mmse求解(RS)速率分拆的和速率问题

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$W_1,\dots ,W_K$，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$W_k$被分为公共速率{W_{c,k}}和私人速率$W_{p,k}$，公共消息被公共码本编码为$s_c$，私人速率被编码为私人信息$s_k$。这里预编码矩阵为$\mathbf{P}=\left[{\mathbf{p}}_c,{\mathbf{p}}_1,\cdots {\mathbf{p}}_k\right]$。
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：$W_k$, ∀ 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$W_{p,k}$。公共部分{W_{c,1}}和{W_{c,2}}被编码为$s_c$，私人部分$W_{p,k}$被编码为$s_1$和$s_2$。
所以，发送信号为：
$$\mathbf{x}=\mathbf{P}\mathbf{s}={\mathbf{p}}_c{\mathbf{s}}_c+{\mathbf{p}}_1{\mathbf{s}}_1+{\mathbf{p}}_2{\mathbf{s}}_2$$
第k个用户的接收信号为：
$$y_k={\mathbf{h}}_k^H\mathbf{x}+n_k,\forall k\in K$$
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：
$${\gamma }_{c,k}=\frac{{\left|{\mathbf{h}}_k^H{\mathbf{p}}_c\right|}^2}{\sum _{j=1}^K\left|{\mathbf{h}}_k^H{\mathbf{p}}_j\right|+{{\sigma }_k}^2}$$
$${\gamma }_{p,k}=\frac{{\left|{\mathbf{h}}_k^H{\mathbf{p}}_k\right|}^2}{\sum _{j=1,j\ne k}^K{\left|{\mathbf{h}}_k^H{\mathbf{p}}_j\right|}^2+{{\sigma }_k}^2},j\ne k$$
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：$R_{c,k}=\log \left(1+{\gamma }_{c,k}\right)$和$R_{p,k}=\log \left(1+{\gamma }_{p,k}\right)$。
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，${\hat{s}}_{c,k}=g_{c,k}{y}_k$，在经过SIC过程后，${\hat{s}}_k=g_k\left(y_k-{\mathbf{h}}_k^H{\mathbf{p}}_c{\hat{s}}_{c,k}\right)$.。
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${\epsilon }_{c,k}$ 和${\epsilon }_k$的最小值，则对应$\hat{s}$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：
$${\hat{s}}_{c,k}=g_{c,k}{y}_k=g_{c,k}\left({\mathbf{h}}_k^H\mathbf{x}+n_k\right)=g_{c,k}\left({\mathbf{h}}_k^H\left({\mathbf{p}}_c{\mathbf{s}}_c+\sum _{i=1}^k{\mathbf{p}}_k{\mathbf{s}}_k\right)+n_k\right)$$
$${\epsilon }_{c,k}=E\left\{{\left|{\hat{s}}_{c,k}-s_c\right|}^2\right\}={\left|g_{c,k}\left({\mathbf{h}}_k^H\left({\mathbf{p}}_c{\mathbf{s}}_c+\sum _{i=1}^k{\mathbf{p}}_k{\mathbf{s}}_k\right)+n_k\right)-s_c\right|}^2$$
注意： 这里有一堆假设，便于结果化简：

1. 发送信号$E\left(s{s}^H\right)=\mathbf{I}$,相当于1；
2. 经过编码后的信号Sc，Sk之间是相互正交的,乘积为0
3. 信号和噪声也是正交的。

基于上述假设，可求得，mse为：
$${\epsilon }_{c,k}={\left|g_{c,k}\right|}^2\left({\left|{\mathbf{p}}_c^H{\mathbf{h}}_k^H\right|}^2+\sum _{i=1}^K{\left|{\mathbf{p}}_i^H{\mathbf{h}}_k^H\right|}^2+1\right)-2R\left\{g_{c,k}{\mathbf{h}}_k^H{\mathbf{p}}_c\right\}+1$$
同理：
$${\hat{s}}_k=g_k\left(y_k-{\mathbf{h}}_k^H{\mathbf{p}}_c{\hat{s}}_{c,k}\right)=g_k\left({\mathbf{h}}_k^H\left({\mathbf{p}}_c{\mathbf{s}}_c+\sum _{i=1}^K{\mathbf{p}}_k{\mathbf{s}}_k\right)+n_k-{\mathbf{h}}_k^H{\mathbf{p}}_c{\hat{s}}_{c,k}\right)$$
$${\epsilon }_k=E\left\{{\left|{\hat{s}}_k-s_k\right|}^2\right\}={\left|g_k\left({\mathbf{h}}_k^H\left({\mathbf{p}}_c{\mathbf{s}}_c+\sum _{i=1}^K{\mathbf{p}}_k{\mathbf{s}}_k\right)+n_k-{\mathbf{h}}_k^H{\mathbf{p}}_c{\hat{s}}_{c,k}\right)-s_k\right|}^2$$
同样有上述假设：

1. 发送信号$E\left(s{s}^H\right)=\mathbf{I}$,相当于1；
2. 经过编码后的信号Sc，Sk之间是相互正交的,乘积为0
3. 信号和噪声也是正交的
   $${\epsilon }_k={\left|g_k\right|}^2\left(\sum _{i=1}^K{\mathbf{p}}_i{\mathbf{h}}_k+1\right)-2R\left\{g_k{\mathbf{h}}_k^H{\mathbf{p}}_k\right\}+1$$

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$T_{c,k}={\left|{\mathbf{p}}_c^H{\mathbf{h}}_k\right|}^2+T_k$，$T_k=\sum _{i=1}^K{\left|{\mathbf{p}}_i^H{\mathbf{h}}_k\right|}^2+1$
有如下形式：
$${\epsilon }_{c,k}={\left|g_{c,k}\right|}^2{T}_{c,k}-2R\left\{g_{c,k}{\mathbf{h}}_k^H{\mathbf{p}}_c\right\}+1$$
$${\epsilon }_k={\left|g_k\right|}^2{T}_k-2R\left\{g_k{\mathbf{h}}_k^H{\mathbf{p}}_k\right\}+1$$
(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$\frac{\partial {\epsilon }_{c,k}}{\partial g_{c,k}}=0,\frac{\partial {\epsilon }_k}{\partial g_k}=0$，其他的看作常数，可以求得：
此时，使得导数为0得点为：$g_{c,k}^{mmse}={\mathbf{p}}_c^H{\mathbf{h}}_k{T}_{c,k}^{-1},g_k^{mmse}={\mathbf{p}}_k^H{\mathbf{h}}_k{T}_k^{-1}$。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,k​min​{εc,k​}=Tc,k−1​Ic,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,k​min​{εk​}=Tk−1​Ik​这里，$I_{c,k}=T_k,I_k=T_k-{\left|{\mathbf{p}}_k^H{\mathbf{h}}_k\right|}^2$。
这里，我们可以把$I_{c,k}$和$I_k$带进去观察一下：
$${\epsilon }_{c,k}^{mmse}=T_{c,k}^{-1}{I}_{c,k}=\frac{{\sum _{i=1}^K\left|{\mathbf{p}}_i^H{\mathbf{h}}_k\right|}^2+1}{{\left|{\mathbf{p}}_c^H{\mathbf{h}}_k\right|}^2+{\sum _{i=1}^K\left|{\mathbf{p}}_i^H{\mathbf{h}}_k\right|}^2+1}$$ $${\epsilon }_k^{mmse}=T_k^{-1}{I}_k=\frac{{\sum _{i=1,i\ne k}^K\left|{\mathbf{p}}_i^H{\mathbf{h}}_k\right|}^2}{{\sum _{i=1}^K\left|{\mathbf{p}}_i^H{\mathbf{h}}_k\right|}^2+1}$$
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：${\gamma }_{c,k}=\frac{1}{{\epsilon }_{c,k}^{mmse}}-1,{\gamma }_k=\frac{1}{{\epsilon }_k^{mmse}}-1$。
所以，我们可以得到对应得香农速率为：
$$R_{c,k}=-{\log }_2\left({\epsilon }_{c,k}^{mmse}\right),R_k=-{\log }_2\left({\epsilon }_k^{mmse}\right)$$
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。

$${\xi }_{c,k}=w_{c,k}{\epsilon }_{c,k}-{\log }_2\left(w_{c,k}\right),and{\xi }_k=w_k{\epsilon }_k-{\log }_2\left(w_k\right)$$
同样，继续对上式关于w求导得：可得到最优的$w^{\ast }$
$$w_{c,k}^{\ast }={\left({\epsilon }_{c,k}^{mmse}\right)}^{-1},and{w}_k^{\ast }={\left({\epsilon }_k^{mmse}\right)}^{-1}$$
由上可得出，最优的wmse和速率的关系为：
$${\xi }_{c,k}^{mmse}=\underset{w_{c,k},g_{c,k}}{\min }{\xi }_{c,k}^{}=1-R_{c,k},and{}_{c,k}^{mmse}=\underset{w_k,g_k}{\min }{\xi }_k^{}=1-R_k$$
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${\bar{c}}_k$=$-{\mathrm{c}}_k$，因为速率是关于log的凹函数，则1-log是凸的，再加上${\bar{c}}_k$，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,wmin​u1​+u2​−u1​ξ1​−u2​ξ2​+u1​cˉ1​+u2​cˉ2​s.t.−cˉk​+1−ξk​≥rˉ,k∈1,2c1​+c2​≥ξc​cˉ1​≤0,cˉ1​≤0tr{PPH}≤Pt​​
其中，如前所述，${\xi }_c^{}$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,${\bar{c}}_k$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