Capacity maximization under sparse channels

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

1. 收发天线数目较大
2. 信道稀疏性
3. 数据流数$N_s$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${\mathbf{F}}_{\mathrm{R}\mathrm{F}}$ 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

1. 刻画objective function的递推关系式—得到capacity 增量的表达式
2. 求解最大化增量的子问题

算法步骤

假设在第$m$个iteration，已经选好了一个set ${\mathbf{A}}_m$, 记 ${\mathbf{A}}_{m+1}=[{\mathbf{A}}_m,{\mathbf{a}}_l]$, 则

继续化简

这里可以看到，capacity的增量表达式${\Delta }_{l,m}$已经写出来了，但${\mathbf{G}}_m$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${\mathbf{G}}_m$ 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