PaperDaily

Ref : Myers N J, Mezghani A, Heath R W, et al. Swift-Link: A Compressive Beam Alignment Algorithm for Practical mmWave Radios[J]. IEEE Transactions on Signal Processing, 2019, 67(4): 1104-1119.

今天阅读 5-12页，耗时：3h 大部分推导没推，看完还是有点晕

本文最大的亮点在于：在CS-based BA 方案中，将消除CFO的问题转化成了一个virtual channel matrix的sample trajectory的优化问题，利用两次不同的sample, p-traject引入了($ϵ$)，而n-traject引入了($-ϵ$)，两相综合以消除CFO的影响。

运用的数学工具

1. DFT matrix property ****
2. ZC sequence(Zadoff-Chu) *****
3. CS (compressive sensing) **
4. little matrix analysis

简述

1. system model
   MIMO with UPA( uniform planar array) 模拟的波束成形结构(最后仿真仅用了SISO)
   
2. channel model

假设

1. 完美的同步
3. ends in 2019/03/20

start at 2019/03/21

今日工作量较少，上了一天的课，把前5页的公式看明白，我发现自己第一遍看论文跟白看一样，反思一下原因在于前面有一个地方不懂，后面不懂的问题就堆成小山了
弄清楚的问题：

1. 信道建模 $y=hx+n$这种形式一般是时域的，当$h$表示衰落时；而$y=Hx+n$是频域的， $H$ 是复高斯的，其实这两种并没有什么关系
2. ZC sequence properties
3. 关于Meijer-G 函数，大部分函数都可以用Meijer-G 函数表示，是个漂亮但是不简洁的公式(Stack exchange真是个好东西）
4. 关于再看论文，本篇论文之所以能转化成CS问题的关键在于，利用ZC sequence 对virtual channel matrix$G$进行采样得到M个测量值，也就是说如何从$N^2$个格点中寻找具有相同CFO–${}^{\prime }{ϵ}^{\prime }$的测量值，再寻找${}^{\prime }-{ϵ}^{\prime }$的测量值，这样的测量值排列 即是一条轨迹（存疑），因此将BA-CS恢复的问题转化为轨迹设计的问题
5. (月色真美，给自己打打气，其实就算毕不了业也才26吧，haha)

start at 2019/03/23

_{今天终于把文章大概弄懂了，说大概是因为还有很多细节，觉得从一个简单的idea到最后实施还是需要很多心力，就像哥德巴赫猜想，猜想相对证明总是容易些的，但是对于对数学工具得心应手的人来说，可能这‘猜想’更显得难能可贵。话不多说还是来总结一下}

本文最精妙的地方在于通过ZC sequence 进行了如下的变换：

从而将原问题

(Note:这里CFO=0)
转化为：

考虑CFO,

start at 2019/03/24

一篇论文看了这么久真的是~~（这其实是昨天的内容）

上面这个公式可以想到，由于$r[n],c[n]$可以自己设计，相当于已知，利用2D-CS可以恢复出矩阵$\hat{G}=G.\ast P_{ϵ}^{cont}$，
接下来就是设计$P_{ϵ}^{cont}$矩阵，以及设计相应的轨迹 以实现 $\hat{G}$的2D-DFT是$G$的2D-DFT的$(ϵ,ϵ）$的相移版本，然后再设计个$(-ϵ,-ϵ）$的版本，得到这两个$\hat{G}$的关系，再令其差的Frobenius范数最小，经过一系列转换得到 两个$\hat{G}$的相位差，最后综合得到${\hat{G}}_{final}$
下附算法流程：（看算法感觉比较清晰）

他后面的改进是因为这样做CS算法引入的相位差很大，所以Type-II只是将p-trajectory和n-trajectory的顺序交叉了，10101010这样，（不懂为啥减小了相位差）
啊啊啊啊啊（今天其实还看了7页precoding的 但是学过的SVM 和SMO又忘了）
这篇也是，没有重点