MIMO信号处理——SVD、ZF与MMSE预编码

MIMO

一、容量

1.MISO和SIMO都只能发送相同数据，所以相比于SISO容量没有提升，但提高了通信成功率，属于发射分集。
2.如图为2×2MIMO，容量是SISO的两倍

多输入多输出：
$$\text{r=Hs+n}$$

3.信道传输矩阵和预编码

预编码后的矩阵：

其中秩的大小指示了信道的相关性

二、MIMO三大技术

1.波束赋型
 波束赋型让波束的能量向指定的方向集中，不仅可以增强覆盖距离，还可以降低相邻波束间的干扰，让更多的用户可以同时通信，提升小区容量。也就是说，它将分集和复用的优点集于一身。
 实现的方式包括模拟、数字、混合波束赋性

2.传输分集
 利用天线阵元的不相关性，发射和接收同一个数据流，提高链路质量。
 实现的技术为空时编码STC。在空间域的发射分集和时域的信道编码相结合进行联合编码。STC的编码技术又分为空时格码（STTC：Space-Time Trellis Code ）和空时分组码（STBC：Space-Time Block Code）

3.空间复用
 在不同的天线，同一的频点上传输多个独立的数据流

SVD分解MIMO

H矩阵为n×m，

当$n<m$时，(接收天线 < 发射天线)

当$n>m$时，

---

H的相关矩阵：


对角线上的数值为RHH的特征值，矩阵U的列向量为特征向量。

信道矩阵分解

现在对发送信息$s^{\prime }$进行编码，得到每个天线的发射信号$s$：$$s=V{s}^{\prime }$$
则：
此时通过信道估计获取信道矩阵，在收到信号后，等式两端左乘$U^H$:

$\sum$为对角矩阵，意味着，经过变换后的MIMO系统等价于多个互不干扰的并行信道。

引用一位网友的话“SVD是信道不变的时候理论上容量最大的预编码方法”

MIMO预编码

    首先，矩阵的秩和其奇异值（奇异值为$\sum$的对角线元素，等于特征值的平方根）的关系：秩就是不为0的奇异值的个数。

    信道矩阵的秩就是能够同时发送的数据的个数，每一个数据叫作一个流(stream),也叫作一个层（layer)，每个流可以单独进行编码调制。
    使用一个编码矩阵C对流数据进行编码，从而控制流的个数：

当矩阵的秩为r，则可以同时发送r个信息数据，则s的维度是$r$×1。s被矩阵C编码，C的维度为$m\times r$，故最后得到$m\times 1$的数据，映射到m根天线上。
C的理想选择是SVD的V矩阵当中最大的前r个奇异值对应的列组成的矩阵。
码本实例：（注意维度）

SVD与MIMO信号检测ZF/MMSE

1. SVD局限性

• 单用户专用：SVD通过分解信道矩阵实现空间子信道独立，适用于单用户点对点MIMO（如基站与单一终端通信）。
• 多用户失效：在多用户MIMO下行链路中，用户间信道无法直接正交化，SVD无法消除用户间干扰（IUI），需依赖ZF/MMSE预编码或接收端检测。

---

MIMO信号检测ZF/MMSE的普适性：

• 多用户场景：ZF/MMSE通过矩阵运算直接抑制干扰，适用于多用户MIMO（如基站同时服务多个用户）。
• 上下行链路通用：ZF/MMSE既可用于发送端预编码（下行），也可用于接收端信号检测（上行），灵活性更高。

两者应用场景的示例：

• 单用户MIMO：基站使用SVD预编码将数据流映射到信道主特征模式，接收端仅需简单匹配滤波。
• 多用户MIMO下行：基站采用ZF预编码消除用户间干扰，确保各用户信号正交。

2. 复杂度的权衡

SVD的计算开销：

• SVD需要对信道矩阵进行全分解，计算复杂度为 $O(N^3)$（$N$为天线数），在大规模MIMO或动态信道中实时更新困难。

• 适用于静态或准静态信道（如固定无线接入），难以支持高移动性场景。

• ZF/MMSE的轻量化：

  • ZF仅需矩阵求逆（复杂度 $O(N^3)$），但可通过迭代算法或近似方法（如Neumann级数展开）降低计算量。
  • MMSE通过正则化处理（引入噪声项）减少矩阵病态问题，实际中常与低复杂度近似结合。
  • 更适合实时系统：如5G基站需在毫秒级更新预编码矩阵，ZF/MMSE更易实现。

案例对比：

算法	计算复杂度	适用场景
SVD	$O(N^3)$	单用户、静态信道
ZF	$O(N^3)$（可优化）	多用户、动态信道
MMSE	$O(N^3)$（可优化）	噪声显著的多用户场景

---

3. 信道信息的敏感性

• SVD对CSI精度的依赖：

  • SVD要求发送端掌握完美信道状态信息（CSI），若存在估计误差或反馈延迟，子信道独立性被破坏，性能急剧下降。
  • 实际系统中，CSI通常存在量化误差、时延和多普勒频移影响，限制了SVD的实用性。

• ZF/MMSE的鲁棒性：

  • ZF/MMSE可通过正则化（MMSE）或鲁棒设计（如基于误差统计的预编码）缓解不完美CSI的影响。
  • 对信道误差的容忍度更高，尤其适合TDD系统（通过信道互易性获取CSI）或FDD系统（有限反馈）。

实验数据：

• 在CSI误差为-20 dB时，SVD预编码的容量损失可达30%，而MMSE预编码仅损失10%。

4. 噪声与干扰的权衡

• SVD的噪声放大问题：

  • SVD将信号功率集中在主特征模式，但弱特征模式对应的子信道信噪比（SNR）极低，可能成为容量瓶颈。
  • 若发射功率不足或信道条件差（如深衰落），部分子信道无法有效利用。

• ZF/MMSE的主动干扰管理：

  • ZF完全消除干扰但放大噪声（尤其在信道矩阵病态时），MMSE在干扰抑制与噪声增强间取得平衡。
  • 可通过功率分配算法（如注水算法）优化性能，适应不同信噪比环境。

数学对比：

• SVD容量：$C={\sum }_{i=1}^r{\log }_2(1+\frac{P_i{\sigma }_i^2}{N_0})$，其中${\sigma }_i$为奇异值，$P_i$为注水功率分配。
• ZF容量：$C={\log }_2\det \left(\mathbf{I}+\frac{P}{N_0}({\mathbf{H}}^H\mathbf{H}{)}^{-1}\right)$，受限于矩阵条件数。
• MMSE容量：在ZF基础上引入正则化项，提升病态信道下的稳定性。

---

5. 系统架构与标准化需求

• 标准兼容性：

  • 5G/6G等标准中，多用户MIMO是核心场景，ZF/MMSE预编码已被广泛采纳（如LTE的TM8/TM9模式）。
  • SVD缺乏对多用户干扰的直接解决方案，难以满足标准化需求。

• 混合架构支持：

  • 大规模MIMO常采用混合预编码（数字+模拟），SVD需全数字基带处理，而ZF/MMSE可与模拟波束成形结合，降低硬件复杂度。
  • 毫米波系统：由于射频链限制，常采用低复杂度预编码（如基于角度的匹配），而非SVD。

---

6. 总结：为何需要ZF/MMSE？

维度	SVD预编码	ZF/MMSE
适用场景	单用户MIMO，静态信道	多用户MIMO，动态信道
复杂度	高（矩阵分解）	中（矩阵求逆，可优化）
CSI要求	严格需要完美CSI	容忍部分CSI误差
干扰管理	无多用户干扰处理能力	主动消除干扰（ZF）或平衡干扰与噪声（MMSE）
标准化支持	有限（主要用于理论分析）	广泛集成于5G/6G标准

• 核心结论：
  • SVD是单用户MIMO的理论最优解，但实际系统需面对多用户干扰、动态信道、硬件限制等问题，ZF/MMSE提供了更实用、灵活的解决方案。
  • 两者并非替代关系，而是互补：SVD用于优化单用户链路，ZF/MMSE解决多用户干扰与工程实现难题。

在发送端采用ZF（迫零）预编码后，接收端是否还需要信号检测？

1. 干扰消除
   ZF预编码的核心目标是通过预补偿信道矩阵的逆，在发送端主动消除用户间及数据流间的干扰。若信道状态信息（CSI）准确且系统无噪声，理论上接收信号已无干扰，此时接收端无需额外信号检测，可直接解调符号（如QAM解调）。

2. 噪声影响
   实际系统中，噪声（如AWGN）无法通过预编码消除。接收端仍需进行基础处理（例如信号放大、滤波、解调等），但无需复杂检测算法（如MMSE、SIC等）来对抗干扰。

3. 应用场景差异

   • 单用户MIMO：ZF预编码完全消除流间干扰，接收端仅需解调。
   • 多用户MIMO：若用户间同步完美且信道估计理想，同样可跳过检测步骤；但存在误差时，可能需简单均衡处理。

总结：采用ZF预编码后，接收端通常不需要传统意义上的“信号检测”（即干扰抑制操作），但仍需完成解调等基础步骤以恢复原始数据。两者分工明确——预编码解决干扰，接收端应对噪声。