_0-\textnormal{arg}(h_{n,r}^H)-\textnormal{arg}(\bm g_n^H\bar\bm w),\kern2em (28)
θn∗=ϕ0−arg(hn,rHgnHwˉ)=ϕ0−arg(hn,rH)−arg(gnHwˉ),(28)
其中
h
n
,
r
H
h_{n,r}^H
hn,rH是
h
r
H
\bm h_r^H
hrH的第n列,
g
n
H
\bm g_n^H
gnH是
G
\bm G
G的第n行向量。注意到
g
n
H
w
ˉ
\bm g_n^H\bar\bm w
gnHwˉ合并了传输波束赋形和AP-IRS信道,可被视为IRS处第n个反射元件感知的有效通道。因此(28)表明应该调节第n个相移,使得通过AP-IRS和IRS-user链路信号的相位和AP-user直接链路信号的相位一致,从而在user实现信号相干合并。同时还会发现,获得的相位
θ
∗
\theta^*
θ∗与
h
n
,
r
h_{n,r}
hn,r的幅度独立。因此由(P2)最优发射功率为
P
∗
=
γ
σ
2
∥
(
h
r
H
Θ
G
+
h
d
H
)
w
ˉ
∥
2
P^*=\dfrac{\gamma\sigma^2}{\|(\bm{h}_r^H\bm\Theta\bm{G}+\bm{h}_d^H)\bar\bm w\|^2}
P∗=∥(hrHΘG+hdH)wˉ∥2γσ2,接下来我们对于(28)中给定的
θ
\theta
θ,对传输波束赋形方向进行优化。由上一节可知,合并信道是由
h
r
H
Θ
G
+
h
d
H
\bm{h}_r^H\bm\Theta\bm{G}+\bm{h}_d^H
hrHΘG+hdH得到的,因此MRT是最优解,即
w
ˉ
∗
=
(
h
r
H
Θ
G
+
h
d
H
)
H
∥
h
r
H
Θ
G
+
h
d
H
∥
\bar\bm w^*=\dfrac{(\bm{h}_r^H\bm\Theta\bm{G}+\bm{h}_d^H)^H}{\|\bm{h}_r^H\bm\Theta\bm{G}+\bm{h}_d^H\|}
wˉ∗=∥hrHΘG+hdH∥(hrHΘG+hdH)H。
上述交替优化方法实际上很有吸引力,因为发射波束形成和相移都是在封闭形式的表达式中获得的,而无需调用SDP求解器。其收敛性由以下两个事实保证。第一,对于每个子问题而言,得到的最优解确保(P2)的目标值在迭代过程中不增加。第二,由于SNR的限制,(P2)的最佳值是有下界的。因此,所提出的算法保证收敛。?
多用户系统
交替优化算法
该算法与单用户情况下类似,但是AP的发射波束形成是通过应用最小均方误差(MMSE)准则来处理多用户干扰,而不是在没有干扰的单用户情况下使用MRT。对于给定的相移
θ
\theta
θ,从AP到用户
k
k
k的合并信道为
h
k
H
=
h
r
,
k
H
Θ
G
+
h
d
,
k
H
\bm h_k^H=\bm h_{r,k}^H\bm\Theta\bm G+\bm h_{d,k}^H
hkH=hr,kHΘG+hd,kH,因此问题(P1)简化为
(
P
3
)
:
min
W
∑
k
=
1
K
∥
w
k
∥
2
(
36
)
s
.
t
.
∣
h
k
H
w
k
∣
2
∑
j
≠
k
K
∣
h
k
H
w
j
∣
2
+
σ
2
≥
γ
k
,
∀
k
.
(
37
)
(\textnormal P3):\kern2em\underset{\bm W}\textnormal{min}\displaystyle\sum_{k=1}^{K}\|\bm w_k\|^2\kern2em (36)\\s.t.\kern2em \dfrac{|\bm{h}_k^H\bm{w}_k|^2}{\sum_{j\neq k}^K|\bm{h}_k^H\bm{w}_j|^2+\sigma^2}\ge\gamma_k,\kern2em \forall k.\kern2em (37)
(P3):Wmink=1∑K∥wk∥2(36)s.t.∑j=kK∣hkHwj∣2+σ2∣hkHwk∣2≥γk,∀k.(37)
注意到(P3)是多用户MISO下行广播信道的传统功率最小化问题,可以通过二阶锥规划(SOCP)、半正定规划(SDP)或者基于上下行链路对偶的定点迭代算法来进行有效的解决。此外,很容易验证问题(P3)的最优解都满足(37)中的所有SINR约束的等式。
另一方面,对于给定的发射波束赋形
W
\bm W
W,问题(P1)化简为一个可行性检查问题(feasibility-check problem)。令
h
d
,
k
H
w
j
=
b
k
,
j
\bm h_{d,k}^H\bm w_j=b_{k,j}
hd,kHwj=bk,j,
v
n
=
e
j
θ
n
,
n
=
1
,
⋯
,
N
.
v_n=e^{j\theta_n},n=1,\cdots,N.
vn=ejθn,n=1,⋯,N.通过变量替换
h
r
,
k
H
Θ
G
w
j
=
v
H
a
k
,
j
\bm h_{r,k}^H\bm \Theta\bm G\bm w_j=\bm v^H\bm a_{k,j}
hr,kHΘGwj=vHak,j其中
v
=
[
e
j
θ
1
,
⋯
,
e
j
θ
N
]
H
\bm v=[e^{j\theta_1},\cdots,e^{j\theta_N}]^H
v=[ejθ1,⋯,ejθN]H,
a
k
,
j
=
diag
(
h
r
,
k
H
)
G
w
j
\bm a_{k,j}=\textnormal {diag}(\bm h_{r,k}^H)\bm G\bm w_j
ak,j=diag(hr,kH)Gwj,问题(P1)可以被化简为
Find
v
(
38
)
s
.
t
.
∣
v
H
a
k
,
k
+
b
k
,
k
∣
2
∑
j
≠
k
K
∣
v
H
a
k
,
j
+
b
k
,
j
∣
2
+
σ
k
2
≥
γ
k
,
∀
k
,
(
39
)
∣
v
n
∣
=
1
,
n
=
1
,
⋯
,
N
.
(
40
)
\textnormal {Find}\kern1em \bm v\kern2em (38)\\s.t.\kern2em \dfrac{|\bm v^H\bm a_{k,k}+b_{k,k}|^2}{\sum_{j\neq k}^K|\bm v^H\bm a_{k,j}+b_{k,j}|^2+\sigma_k^2}\geq\gamma_k,\kern2em\forall k,\kern2em (39)\\|v_n|=1,n=1,\cdots,N.\kern2em (40)
Findv(38)s.t.∑j=kK∣vHak,j+bk,j∣2+σk2∣vHak,k+bk,k∣2≥γk,∀k,(39)∣vn∣=1,n=1,⋯,N.(40)
上述问题类似于多天线中继广播信道的中继波束赋形优化问题,由于公共向量
v
\bm v
v的相位旋转不能使对于所有用户(39)中的
v
H
a
k
,
k
+
b
k
,
k
\bm v^H\bm a_{k,k}+b_{k,k}
vHak,k+bk,k变为实数,因此它不能直接转化为SOCP优化问题,同时(40)也是非凸单位模数约束。然而通过观察约束(39)(40)可以转化为二次约束,我们可以应用SDR技术来求得问题(38)的近似解。
通过引入辅助变量
t
t
t ,(38)可以等效为
Find
v
(
41
)
s
.
t
.
v
ˉ
H
R
k
,
k
v
ˉ
+
∣
b
k
,
k
∣
2
≥
γ
k
∑
j
≠
k
K
v
ˉ
H
R
k
,
j
v
ˉ
+
γ
k
(
∑
j
≠
k
K
∣
b
k
,
j
∣
2
+
σ
k
2
)
,
∀
k
,
(
42
)
∣
v
n
∣
2
=
1
,
n
=
1
,
⋯
,
N
+
1
,
(
43
)
\textnormal {Find}\kern1em \bm v\kern2em (41)\\s.t.\kern2em\bar\bm v^H\bm R_{k,k}\bar\bm v+|b_{k,k}|^2\geq\gamma_k\displaystyle\sum_{j\neq k}^K\bar\bm v^H\bm R_{k,j}\bar\bm v+\gamma_k(\displaystyle\sum_{j\neq k}^K|b_{k,j}|^2+\sigma_k^2),\kern2em \forall k,\kern2em (42)\\|v_n|^2=1,\kern2em n=1,\cdots,N+1,\kern2em (43)
Findv(41)s.t.vˉHRk,kvˉ+∣bk,k∣2≥γkj=k∑KvˉHRk,jvˉ+γk(j=k∑K∣bk,j∣2+σk2),∀k,(42)∣vn∣2=1,n=1,⋯,N+1,(43)
其中
R
k
,
j
=
[
a
k
,
j
a
k
,
j
H
a
k
,
j
b
k
,
j
H
a
k
,
j
H
b
k
,
j
0
]
,
v
ˉ
=
[
v
t
]
.
\bm R_{k,j}=\begin{bmatrix} {\bm a_{k,j}\bm a_{k,j}^H}&{\bm a_{k,j}\bm b_{k,j}^H}\\{\bm a_{k,j}^H\bm b_{k,j}}&{0} \end{bmatrix},\kern2em \bar\bm v=\begin{bmatrix} {\bm v}\\{t} \end{bmatrix}.
Rk,j=[ak,jak,jHak,jHbk,jak,jbk,jH0],vˉ=[vt].
注意到
v
ˉ
H
R
k
,
j
v
ˉ
=
tr
(
R
k
,
j
v
ˉ
v
ˉ
H
)
\bar\bm v^H\bm R_{k,j}\bar\bm v=\textnormal {tr}(\bm R_{k,j}\bar\bm v\bar\bm v^H)
vˉHRk,jvˉ=tr(Rk,jvˉvˉH),定义
V
=
v
ˉ
v
ˉ
H
\bm V=\bar\bm v\bar\bm v^H
V=vˉvˉH,需要满足
V
⪰
0
\bm V\succeq\bm 0
V⪰0和
rank
(
V
)
=
1.
\textnormal{rank}(\bm V)=1.
rank(V)=1.由于rank1约束是非凸的,我们将这个约束进行松弛,问题(41)可以转化为
(P4):
Find
V
(
44
)
s
.
t
.
tr
(
R
k
,
k
V
)
+
∣
b
k
,
k
∣
2
≥
γ
k
∑
j
≠
k
K
tr
(
R
k
,
j
V
)
+
γ
k
(
∑
j
≠
k
K
∣
b
k
,
j
∣
2
+
σ
k
2
)
,
∀
k
,
(
45
)
V
n
,
n
=
1
,
n
=
1
,
⋯
,
N
+
1
,
(
46
)
V
⪰
0.
(
47
)
\textnormal {(P4):}\kern2em \textnormal {Find}\kern1em \bm V\kern2em (44)\\s.t.\kern2em\textnormal {tr}(\bm R_{k,k}\bm V)+|b_{k,k}|^2\geq\gamma_k\displaystyle\sum_{j\neq k}^K\textnormal {tr}(\bm R_{k,j}\bm V)+\gamma_k(\displaystyle\sum_{j\neq k}^K|b_{k,j}|^2+\sigma_k^2),\kern2em \forall k,\kern2em (45)\\\bm V_{n,n}=1,\kern2em n=1,\cdots,N+1,\kern2em (46)\\\bm V\succeq0.\kern2em (47)
(P4):FindV(44)s.t.tr(Rk,kV)+∣bk,k∣2≥γkj=k∑Ktr(Rk,jV)+γk(j=k∑K∣bk,j∣2+σk2),∀k,(45)Vn,n=1,n=1,⋯,N+1,(46)V⪰0.(47)
不难看出问题(P4)是一个SDP,并且可以通过例如CVX等现有凸优化求解器进行优化求解。
算法1 交替优化算法 |
---|
1.初始化相移 θ = θ 1 \bm \theta=\bm\theta^1 θ=θ1并且设置迭代数字 r = 1. r=1. r=1. |
2,重复 |
3.对于给定的 θ r \bm\theta^r θr,求解问题(P3),并且将最优解表示为 W r . \bm W^r. Wr. |
4.对于给定给定 W r \bm W^r Wr,求解问题(P4),并且将执行高斯随机化之后的解表示为 θ r + 1 . \bm\theta^{r+1}. θr+1. |
5.更新 r = r + 1. r=r+1. r=r+1. |
6.直到目标值的分数下降低于阈值 ϵ > 0 \epsilon>0 ϵ>0,或问题(P4)变为不可行 |
在所提出的交替优化算法中,我们通过迭代的方法交替解决问题(P3)和(P4),每次迭代得到的解被用作下一次迭代的初始点。特别的,算法起始于通过给定的
θ
\bm\theta
θ解决问题(P3)而不是通过给定的
W
\bm W
W求解(P4)。这是经过精心设计的,假如
rank
(
G
H
Θ
H
r
+
H
d
)
=
K
\textnormal {rank}(\bm G^H\bm\Theta\bm H_r+\bm H_d)=K
rank(GHΘHr+Hd)=K,对于任意
θ
\bm\theta
θ,(P3)都是可行的,但是对于任意
W
\bm W
W,(P4)不一定可行。另一方面,由于求解(P4)只能得到一个可行解,因此在算法1中,(P3)的目标值是否会在迭代过程中单调减小仍然是未知的。
证明略
两阶段算法(Two-Stage Algorithm)
提出了一个低复杂度的两阶段算法,将(P1)的联合波束赋形设计问题解耦成两个波束赋形子问题,分别为优化相移和优化波束赋形。第一阶段通过解决一个加权有效信道最大化增益问题来优化IRS的相移。目的在于将不同的用户信道的相位进行对齐,从而最大化IRS波束赋形增益,尤其是针对于靠近IRS的用户。第二阶段通过解决问题(P3)来获得给定相移
θ
\bm\theta
θ下基于MMSE的发射波束赋形。
令
v
=
[
e
j
θ
1
,
⋯
,
e
j
θ
N
]
H
∈
C
N
×
1
\bm v=[e^{j\theta_1},\cdots,e^{j\theta_N}]^H\isin\mathbb C^{N\times 1}
v=[ejθ1,⋯,ejθN]H∈CN×1,
Φ
k
=
diag
(
h
r
,
k
H
)
G
∈
C
N
×
M
,
∀
k
.
\bm\Phi_k=\textnormal {diag}(\bm h_{r,k}^H)\bm G\isin\mathbb C^{N\times M},\forall k.
Φk=diag(hr,kH)G∈CN×M,∀k.所有用户的加权合并信道增益为
∑
k
=
1
K
t
k
∥
h
r
,
k
H
Θ
G
+
h
d
,
k
H
∥
2
=
∑
k
=
1
K
t
k
∥
v
H
diag
(
h
r
,
k
H
)
G
+
h
d
,
k
H
∥
2
=
∑
k
=
1
K
t
k
∥
v
H
Φ
k
+
h
d
,
k
H
∥
2
,
(
52
)
\displaystyle\sum_{k=1}^Kt_k\|\bm{h}_{r,k}^H\bm\Theta\bm{G}+\bm{h}_{d,k}^H\|^2=\displaystyle\sum_{k=1}^Kt_k\|\bm v^H\textnormal{diag}(\bm h_{r,k}^H)\bm G+\bm{h}_{d,k}^H\|^2=\displaystyle\sum_{k=1}^Kt_k\|\bm v^H\bm\Phi_k+\bm{h}_{d,k}^H\|^2,\kern2em (52)
k=1∑Ktk∥hr,kHΘG+hd,kH∥2=k=1∑Ktk∥vHdiag(hr,kH)G+hd,kH∥2=k=1∑Ktk∥vHΦk+hd,kH∥2,(52)
我们设置权重为
t
k
=
1
γ
k
σ
k
2
,
k
=
1
,
⋯
,
K
,
t_k=\dfrac{1}{\gamma_k\sigma_k^2},k=1,\cdots,K,
tk=γkσk21,k=1,⋯,K,基于(52),可以通过解决下列问题来求解相移
(P5):
max
v
∑
k
=
1
K
t
k
∥
v
H
Φ
k
+
h
d
,
k
H
∥
2
(
53
)
s
.
t
.
∣
v
n
∣
=
1
,
n
=
1
,
⋯
,
N
.
(
54
)
\textnormal{(P5):}\kern2em\underset{\bm v}\textnormal{max}\displaystyle\sum_{k=1}^Kt_k\|\bm v^H\bm\Phi_k+\bm{h}_{d,k}^H\|^2\kern2em (53)\\s.t.\kern2em |v_n|=1,\kern2em n=1,\cdots,N.\kern2em (54)
(P5):vmaxk=1∑Ktk∥vHΦk+hd,kH∥2(53)s.t.∣vn∣=1,n=1,⋯,N.(54)
注意到当
K
=
1
K=1
K=1时,(P5)等效于单用户情况下的问题(13)。然而在多用户情况下,由于对具有不同信道的所有用户应用相同的相移集,不同用户的组合信道功率增益通常不能在同一时间最大化,因此需要平衡以获得最佳解(P5)。尽管如此,由于问题(P5)是非凸QCQP,它可以类似地重新表述为齐次QCQP,然后通过应用SDR和高斯随机化技术来解决。利用从(P5)获得的相移,通过求解(P3)可以获得基于MMSE的发射波束成形。相较于交替优化算法,两阶段算法有着更低的计算复杂度,(P5)和(P3)分别只需要被求解一次,但是性能可能会遭受损失。
下一步思考
- QCQP
- rank1约束
- SDR
- SOCP
- Gaussian randomization techniques