本篇文章是对 IEEE 文章Low-Complexity Incremental Search-Aided
Hybrid Precoding and Combining
for Massive MIMO Systems
中主要算法的理解简述
System model
本文采用经典的mmWave 的点对点模型,如下所示
其中点对点信道采用常用的SV稀疏模型,如下所示
Remark:mmWave/THz点对点系统与传统微波通信最大的区别在于
- 收发天线数目较大
- 信道稀疏性
- 数据流数 N s N_s Ns小于等于信道的秩
尽管传统的beamforming方案也可以适用,但通常算法复杂度与天线规模正相关,代价高昂。另一方面,利用稀疏性能够有效降低复杂度,如OMP等方案。本篇文章的方案可以说兼顾了复杂度和性能,那究竟是怎么利用稀疏性的呢?
(注: 一个冷知识,低秩跟稀疏并不等价,e.g, 一个满秩矩阵,SVD分解,中间的奇异值矩阵是稀疏的)
Problem formulation
这里作者将原来直接最大化通过从steering vector set中选择相应的列来构成 analog precoder (即,analog precoder 元素的模值恒定), 而 baseband precoder/combiner可以通过对等效信道进行SVD分解得到。所以本篇文章的重点在如何求解第一个子问题,即
(注:因为combining matrix 的设计跟precoder 设计类似,不再赘述)
算法思想概述
观察(8a)这个式子,因为 F R F \mathbf{F}_{\rm RF} FRF 需要从一个finite set中选取,该算法的思想跟贪心算法有点相似。给定已经选好的集合,从剩下的集合里 选择 最能让 capacity 增大的 steering vector。接下来的问题就是
- 刻画objective function的递推关系式—得到capacity 增量的表达式
- 求解最大化增量的子问题
算法步骤
假设在第
m
m
m个iteration,已经选好了一个set
A
m
\mathbf{A}_m
Am, 记
A
m
+
1
=
[
A
m
,
a
l
]
\mathbf{A}_{m+1} = [ \mathbf{A}_m, \mathbf{a}_l]
Am+1=[Am,al], 则
继续化简
这里可以看到,capacity的增量表达式
Δ
l
,
m
\Delta_{l,m}
Δl,m已经写出来了,但
G
m
\mathbf{G}_m
Gm牵涉到求逆,直接一维搜索需要计算 剩下集合的阶数个的求逆运算,而
G
m
\mathbf{G}_m
Gm 可以进一步化简为
此时 增量 的表达式需要更新的部分仅涉及到矩阵乘法,所以进行一维搜索就已经足够了
关于用到的数学性质的证明:Sylvester identitiy