预编码与信号检测——二选一？

在MIMO系统中，预编码（发送端处理）和检测算法（接收端处理）的核心公式及其作用对比如下：

---

1. 预编码算法（发送端）

预编码的目标是通过对发送信号进行预处理，优化空间复用或分集增益，并抑制干扰（如多用户干扰）。以下是典型预编码算法的公式：

(1) 奇异值分解（SVD）预编码

• 适用场景：单用户MIMO（点对点通信）。
• 公式：
  1. 对信道矩阵 $\mathbf{H}$ 进行SVD分解：
     $$\mathbf{H}=\mathbf{U\Sigma }{\mathbf{V}}^H$$
     其中 $\mathbf{U}$ 和 $\mathbf{V}$ 为酉矩阵，$\mathbf{\Sigma }$ 为奇异值矩阵。
  2. 预编码矩阵取 $\mathbf{V}$ 的前 $N_s$ 列（$N_s$ 为数据流数）：
     $$\mathbf{P}={\mathbf{V}}_{:,1:N_s}$$
  3. 接收端匹配滤波：${\mathbf{U}}^H$。
• 效果：将信道分解为并行独立子信道，无需接收端复杂检测。

(2) 迫零（ZF）预编码

• 适用场景：多用户MIMO下行链路（消除用户间干扰）。
• 公式：
  $$\mathbf{P}={\mathbf{H}}^H(\mathbf{H}{\mathbf{H}}^H{)}^{-1}$$
  • 若用户数为 $K$，$\mathbf{H}$ 为 $K\times N_t$ 信道矩阵（$N_t$ 为发送天线数）。
• 效果：完全消除用户间干扰，但放大噪声（尤其在信道病态时）。

(3) 最小均方误差（MMSE）预编码

• 适用场景：平衡干扰消除与噪声增强。
• 公式：
  $$\mathbf{P}={\mathbf{H}}^H{\left(\mathbf{H}{\mathbf{H}}^H+\frac{K{\sigma }_n^2}{P}\mathbf{I}\right)}^{-1}$$
  • ${\sigma }_n^2$ 为噪声功率，$P$ 为发送总功率。
• 效果：在干扰抑制和噪声放大间取得平衡。

(4) 正则化迫零（RZF）预编码

• 改进ZF：引入正则化参数 $\alpha$ 缓解矩阵病态问题。
• 公式：
  $$\mathbf{P}={\mathbf{H}}^H(\mathbf{H}{\mathbf{H}}^H+\alpha \mathbf{I}{)}^{-1}$$
  • 典型选择：$\alpha =\frac{K{\sigma }_n^2}{P}$。

---

2. 检测算法（接收端）

检测算法的目标是从接收信号中恢复发送符号，抑制干扰和噪声。以下是典型检测算法的公式：

(1) 迫零（ZF）检测

• 公式：
  $$\hat{\mathbf{s}}=({\mathbf{H}}^H\mathbf{H}{)}^{-1}{\mathbf{H}}^H\mathbf{y}$$
  • $\mathbf{y}=\mathbf{Hs}+\mathbf{n}$ 为接收信号。
• 缺点：噪声放大（与ZF预编码类似）。

(2) 最小均方误差（MMSE）检测

• 公式：
  $$\hat{\mathbf{s}}={\left({\mathbf{H}}^H\mathbf{H}+{\sigma }_n^2\mathbf{I}\right)}^{-1}{\mathbf{H}}^H\mathbf{y}$$
• 优点：通过噪声功率 ${\sigma }_n^2$ 抑制噪声增强。

(3) 最大似然（ML）检测

• 最优性能：穷举所有可能的发送符号组合，最小化误差：
  $$\hat{\mathbf{s}}=\arg \underset{\mathbf{s}\in \mathcal{S}}{\min }\Vert \mathbf{y}-\mathbf{Hs}{\Vert }^2$$
  • $\mathcal{S}$ 为符号星座集合。
• 缺点：复杂度随天线数和调制阶数指数增长（$O(M^{N_s})$，$M$ 为调制阶数）。

(4) 线性均衡（LE）与干扰消除

• 线性均衡：广义ZF/MMSE检测。
• 非线性方法（如SIC）：
  • V-BLAST算法：逐层检测并消除已检测符号的干扰。
  • 公式（MMSE-SIC）：
    $${\hat{s}}_i=\text{Decode}\left(y_i-\sum _{j=1}^{i-1}{h}_j{\hat{s}}_j\right)$$
    其中 $h_j$ 为信道矩阵列向量。

---

3. 预编码与检测算法的对比

算法类型	核心公式	目标	复杂度	适用场景
SVD预编码	$\mathbf{P}={\mathbf{V}}_{:,1:N_s}$	最大化单用户容量	$O(N_t^3)$	单用户MIMO
ZF预编码	$\mathbf{P}={\mathbf{H}}^H(\mathbf{H}{\mathbf{H}}^H{)}^{-1}$	消除多用户干扰	$O(K^3)$	多用户MIMO下行
MMSE预编码	$\mathbf{P}={\mathbf{H}}^H{\left(\mathbf{H}{\mathbf{H}}^H+\frac{K{\sigma }_n^2}{P}\mathbf{I}\right)}^{-1}$	平衡干扰与噪声	$O(K^3)$	中低信噪比多用户场景
ZF检测	$\hat{\mathbf{s}}=({\mathbf{H}}^H\mathbf{H}{)}^{-1}{\mathbf{H}}^H\mathbf{y}$	消除干扰（噪声放大）	$O(N_r^3)$	高信噪比接收端
MMSE检测	$\hat{\mathbf{s}}={\left({\mathbf{H}}^H\mathbf{H}+{\sigma }_n^2\mathbf{I}\right)}^{-1}{\mathbf{H}}^H\mathbf{y}$	抑制噪声与干扰	$O(N_r^3)$	通用接收场景
ML检测	$\hat{\mathbf{s}}=\arg {\min }_{\mathbf{s}\in \mathcal{S}}|\mathbf{y}-\mathbf{Hs}{|}^2$	最优性能	$O(M^{N_s})$	小规模MIMO（如2x2 QPSK）

---

4. 关键区别与协同关系

1. 预编码 vs. 检测的定位：

   • 预编码：发送端主动优化信号空间分布（需CSI）。
   • 检测：接收端被动补偿信道损伤（需CSI或盲估计）。

2. 复杂度分布：

   • 预编码复杂度集中在发送端（基站），检测复杂度在接收端（终端）。
   • 大规模MIMO中，预编码复杂度可能成为瓶颈（如ZF需大规模矩阵求逆）。

3. 联合设计案例：

   • 多用户MIMO下行：基站用ZF预编码消除干扰，终端仅需简单解调。
   • 上行链路：基站用MMSE检测分离用户信号，终端无需预编码。

---

5. 数学直观对比

• ZF预编码与ZF检测的对称性：

  • ZF预编码：$\mathbf{P}={\mathbf{H}}^H(\mathbf{H}{\mathbf{H}}^H{)}^{-1}$（发送端伪逆）。
  • ZF检测：$\hat{\mathbf{s}}=({\mathbf{H}}^H\mathbf{H}{)}^{-1}{\mathbf{H}}^H\mathbf{y}$（接收端伪逆）。
  • 本质相同：均通过信道矩阵伪逆消除干扰，但分别作用于发送端和接收端。

• MMSE的噪声适应性：

  • MMSE预编码/检测均引入噪声项（${\sigma }_n^2$），在高信噪比时退化为ZF。

---

6. 总结

• 预编码更适合主动控制干扰（尤其下行链路），但依赖精确CSI。
• 检测算法是被动恢复信号的最后防线，对不完美CSI更鲁棒。
• 实际系统设计需权衡：
  • 预编码复杂度（如大规模MIMO中采用低复杂度RZF）。
  • 接收端能力（终端是否支持高复杂度检测如ML）。
  • 信令开销（CSI反馈频率与精度）。

---

关键结论

• 预编码与接收端检测是互补技术，而非替代关系。
  • 预编码：在发送端主动优化信号，适用于下行链路，需高精度CSI。
  • 接收端检测：在接收端被动处理干扰，适用于上行链路，对CSI误差更鲁棒。
• 系统设计选择：
  • 若CSI可靠且计算资源充足，优先使用预编码提升下行性能。
  • 若CSI受限或为上行链路，依赖接收端检测（可结合SIC、ML等增强算法）。

一、概念解释

1. 预编码的核心作用

预编码通过在发送端对信号进行预处理，主要实现以下目标：

• 消除用户间干扰（IUI）：当基站同时服务多个用户时，不同用户的信号会在空间信道中相互干扰。预编码通过调整各天线发射信号的相位和幅度，使得每个用户的信号在接收端尽可能不与其他用户信号叠加。
• 提升信噪比（SNR）：通过波束成形技术，预编码将信号能量集中到目标用户的信道方向上，从而增强有效信号强度，抑制噪声和干扰。
• 功率优化：合理分配发射功率，避免某些用户因信道条件差而需要过高功率，同时确保总发射功率不超过系统限制。

2. 预编码的必要性场景

(1) 多用户场景（必须使用）

在多用户MIMO系统中，若基站同时向多个用户发送独立数据流，且用户间共享相同的时频资源，预编码是不可或缺的。例如：

• 下行链路（基站到用户）：若直接发送用户原始符号，用户信号会在空间信道中叠加，导致接收端无法正确解码。预编码通过设计发射信号的空间分布，使得每个用户的信号在各自信道方向上正交或接近正交。
• 示例：在用户之前的代码中，ZF和MMSE预编码分别通过迫零和最小均方误差准则消除干扰，确保用户接收信号独立可解。

(2) 单用户场景（可选）

在单用户MIMO系统中，若基站仅服务一个用户，预编码的目标转为最大化该用户的信道容量或可靠性。此时：

• 波束成形（简化预编码）：可通过简单的奇异值分解（SVD）或最大比传输（MRT）优化信号方向性，无需复杂的多用户干扰管理。
• 可省略的情况：若信道条件极佳（如视距传播），或系统对性能要求不高，可直接发送原始符号。

(3) 低复杂度系统（简化或替代）

在资源受限的物联网（IoT）设备或低功耗场景中，复杂预编码算法可能不适用。此时可采用：

• 随机预编码：随机生成预编码矩阵，牺牲部分性能以降低计算开销。
• 开环传输：完全省略预编码，依赖信道编码和重传机制抵抗干扰（适用于低速移动场景）。

3. 无预编码的潜在问题

若在多用户MIMO系统中省略预编码，将导致以下问题：

• 用户间干扰（IUI）：不同用户的信号在接收端叠加，误码率（BER）急剧上升，系统容量显著下降。
• 功率分配不均：信道条件差的用户需要更高发射功率，可能超出系统限制或导致其他用户性能恶化。
• 空间资源浪费：无法有效利用多天线提供的空间自由度，系统吞吐量无法达到理论最优。

---

4. 预编码的替代方案

在特定场景下，可通过其他技术部分替代预编码的功能：

(1) 接收端干扰消除

• 多用户检测（MUD）：在接收端通过串行干扰消除（SIC）或联合解码技术消除干扰。但需要高复杂度算法和准确的信道状态信息（CSI），且对用户同步要求苛刻。
• 适用场景：上行链路（用户到基站）中，基站具备较强计算能力。

(2) 时分/频分多址（TDMA/FDMA）

• 资源隔离：将时频资源分配给不同用户，避免信号叠加。但牺牲了多用户空间复用的增益，频谱效率较低。
• 适用场景：用户数较少或对延迟不敏感的低速通信系统。

(3) 大规模MIMO（Massive MIMO）

• 信道硬化效应：当基站天线数远大于用户数时，用户信道向量近似正交，无需复杂预编码即可天然抑制干扰。但仍需简单的匹配滤波（MF）或MRC接收。
• 示例：在5G基站部署数百天线时，可直接使用共轭预编码（Conjugate Beamforming）。

---

5. 总结：何时必须使用预编码？

场景	是否需要预编码	原因
多用户MIMO下行链路	必须	消除用户间干扰，确保信号正交性。
单用户MIMO	可选	可通过波束成形优化性能，但非必需。
大规模MIMO（用户数≪天线数）	简化预编码	依赖信道正交性，使用简单预编码（如共轭波束成形）。
低复杂度系统	可省略	通过资源隔离或接收端处理替代，但性能显著下降。
高移动性场景	需动态预编码	快速变化的信道需要实时更新预编码矩阵，否则性能恶化。

二、预编码和信号检测的区别

在接收端应用MIMO信号检测技术（如ZF、MMSE）与发送端的预编码技术有显著区别，主要体现在处理位置、目标、依赖信息及适用场景上。以下是详细分析：

---

1. 核心区别

维度	预编码（发送端）	接收端检测（如ZF/MMSE）
处理位置	发送端（基站或多天线发射设备）	接收端（用户终端或接收设备）
主要目标	优化发射信号，消除多用户干扰，提升信噪比	从接收信号中分离并恢复原始信号，抑制干扰
依赖信息	需要完整的信道状态信息（CSI）	通常需要估计的信道状态信息（可能不完整）
计算复杂度	复杂度集中在发送端（需实时计算预编码矩阵）	复杂度集中在接收端（需解线性方程组等）
典型场景	多用户MIMO下行链路（基站到用户）	多用户MIMO上行链路（用户到基站）或单用户场景

---

2. 技术原理对比

(1) 预编码（以ZF预编码为例）

• 发送端操作：
  利用信道矩阵的伪逆设计预编码矩阵 $\mathbf{P}$，使得用户接收信号正交化：
  $$\mathbf{P}={\mathbf{H}}^H(\mathbf{H}{\mathbf{H}}^H{)}^{-1}$$
  发射信号为 $\mathbf{x}=\mathbf{Ps}$，用户接收信号为：
  $$\mathbf{y}=\mathbf{Hx}+\mathbf{n}=\mathbf{s}+\mathbf{n}$$
  效果：完全消除用户间干扰（IUI），仅剩噪声影响。

• 依赖条件：
  发送端需已知完美CSI（信道矩阵 $\mathbf{H}$）。

(2) 接收端检测（以ZF检测为例）

• 接收端操作：
  对接收信号 $\mathbf{y}=\mathbf{Hx}+\mathbf{n}$ 进行线性变换，使用伪逆分离信号：
  $$\hat{\mathbf{s}}=({\mathbf{H}}^H\mathbf{H}{)}^{-1}{\mathbf{H}}^H\mathbf{y}=\mathbf{x}+({\mathbf{H}}^H\mathbf{H}{)}^{-1}{\mathbf{H}}^H\mathbf{n}$$
  效果：消除信道引起的干扰，但噪声可能被放大（尤其在信道病态时）。

• 依赖条件：
  接收端需估计信道矩阵 $\mathbf{H}$（可能存在误差）。

---

3. 性能与适用性对比

指标	预编码	接收端检测
干扰管理能力	主动消除干扰（发送端优化）	被动抑制干扰（接收端后处理）
噪声影响	仅受加性噪声影响	噪声可能被放大（如ZF检测的“噪声增强”）
CSI要求	需完整且实时的CSI（挑战：反馈延迟/误差）	可容忍部分CSI误差（依赖信道估计）
适用链路	下行链路（基站到用户）	上行链路（用户到基站）或单用户
复杂度分布	发送端负担重（需实时计算预编码矩阵）	接收端负担重（需解线性方程/迭代检测）

---

4. 典型应用场景

(1) 预编码的典型场景

• 多用户MIMO下行链路：
  基站通过预编码向多个用户同时发送独立数据流，消除用户间干扰。
  示例：5G基站使用ZF或MMSE预编码服务多个手机用户。

• 大规模MIMO系统：
  基站天线数远大于用户数，利用信道硬化效应简化预编码（如共轭波束成形）。

(2) 接收端检测的典型场景

• 多用户MIMO上行链路：
  多个用户向基站发送数据，基站使用ZF/MMSE检测分离用户信号。
  示例：物联网设备上传数据至基站，基站通过SIC（串行干扰消除）解码。

• 单用户MIMO系统：
  接收端使用最大似然（ML）或球形译码（Sphere Decoding）提升检测性能。

---

5. 互补性与联合设计

(1) 预编码与检测的互补性

• 下行链路中预编码优先：
  发送端预编码主动消除干扰，接收端只需简单检测（如匹配滤波）。

• 上行链路中检测必需：
  发送端无法预知其他用户的信号，需依赖基站端的检测算法（如MMSE-SIC）。

(2) 联合优化案例

• THP（Tomlinson-Harashima预编码）：
  非线性预编码与接收端模运算结合，进一步提升性能。

• 大规模MIMO中的混合方案：
  发送端使用低复杂度预编码（如MRC），接收端辅助线性检测。

---

预编码代码分析（MU-MIMO下行场景）

注意发射功率的归一化处理

# time: 2025/2/15 16:33
# author: YanJP
import numpy as np

# 参数设置
Nt = 4  # 基站发射天线数
K = 2  # 用户数
num_bits_per_user = 10000  # 每个用户发送的比特数
SNR_dB = 1  # 信噪比 (dB)

# 生成QPSK调制映射表 (Gray编码)
QPSK_mapping = {
    (0, 0): np.sqrt(0.5) * (1 + 1j),
    (0, 1): np.sqrt(0.5) * (-1 + 1j),
    (1, 1): np.sqrt(0.5) * (-1 - 1j),
    (1, 0): np.sqrt(0.5) * (1 - 1j)
}
QPSK_demapping = {v: k for k, v in QPSK_mapping.items()}


def qpsk_modulate(bits):
    # 将比特流转换为QPSK符号
    symbols = []
    for i in range(0, len(bits), 2):
        bit_pair = tuple(bits[i:i + 2])
        symbols.append(QPSK_mapping[bit_pair])
    return np.array(symbols).reshape(-1, 1)


def qpsk_demodulate(symbols):
    # 将QPSK符号解调为比特流
    bits = []
    for s in symbols:
        # 找到最接近的QPSK符号
        min_dist = float('inf')
        closest_bits = (0, 0)
        for point, bit_pair in QPSK_demapping.items():
            dist = np.abs(s - point)
            if dist < min_dist:
                min_dist = dist
                closest_bits = bit_pair
        bits.extend(closest_bits)
    return np.array(bits).flatten()


# 生成每个用户的比特流并调制
tx_bits = []
tx_symbols = []
for k in range(K):
    bits = np.random.randint(0, 2, num_bits_per_user)
    tx_bits.append(bits)
    # 填充最后一个符号如果比特数为奇数
    if len(bits) % 2 != 0:
        bits = np.append(bits, 0)
    symbols = qpsk_modulate(bits)
    tx_symbols.append(symbols)

# 合并所有用户的符号为一个发送向量 [s_1; s_2; ...; s_K]
s = np.vstack(tx_symbols)  # (K*N_symbols, 1)

# 生成信道矩阵 H (K x Nt)
H = (np.random.randn(K, Nt) + 1j * np.random.randn(K, Nt)) / np.sqrt(2)  # 归一化信道


# 预编码矩阵计算
def zf_precoding(H):
    # ZF预编码矩阵: P = H^H (H H^H)^(-1)
    P = H.conj().T @ np.linalg.inv(H @ H.conj().T)
    # 功率归一化: 确保每个天线的发射功率为1
    P = P / np.linalg.norm(P, 'fro') * np.sqrt(Nt)  # 调整总功率为Nt
    return P


def mmse_precoding(H, sigma_n):
    # MMSE预编码矩阵: P = H^H (H H^H + sigma_n^2 I)^(-1)
    sigma_n_sq = sigma_n  2
    P = H.conj().T @ np.linalg.inv(H @ H.conj().T + sigma_n_sq * np.eye(K))
    # 功率归一化
    P = P / np.linalg.norm(P,'fro') * np.sqrt(Nt)
    return P   # 此时 np.linalg.norm(P,'fro') =2 再平方一下就等于4=Nt


# 计算噪声功率
sigma_n = 10  (-SNR_dB / 20)
P_zf = zf_precoding(H)
P_mmse = mmse_precoding(H, sigma_n)

# 发射信号 x = P s (分批次处理所有符号)
x_zf = P_zf @ s.reshape(K, -1)  # (Nt, N_symbols)
x_mmse = P_mmse @ s.reshape(K, -1)

# 计算实际发射功率 (总功率应为Nt，下面计算的是平均发射功率，所以结果应该为1)
print("ZF发射功率:", np.mean(np.abs(x_zf)  2))
print("MMSE发射功率:", np.mean(np.abs(x_mmse)  2))


# 接收信号 y = H x + n (分用户处理)
def simulate_transmission(x, H, sigma_n):
    N_symbols = x.shape[1]
    y = H @ x + sigma_n * (np.random.randn(K, N_symbols) + 1j * np.random.randn(K, N_symbols))
    return y


y_zf = simulate_transmission(x_zf, H, sigma_n)
y_mmse = simulate_transmission(x_mmse, H, sigma_n)


# 用户检测 (ZF和MMSE)
def zf_detection(y, H):
    # 等效信道: H_eff = H @ P_zf ≈ I
    H_eff = H @ P_zf
    s_hat = np.linalg.pinv(H_eff) @ y
    return s_hat


def mmse_detection(y, H, sigma_n):
    H_eff = H @ P_mmse
    sigma_n_sq = sigma_n  2
    W = np.linalg.inv(H_eff @ H_eff.conj().T + sigma_n_sq * np.eye(K)) @ H_eff
    s_hat = W.conj().T @ y
    return s_hat


# 检测符号并解调
rx_bits_zf = []
rx_bits_mmse = []
for k in range(K):
    # ZF检测
    s_hat_zf = zf_detection(y_zf, H)[k, :]
    bits_zf = qpsk_demodulate(s_hat_zf)
    rx_bits_zf.append(bits_zf[:num_bits_per_user])  # 截断填充的比特

    # MMSE检测
    s_hat_mmse = mmse_detection(y_mmse, H, sigma_n)[k, :]
    bits_mmse = qpsk_demodulate(s_hat_mmse)
    rx_bits_mmse.append(bits_mmse[:num_bits_per_user])

# 计算误码率 (BER)
ber_zf = []
ber_mmse = []
for k in range(K):
    ber_zf.append(np.mean(rx_bits_zf[k] != tx_bits[k]))
    ber_mmse.append(np.mean(rx_bits_mmse[k] != tx_bits[k]))

print("ZF预编码的BER:", ber_zf)
print("MMSE预编码的BER:", ber_mmse)