MIMO暑期学习

一、基础

1. 多径时延对不同频率的影响：b站视频、文档资料
   总结：直观了解了多径时延如何对接收端叠加信息的增强和减弱产生影响；多径时延差和相干带宽的关系；
2. 高斯白噪声信道下的后验概率的计算
   总结：区分先验概率（已知发送的信号c，求接收信号r的概率）、后验概率（已知接收信号r，求发送信号c的概率）。
3. 高斯白噪声信道下的对数似然比推导
   共有四集，未看完。
4. 多径频移对接收信号的影响：b站视频
   多径之间的频率差导致的相干时间的直观解释。符号周期需要小于相干时间。

二、MIMO系统

b站视频

SVD分解

如果考虑三发三收的场景，但信道矩阵的秩为2，此时就只能发送两个数据流c1、c2。但此时又有三根发射天线，因此此时利用SVD分解让两个数据流做precoding映射到三根天线上来。
注意，v=(v1,v2,v3) 每个vi都是列向量，由于秩为2，所以v3没用，只需要$（v1，v2）\ast （c1，c2{）}^T$（即3行两列乘以2行1列，得到3行1列的列向量，也就是发射数据x1x2x3）

接收分集：最大比值合并

文章
考虑一发两收的情况下，

然后可以计算得到：

这个公式基于最大化接收信噪比的出发点推导出来的. 针对加权系数w如何选择，构建一个最优化模型，使用拉格朗日函数可以求解得到：

而刚好这个w对应的接收信号的表达式就是上面s^的形式！
最后，接收信噪比为：

---

直观上理解就是，使用的权重w是为了使得所有信号对齐，然后相加能够得到最大的信噪比。

发射分集：Alamouti

接收分集和发射分集的对比

这是由于在发射分集上两个信号的功率都是P，相比于接收分集只发一个信号功率P而言，效率是低一点的。所以固定发射功率都为P时，MRC是比Alamouti多3dB的性能增益。

三、无线信道模型的数学表示

参考文章。

1. 信道冲击响应

等效接收到的基带信号：

注意，这里的${\tau }^{\prime }$是一个变量，表示多径时延差，t看做一个常数.$h(\tau ,t)$的意思是，在t时刻，时延差为${\tau }^{\prime }$时的信道冲击响应值，即把所有时延为${\tau }^{\prime }$的路径全部加起来，其它的置为1（δ函数功能）。

2. 频域分析

参考文章。
（经过了简化，θn表示相位差在[0,2π]之间均匀分布的，${\tau }_n^{\prime }(0)$表示的是时延差）


分析：

1. 单径情况下，N=1，此时e^f‘前面的所有系数都是固定的，因此频谱值不会随f’发送变化，所以为非频率选择性衰落；反之为频选信道。
2. 在有多普勒频移情况下，$2\pi f_{n}t$是在t时刻引起的多普勒频移，所以从时域角度出发，当$f_n\ne 0$ 时，在t时刻的一小段时间内信号的幅度都是不一样的，因此给信号带来的影响就是快衰落。

多径效应\多普勒效应	无多普勒	有多普勒
单径（一种时延差${\tau }_n$）	非频选(平坦衰落)、慢衰落信道	非频选、快衰落信道
有多径	频选、慢衰落信道	频选、快衰落信道

总结：

3. 频偏和时偏

需要训练导频，例如OFDM的dmrs，在不同时间采样点上选取两个子载波即可以估计频偏；不同频率点的子载波估计时偏。

1）频偏估计

如图的绿色信号波形频率为100Hz，对应时域T=0.01s。而红色信号是产生了频移后的波形图，在一个周期内频移值都是固定的，能够通过检测相位差计算得到频移值。

分析红线：

2）时偏估计

参考链接
以两个不同频点f1和f2的子载波为例，根据其相位的偏差是不同的，根据这个特点，我们可以反推出来时间偏差。


需要主要的是，在这个推导过程中，需要保证 f1 和 f2 是倍数关系，且 T 是他们最大公约数代表的频率的周期。

5. BER分析

w 是高斯白噪声，符合均值为 0 ，方差为${\sigma }^2$的高斯分布，其功率谱密度为$N_0$，两者有如下关系：
$$N_0=2{\sigma }^2$$所以一般也可以直接记做w服从$(0,\frac{N_0}{2})$的高斯分布（${\sigma }^2=\frac{N_0}{2}$）。

0）Es和Eb

可以这样理解，由于Es/N0表示的是符号的信噪比，但SNR表示的是信号的信噪比，而符号的信噪比需要考虑这个符号的持续的时间，乘以（换算成dB就是＋）信号的信噪比。（SNR看成单位时间的信噪比）

1）AWGN 信道下的误比特率BER分析

考虑BPSK，所以 Eb = Es，最终得到BER公式：

2）Rayleigh衰落信道下的误比特率BER分析

且接收符号y表示为：$$y=hx+w$$
如果信号的能量为 Es， 不考虑 h 情况下的信噪比记为：$$SNR=\frac{E_s}{N_0}=u$$

其中，a是一个服从复高斯分布的随机变量，因此通过积分可以求得最终的BER：

---

注意，对信道系数若假设均值为 0 ，方差为 1 ，则最后的公式为：

---

若不固定方差，令$\gamma =\frac{1}{\sigma }$，得到下面的公式：

3）Rayleigh信道与AWGN信道BER对比分析

参考链接（讲了信道方差对SER的影响）

四、MIMO 信道容量的数学推导

1. 公式推导

参考链接作者：乐吧的数学
MIMO 信道的信道容量，有个前提：是基于非频率选择性衰落信道来分析的，即频率平稳衰落的信道。 Nt发射天线，Nr接收天线，发射向量为S（元素就是在各发射天线上的值），接收向量为Y，W表示服从均值为0的高斯分布向量。

其中 $f(S)$ 是向量 S 的 联合概率分布函数。上面的公式的含义，就是在所有可能的概率分布$f(S)$ 中，找到使得互信息最大的那种概率分布。换句话说，怎样根据信道的特性分配S的值使得C最大。
（推导过程见链接）

---

假设对于接收方 H 是已知的，是确定的。 Rss表示S的自相关矩阵，这个矩阵的迹就是发射信号的总能量！！（假设每根天线发射的能量均为1）

2. 发送方对信道矩阵未知

参考链接
在发送方不知道信道矩阵 H 的情况下，我们只能在各个发射天线上均匀分配能量，再假定各个发射天线上发送的信号是相互独立的，此时Rss就是一个单位矩阵！即$Rss=I_{NR}$.

最后推导出来的公式：

---

继续分析，当信道矩阵满足什么样的条件下，C最大。参考链接
以$NT=NR=M$为特例来讨论。需要假定信道的转移系数满足一个固定的约束，即各个信道对能量的放大是一个定值：

其中，$||H|{|}_F^2$是 Frobenius 范数，就是各个元素的平方和。

根据线性代数的一个定理：

---

然后变成了一个最优化问题：

最后推导得到最终的信道容量：

此时，这个信道是一个正交信道，各信道之间相互独立，即： H 是正交复数矩阵 。这种信道还有个好处就是在接收端对每根天线解耦时，利用正交性可以恢复出发射的信息：

3. 发送方对信道矩阵已知

参考链接：
回顾前面H未知时的信道容量公式：

此时采用的策略是每根发射天线的能量${\gamma }_i$相同。若发送方已知H，则可以有更优的策略来分配能量。给出最终的公式：

可以使用注水算法，达到信道容量最大化。

---

关于公式的推导，一个是从SVD的角度，一个是从前面信道容量公式涉及到RYY的地方开始分析。其中，${\hat{s}}_i$表示未乘以V矩阵的信号向量，${\hat{y}}_i$表示乘以U矩阵后的接收信号向量。

4. SIMO/MISO 分集 的信道容量

参考链接：

1）SIMO

且$r=rank(H{H}^H)=1$，公式1中的 $\lambda$ 只有一个值。同时一个列向量的特征向量 v 就是自身，特征值就是对应列向量元素的模的平方。因此可以利用前面的结论得到：

随着接收天线数量的增加，信道容量呈对数增长。在 SIMO 情况下，即使发送方知道信道矩阵，由于只有一根天线，也不能做什么事情，对提高信道容量没有任何作用。用公式 (2) 来推导，一样可以得到公式 (3).

2）MISO

且仍有$r=rank(H{H}^H)=1$，

分两种情况讨论：

1. 发送方不知道信道矩阵
   
   可见，随着接收天线数量的增加，信道容量不增长.
2. 发送方知道信道矩阵
   因为只有一根发射天线，所以$\gamma 1=M_T$.随着发射天线数量的增加，信道容量呈对数增长。
   

3）对比

如果SIMO的接收天线数等于MISO的发送天线数，则他们的信道容量是相同的。需要注意的是：对于 MISO(发送方知道信道矩阵), 其发射的总能量不是1，而是 $M_T$，是牺牲了发射功率来换取了相同的信道容量的。我们给的总能量，平均来看，是给每个发射天线一个单位功率 1. 但是在具体分配上，是利用H矩阵信息，用了 SVD 分解的矩阵 V 来做功率分配的。
（一句话总结，SIMO不用H消耗能量还低，MISO在利用了H后且消耗的总能量是SIMO的MT倍后，两者的信道容量才相等。）

5. 调制模式下的信道容量

参考链接
前面推导出了信道容量在发收天线不同的情况下的信道容量公式，这是没有对输入端做任何约束，能达到这个容量的时候，输入端是连续的高斯分布。

而在不同的调制情况下，比如对于 BPSK 调制方式，每个符号携带一个比特信息，因此在香农公式中，每个符号的传输速率是 log2(1 + SNR)。对于 QPSK 调制方式，每个符号携带两个比特信息，因此在香农公式中，每个符号的传输速率是 2 * log2(1 + SNR)。

需要从互信息开始推导公式，

其中，$p(y|x)$的概率是服从高斯分布的，可以计算得到；且所有的$p(xi|y)$总和加起来是等于1的。

五、传播模型场景

分层空时码分为：

六、MIMO检测的线性算法

信号检测算法总体分为三类，线性检测、非线性检测、最优检测。常用的算法有迫零ZF检测、均方误差MMSE、V-BLAST 检测和最大似然检测算法。在最优检测中的最大似然（ML）检测算法虽然性能是这几类中最好的，但其复杂度是随着天线数和信号调制阶数的逐渐的增加而成指数量级快速增加。当在实际应用中天线数目过多时，该检测算法的计算量将非常大，所以不适合实际使用。线性检测中最小均方误差（MMSE）信号检测算法和迫零（ZF）信号检测算法都归属于线性检测算法类型，它们只能对在信道矩阵方面对接收信号进行相对于线性均衡性质的检测，实现虽然简单，但是检测性能不理想，对比最大似然（ML）检测算法的精确度相差很多。V-BLAST 检测算法的性能和复杂度介于最大似然检测和线性检测之间，在现实中被广泛地应用。
原文链接：链接
————————————————------------------------------------------------------------------
线性算法，指的是通过对 Y 的线性组合来估计出发送的数据 X。考虑发射天线数$N_t$，接收天线数$N_r$，信道系数为：

其中hi是一个$N_r\times 1$的列向量，且$Y=H\times X$。进一步用hi表示为：

1. 匹配滤波算法

如图，圈出来的分别是从各接收天线检测的有用的信号，其他的项均为干扰。如：

匹配滤波器就是基于接收分集的思想，为了让接收信噪比最大，不考虑其他发射天线上的信号，看成SIMO模型，在接收端将其他信号全部看成噪声。因此如下误比特率的仿真图，在信噪比逐渐增大时，干扰信号会成为主要的噪声，抑制性能的提升。

2. 最大似然ML算法

似然函数：
假设观测到的接收信号为 $r$，我们希望通过计算似然函数来判断是 $s_1$ 还是 $s_2$。

似然函数表示了在给定参数（这里是 $s_1$ 或 $s_2$）的情况下，观测信号出现的概率。假设噪声是服从均值为 $0$，方差为 ${\sigma }^2$ 的高斯分布，那么似然函数可以表示为：

最大似然估计：
对于最大似然估计，我们需要选择使得观测信号出现概率最大的信号参数。在这里，我们要比较 $s_1$ 和 $s_2$ 两种情况下的似然函数值，即比较 $L(s_1|r)$ 和 $L(s_2|r)$。

假设我们已经知道了接收信号 $r$，我们可以通过比较似然函数的大小来判断是 $s_1$ 还是 $s_2$：

• 如果 $L(s_1|r)>L(s_2|r)$，那么我们判断接收到的信号更可能是 $s_1$。
• 如果 $L(s_2|r)>L(s_1|r)$，那么我们判断接收到的信号更可能是 $s_2$。

这样，我们就通过最大似然估计来对接收信号进行了判决，从而实现了信号检测。

3. ZF算法

详细参考这篇文章
将$Y=HX+W$带入$\tilde{X}$得到

可以看到来自其他发射天线的干扰完全消除了，只剩一个高斯噪声。（而MF算法就做不到消除这个干扰）
比如第二根接收天线上的信号:$$\widetilde{x_2}=x_2+\tilde{w}$$

2）ZF和ML的对比

参考链接
从公式出发分析了为什么ZF性能比ML性能差。总体的思路是：

在ZF中，解得$\hat{X}$的公式，为了分析的简便，假设H可逆，则

然后代入（2）并构造和（1）相同的表达形式，然后和（1）做对比：

后面的分析看链接内容。总结就是，由于多了一个H的逆，扭曲了原本模的长度，导致求不出原本不带H逆的模的最小值。
原始噪声分布和变换后的噪声分布：

3. MMSE算法

参考链接
将发送信号X和噪声W看成随机变量，从统计意义角度最小化X和估计的$\hat{X}之间的距离$


从最优化角度分析：参考链接

4. ZF SIC迫零逐次消除检测算法

SIC每一步操作都消除了已解信号干扰，再利用ZF准则进行检测，如果已解信号估计准确，消除已解信号干扰后检测的等效信干燥比提高明显，因此当信噪增大时，SIC误码性能提升效果明显。

---

后续再更新 2023年8月22日20:28:57