今天看了一篇关于速率分拆的论文,在对比5g中的noma技术后,发现这个技术也比较有意思,特此记录下来作为笔记。论文链接在文末。论文看的不太细致,有错误望请海涵。
消息
W
1
,
…
,
W
K
{W_1}, \ldots ,{W_K}
W1,…,WK,被发送给用户1,用户2,…用户K。遵循RS原则,发给其中第k个用户的消息
W
k
{W_k}
Wk被分为公共速率{W_{c,k}}和私人速率
W
p
,
k
{W_{p,k}}
Wp,k,公共消息被公共码本编码为
s
c
{{s_c}}
sc,私人速率被编码为私人信息
s
k
{{s_k}}
sk。这里预编码矩阵为
P
=
[
p
c
,
p
1
,
⋯
p
k
]
{\bf{P}} = \left[ {{{\bf{p}}_c},{{\bf{p}}_1}, \cdots {{\bf{p}}_k}} \right]
P=[pc,p1,⋯pk]。
举个栗子,假设是k=2的两用户的miso下行链路问题,发送给用户的消息为:
W
k
{W_k}
Wk,
∀
k
∈
{
1
,
2
}
\forall k \in \left\{ {1,2} \right\}
∀k∈{1,2}。其被拆分为公共速率{W_{c,k}}和私人速率
W
p
,
k
{W_{p,k}}
Wp,k。公共部分{W_{c,1}}和{W_{c,2}}被编码为
s
c
{{s_c}}
sc,私人部分
W
p
,
k
{W_{p,k}}
Wp,k被编码为
s
1
{{s_1}}
s1和
s
2
{{s_2}}
s2。
所以,发送信号为:
x
=
P
s
=
p
c
s
c
+
p
1
s
1
+
p
2
s
2
{\bf{x}} = {\bf{Ps}} = {{\bf{p}}_c}{{\bf{s}}_c} + {{\bf{p}}_1}{{\bf{s}}_1} + {{\bf{p}}_2}{{\bf{s}}_2}
x=Ps=pcsc+p1s1+p2s2
第k个用户的接收信号为:
y
k
=
h
k
H
x
+
n
k
,
∀
k
∈
K
{y_k} = {\bf{h}}_k^H{\bf{x}} + {n_k},\forall k \in {K}
yk=hkHx+nk,∀k∈K
类似noma,rs在的接收端的解调也是采用串行干扰消除(SIC)技术,即先解调公共速率部分,把私人速率当成干扰,在解调完公共速率后,再从接收信号中减掉公共速率的部分,然后再解调私人速率部分,把另外用户的私人速率部分当作干扰。 遵循上述原则,可以写出第k个用户的公共和私人部分的信噪比如下:
γ
c
,
k
=
∣
h
k
H
p
c
∣
2
∑
j
=
1
K
∣
h
k
H
p
j
∣
+
σ
k
2
{\gamma _{c,k}} = \frac{{{{\left| {{\bf{h}}_k^H{{\bf{p}}_c}} \right|}^2}}}{{\sum\limits_{j = 1}^K {\left| {{\bf{h}}_k^H{{\bf{p}}_j}} \right| + {\sigma _k}^2} }}
γc,k=j=1∑K∣∣hkHpj∣∣+σk2∣∣hkHpc∣∣2
γ
p
,
k
=
∣
h
k
H
p
k
∣
2
∑
j
=
1
,
j
≠
k
K
∣
h
k
H
p
j
∣
2
+
σ
k
2
,
j
≠
k
{\gamma _{p,k}} = \frac{{{{\left| {{\bf{h}}_k^H{{\bf{p}}_k}} \right|}^2}}}{{\sum\limits_{j = 1,j \ne k}^K {{{\left| {{\bf{h}}_k^H{{\bf{p}}_j}} \right|}^2} + {\sigma _k}^2} }},j \ne k
γp,k=j=1,j=k∑K∣∣hkHpj∣∣2+σk2∣∣hkHpk∣∣2,j=k
根据香农公式,第k个用户的的公共速率和私人速率表达式为:
R
c
,
k
=
log
(
1
+
γ
c
,
k
)
{R_{c,k}} = \log \left( {1 + {\gamma _{c,k}}} \right)
Rc,k=log(1+γc,k)和
R
p
,
k
=
log
(
1
+
γ
p
,
k
)
{R_{p,k}} = \log \left( {1 + {\gamma _{p,k}}} \right)
Rp,k=log(1+γp,k)。
注意到这里,为了保证公共消息Sc可以被所有用户解调,这里有:
R
c
=
min
k
∈
K
{
R
c
,
k
}
{R_c} = \mathop {\min }\limits_{k \in K} \left\{ {{R_{c,k}}} \right\}
Rc=k∈Kmin{Rc,k}。即公共速率取所有用户公共速率的最小值。
所以,最大化和速率可以刻画为下列优化问题:
上述优化问题不是凸问题,论文中作者采用WMMSE的方法去把这个问题变成凸问题来求解,过程如下:
首先,假设接收信号会通过均衡器,用g表示,解调出想要的消息,当然,解调出的消息跟原消息肯定不是一模一样的,必然存在差值,将解调出的消息用上标^表示。假设这个均衡器是线性的。
例如:解调时,
s
^
c
,
k
=
g
c
,
k
y
k
{\hat s_{c,k}}{\rm{ = }}{g_{c,k}}{y_k}
s^c,k=gc,kyk,在经过SIC过程后,
s
^
k
=
g
k
(
y
k
−
h
k
H
p
c
s
^
c
,
k
)
{{\hat s}_k}{\rm{ = }}{g_{k}}\left( {{y_k} - {\bf{h}}_k^H{{\bf{p}}_c}{{\hat s}_{c,k}}} \right)
s^k=gk(yk−hkHpcs^c,k).。
有了上述式子,那么问题来了,怎样去设计一个最优的均衡器,会使得接收到的消息尽可能的还原发送的消息?
可以类比机器学习中的MSE均方差损失,记:接收消息和发送消息的均方差为:
分别求出
ε
c
,
k
{\varepsilon _{c,k}}
εc,k 和
ε
k
{\varepsilon _{k}}
εk的最小值,则对应
s
^
{\hat s}
s^与s最接近,取这个最小值所对应的均衡器g,就是我们想要的最优的均衡器,它可以让接收消息最逼近发送消息。
那么怎么求这个mse的最小值的,很简单就是求导,因为上面是一个二次的形式,求导可以得到最小值点。
接下来就是一大堆数学计算的问题了。首先,先所有的式子代入,得到:
s
^
c
,
k
=
g
c
,
k
y
k
=
g
c
,
k
(
h
k
H
x
+
n
k
)
=
g
c
,
k
(
h
k
H
(
p
c
s
c
+
∑
i
=
1
k
p
k
s
k
)
+
n
k
)
{{\hat s}_{c,k}}{\rm{ = }}{g_{c,k}}{y_k} = {g_{c,k}}\left( {{\bf{h}}_k^H{\bf{x}} + {n_k}} \right) = {g_{c,k}}\left( {{\bf{h}}_k^H\left( {{{\bf{p}}_c}{{\bf{s}}_c} + \sum\limits_{i = 1}^k {{{\bf{p}}_k}{{\bf{s}}_k}} } \right) + {n_k}} \right)
s^c,k=gc,kyk=gc,k(hkHx+nk)=gc,k(hkH(pcsc+i=1∑kpksk)+nk)
ε
c
,
k
=
E
{
∣
s
^
c
,
k
−
s
c
∣
2
}
=
∣
g
c
,
k
(
h
k
H
(
p
c
s
c
+
∑
i
=
1
k
p
k
s
k
)
+
n
k
)
−
s
c
∣
2
{\varepsilon _{c,k}} = E\left\{ {{{\left| {{{\hat s}_{c,k}} - {s_c}} \right|}^2}} \right\} = {\left| {{g_{c,k}}\left( {{\bf{h}}_k^H\left( {{{\bf{p}}_c}{{\bf{s}}_c} + \sum\limits_{i = 1}^k {{{\bf{p}}_k}{{\bf{s}}_k}} } \right) + {n_k}} \right) - {s_c}} \right|^2}
εc,k=E{∣s^c,k−sc∣2}=∣∣∣∣∣gc,k(hkH(pcsc+i=1∑kpksk)+nk)−sc∣∣∣∣∣2
注意: 这里有一堆假设,便于结果化简:
- 发送信号 E ( s s H ) = I E\left( {s{s^H}} \right) = {\bf{I}} E(ssH)=I,相当于1;
- 经过编码后的信号Sc,Sk之间是相互正交的,乘积为0
- 信号和噪声也是正交的。
基于上述假设,可求得,mse为:
ε
c
,
k
=
∣
g
c
,
k
∣
2
(
∣
p
c
H
h
k
H
∣
2
+
∑
i
=
1
K
∣
p
i
H
h
k
H
∣
2
+
1
)
−
2
R
{
g
c
,
k
h
k
H
p
c
}
+
1
{\varepsilon _{c,k}} = {\left| {{g_{c,k}}} \right|^2}\left( {{{\left| {{\bf{p}}_c^H{\bf{h}}_k^H} \right|}^2} + \sum\limits_{i = 1}^K {{{\left| {{\bf{p}}_i^H{\bf{h}}_k^H} \right|}^2} + 1} } \right) - 2R\left\{ {{g_{c,k}}{\bf{h}}_k^H{{\bf{p}}_c}} \right\} + 1
εc,k=∣gc,k∣2(∣∣pcHhkH∣∣2+i=1∑K∣∣piHhkH∣∣2+1)−2R{gc,khkHpc}+1
同理:
s
^
k
=
g
k
(
y
k
−
h
k
H
p
c
s
^
c
,
k
)
=
g
k
(
h
k
H
(
p
c
s
c
+
∑
i
=
1
K
p
k
s
k
)
+
n
k
−
h
k
H
p
c
s
^
c
,
k
)
{{\hat s}_k}{\rm{ = }}{g_k}\left( {{y_k} - {\bf{h}}_k^H{{\bf{p}}_c}{{\hat s}_{c,k}}} \right) = {g_k}\left( {{\bf{h}}_k^H\left( {{{\bf{p}}_c}{{\bf{s}}_c} + \sum\limits_{i = 1}^K {{{\bf{p}}_k}{{\bf{s}}_k}} } \right) + {n_k} - {\bf{h}}_k^H{{\bf{p}}_c}{{\hat s}_{c,k}}} \right)
s^k=gk(yk−hkHpcs^c,k)=gk(hkH(pcsc+i=1∑Kpksk)+nk−hkHpcs^c,k)
ε
k
=
E
{
∣
s
^
k
−
s
k
∣
2
}
=
∣
g
k
(
h
k
H
(
p
c
s
c
+
∑
i
=
1
K
p
k
s
k
)
+
n
k
−
h
k
H
p
c
s
^
c
,
k
)
−
s
k
∣
2
{\varepsilon _k} = E\left\{ {{{\left| {{{\hat s}_k} - {s_k}} \right|}^2}} \right\} = {\left| {{g_k}\left( {{\bf{h}}_k^H\left( {{{\bf{p}}_c}{{\bf{s}}_c} + \sum\limits_{i = 1}^K {{{\bf{p}}_k}{{\bf{s}}_k}} } \right) + {n_k} - {\bf{h}}_k^H{{\bf{p}}_c}{{\hat s}_{c,k}}} \right) - {s_k}} \right|^2}
εk=E{∣s^k−sk∣2}=∣∣∣∣∣gk(hkH(pcsc+i=1∑Kpksk)+nk−hkHpcs^c,k)−sk∣∣∣∣∣2
同样有上述假设:
- 发送信号 E ( s s H ) = I E\left( {s{s^H}} \right) = {\bf{I}} E(ssH)=I,相当于1;
- 经过编码后的信号Sc,Sk之间是相互正交的,乘积为0
- 信号和噪声也是正交的
ε k = ∣ g k ∣ 2 ( ∑ i = 1 K p i h k + 1 ) − 2 R { g k h k H p k } + 1 {\varepsilon _k} = {\left| {{g_k}} \right|^2}\left( {\sum\limits_{i = 1}^K {{{\bf{p}}_i}{{\bf{h}}_k}} + 1} \right) - 2R\left\{ {{g_k}{\bf{h}}_k^H{{\bf{p}}_k}} \right\} + 1 εk=∣gk∣2(i=1∑Kpihk+1)−2R{gkhkHpk}+1
对上述两个mse做个形式上的简化,把其中不含自变量的式子(也就不含g)提到一边,令
T
c
,
k
=
∣
p
c
H
h
k
∣
2
+
T
k
{T_{c,k}} = {\left| {{\bf{p}}_c^H{{\bf{h}}_k}} \right|^2} + {T_k}
Tc,k=∣∣pcHhk∣∣2+Tk,
T
k
=
∑
i
=
1
K
∣
p
i
H
h
k
∣
2
+
1
{T_k} = {\sum\limits_{i = 1}^K {\left| {{\bf{p}}_i^H{{\bf{h}}_k}} \right|} ^2} + 1
Tk=i=1∑K∣∣piHhk∣∣2+1
有如下形式:
ε
c
,
k
=
∣
g
c
,
k
∣
2
T
c
,
k
−
2
R
{
g
c
,
k
h
k
H
p
c
}
+
1
{\varepsilon _{c,k}} = {\left| {{g_{c,k}}} \right|^2}{T_{c,k}} - 2R\left\{ {{g_{c,k}}{\bf{h}}_k^H{{\bf{p}}_c}} \right\} + 1
εc,k=∣gc,k∣2Tc,k−2R{gc,khkHpc}+1
ε
k
=
∣
g
k
∣
2
T
k
−
2
R
{
g
k
h
k
H
p
k
}
+
1
{\varepsilon _k} = {\left| {{g_k}} \right|^2}{T_k} - 2R\left\{ {{g_k}{\bf{h}}_k^H{{\bf{p}}_k}} \right\} + 1
εk=∣gk∣2Tk−2R{gkhkHpk}+1
(敲公式真的累啊啊啊)
接下来,就是对上面两个式子进行求导了。
通过对
∂
ε
c
,
k
∂
g
c
,
k
=
0
,
∂
ε
k
∂
g
k
=
0
\frac{{\partial {\varepsilon _{c,k}}}}{{\partial {g_{c,k}}}} = 0,\frac{{\partial {\varepsilon _k}}}{{\partial {g_k}}} = 0
∂gc,k∂εc,k=0,∂gk∂εk=0,其他的看作常数,可以求得:
此时,使得导数为0得点为:
g
c
,
k
m
m
s
e
=
p
c
H
h
k
T
c
,
k
−
1
,
g
k
m
m
s
e
=
p
k
H
h
k
T
k
−
1
g_{c,k}^{mmse} = {\bf{p}}_c^H{{\bf{h}}_k}T_{c,k}^{ - 1},g_k^{mmse} = {\bf{p}}_k^H{{\bf{h}}_k}T_k^{ - 1}
gc,kmmse=pcHhkTc,k−1,gkmmse=pkHhkTk−1。代入表达式,可得最小得mmse值为:
ε
c
,
k
m
m
s
e
=
min
g
c
,
k
{
ε
c
,
k
}
=
T
c
,
k
−
1
I
c
,
k
\varepsilon _{c,k}^{mmse} = \mathop {\min }\limits_{{g_{c,k}}} \left\{ {{\varepsilon _{c,k}}} \right\} = T_{c,k}^{ - 1}{I_{c,k}}
εc,kmmse=gc,kmin{εc,k}=Tc,k−1Ic,k
ε
k
m
m
s
e
=
min
g
c
,
k
{
ε
k
}
=
T
k
−
1
I
k
\varepsilon _k^{mmse} = \mathop {\min }\limits_{{g_{c,k}}} \left\{ {{\varepsilon _k}} \right\} = T_k^{ - 1}{I_k}
εkmmse=gc,kmin{εk}=Tk−1Ik这里,
I
c
,
k
=
T
k
,
I
k
=
T
k
−
∣
p
k
H
h
k
∣
2
{I_{c,k}} = {T_k},{I_k} = {T_k} - {\left| {{\bf{p}}_k^H{{\bf{h}}_k}} \right|^2}
Ic,k=Tk,Ik=Tk−∣∣pkHhk∣∣2。
这里,我们可以把
I
c
,
k
{I_{c,k}}
Ic,k和
I
k
{I_{k}}
Ik带进去观察一下:
ε
c
,
k
m
m
s
e
=
T
c
,
k
−
1
I
c
,
k
=
∑
i
=
1
K
∣
p
i
H
h
k
∣
2
+
1
∣
p
c
H
h
k
∣
2
+
∑
i
=
1
K
∣
p
i
H
h
k
∣
2
+
1
\varepsilon _{c,k}^{mmse} = T_{c,k}^{ - 1}{I_{c,k}} = \frac{{{{\sum\limits_{i = 1}^K {\left| {{\bf{p}}_i^H{{\bf{h}}_k}} \right|} }^2} + 1}}{{{{\left| {{\bf{p}}_c^H{{\bf{h}}_k}} \right|}^2} + {{\sum\limits_{i = 1}^K {\left| {{\bf{p}}_i^H{{\bf{h}}_k}} \right|} }^2} + 1}}
εc,kmmse=Tc,k−1Ic,k=∣pcHhk∣2+i=1∑K∣∣piHhk∣∣2+1i=1∑K∣∣piHhk∣∣2+1
ε
k
m
m
s
e
=
T
k
−
1
I
k
=
∑
i
=
1
,
i
≠
k
K
∣
p
i
H
h
k
∣
2
∑
i
=
1
K
∣
p
i
H
h
k
∣
2
+
1
\varepsilon _k^{mmse} = T_k^{ - 1}{I_k} = \frac{{{{\sum\limits_{i = 1,i \ne k}^K {\left| {{\bf{p}}_i^H{{\bf{h}}_k}} \right|} }^2}}}{{{{\sum\limits_{i = 1}^K {\left| {{\bf{p}}_i^H{{\bf{h}}_k}} \right|} }^2} + 1}}
εkmmse=Tk−1Ik=i=1∑K∣∣piHhk∣∣2+1i=1,i=k∑K∣∣piHhk∣∣2
是不是发现有点和前面推导得信噪比的形式有点像,重新给出信噪比的表达式如下图,注意噪声的方差假设为1:
对的,这里信噪比和mmse值得关系就是:
γ
c
,
k
=
1
ε
c
,
k
m
m
s
e
−
1
,
γ
k
=
1
ε
k
m
m
s
e
−
1
{\gamma _{c,k}} = \frac{1}{{\varepsilon _{c,k}^{mmse}}} - 1,{\gamma _k} = \frac{1}{{\varepsilon _k^{mmse}}} - 1
γc,k=εc,kmmse1−1,γk=εkmmse1−1。
所以,我们可以得到对应得香农速率为:
R
c
,
k
=
−
log
2
(
ε
c
,
k
m
m
s
e
)
,
R
k
=
−
log
2
(
ε
k
m
m
s
e
)
{R_{c,k}} = - {\log _2}\left( {\varepsilon _{c,k}^{mmse}} \right),{R_k} = - {\log _2}\left( {\varepsilon _k^{mmse}} \right)
Rc,k=−log2(εc,kmmse),Rk=−log2(εkmmse)
然后,作者进一步采用了mse,加权最小均方误差wmse,来处理上面得到的结果。
ξ
c
,
k
=
w
c
,
k
ε
c
,
k
−
log
2
(
w
c
,
k
)
,
a
n
d
ξ
k
=
w
k
ε
k
−
log
2
(
w
k
)
{\xi _{c,k}} = {w_{c,k}}{\varepsilon _{c,k}} - {\log _2}\left( {{w_{c,k}}} \right),and{\rm{ }}{\xi _k} = {w_k}{\varepsilon _k} - {\log _2}\left( {{w_k}} \right)
ξc,k=wc,kεc,k−log2(wc,k),andξk=wkεk−log2(wk)
同样,继续对上式关于w求导得:可得到最优的
w
∗
{w^*}
w∗
w
c
,
k
∗
=
(
ε
c
,
k
m
m
s
e
)
−
1
,
a
n
d
w
k
∗
=
(
ε
k
m
m
s
e
)
−
1
w_{c,k}^* = {\left( {\varepsilon _{c,k}^{mmse}} \right)^{ - 1}},and{\rm{ }}w_k^* = {\left( {\varepsilon _k^{mmse}} \right)^{ - 1}}
wc,k∗=(εc,kmmse)−1,andwk∗=(εkmmse)−1
由上可得出,最优的wmse和速率的关系为:
ξ
c
,
k
m
m
s
e
=
min
w
c
,
k
,
g
c
,
k
ξ
c
,
k
=
1
−
R
c
,
k
,
a
n
d
c
,
k
m
m
s
e
=
min
w
k
,
g
k
ξ
k
=
1
−
R
k
\xi _{c,k}^{mmse} = \mathop {\min }\limits_{{w_{c,k}},{g_{c,k}}} \xi _{c,k}^{} = 1 - {R_{c,k}},and{\rm{ }}_{c,k}^{mmse} = \mathop {\min }\limits_{{w_k},{g_k}} \xi _k^{} = 1 - {R_k}
ξc,kmmse=wc,k,gc,kminξc,k=1−Rc,k,andc,kmmse=wk,gkminξk=1−Rk
把这个结果带入前面所述的优化问题14中,
设一组权值u1,u2;同时,令
c
ˉ
k
{{\bar c}_k}
cˉk=
−
c
k
-{{\rm{c}}_k}
−ck,因为速率是关于log的凹函数,则1-log是凸的,再加上
c
ˉ
k
{{\bar c}_k}
cˉk,可将原问题由最大化问题变为最小化问题。
可以得到:
min
p
,
c
,
g
,
w
u
1
+
u
2
−
u
1
ξ
1
−
u
2
ξ
2
+
u
1
c
ˉ
1
+
u
2
c
ˉ
2
s
.
t
.
−
c
ˉ
k
+
1
−
ξ
k
≥
r
ˉ
,
k
∈
1
,
2
c
1
+
c
2
≥
ξ
c
c
ˉ
1
≤
0
,
c
ˉ
1
≤
0
t
r
{
P
P
H
}
≤
P
t
\begin{array}{l} \mathop {\min }\limits_{p,c,g,w} {u_1} + {u_2} - {u_1}\xi _1^{} - {u_2}\xi _2^{} + {u_1}{{\bar c}_1} + {u_2}{{\bar c}_2}\\ s.t.{\rm{ - }}{{\bar c}_k} + 1 - \xi _k^{} \ge \bar r,k \in 1,2\\ {\rm{ }}{{\rm{c}}_1} + {c_2} \ge \xi _c^{}\\ {\rm{ }}{{\bar c}_1} \le 0,{{\bar c}_1} \le 0\\ {\rm{ tr\{ P}}{{\rm{P}}^H}{\rm{\} }} \le {P_t} \end{array}
p,c,g,wminu1+u2−u1ξ1−u2ξ2+u1cˉ1+u2cˉ2s.t.−cˉk+1−ξk≥rˉ,k∈1,2c1+c2≥ξccˉ1≤0,cˉ1≤0tr{PPH}≤Pt
其中,如前所述,
ξ
c
\xi _c^{}{\rm{ }}
ξc同样是取公共速率的最小值。
这个问题,对这四个优化变量而言是非凸的,但在固定P,
c
ˉ
k
{{\bar c}_k}
cˉk后,可采用交替优化的方法来解决此问题。具体参见论文:
https://jwcn-eurasipjournals.springeropen.com/articles/10.1186/s13638-018-1104-7