MIMO 模型信道容量公式详细推导

本文详细介绍了MIMO(多输入多输出)信道的容量公式推导过程,涉及信道模型、高斯分布的微分熵计算以及信息熵在N维高斯信道中的应用,最终得出信道容量表达式。
摘要由CSDN通过智能技术生成

考虑MIMO信道的一般表达式:

$$Y= HX +N \qquad (1)$$

其中

$$X-H_t \times 1 $$

$$Y-H_r \times 1  $$

$$ X,N- i.i.d Gaussian Distribution$$

同时定义

$$ R_{xx}= E[XX^H] $$

$$ R_{nn}= E[NN^H] = \sigma ^2 I_{Nr}$$

$$ R_{yy}= E[YY^H]= HR_{xx}H^H+ \sigma ^2 I_{Nr}$$ 

那么 $P=tr(R_{xx})$ 为发射信号总功率,$H(Y|X)= H(HX+N|X) = H(N|X)= H(N)$ 并且

$$C= \arg max \quad I(X,Y)= H(Y)-H(N)$$ 

当信道AWGN信道时,信源X服从高斯分布时$I(X,Y)$取得最大值,此时接收信号Y也服从高斯分布。

(1) 考虑一维连续高斯分布,此时需要计算连续信息熵 (微分熵), 假设 $X \sim \phi (0, \sigma) = (1/\sqrt {2 \pi \sigma ^2}) e^{-x^2/2 \sigma ^2}$

可计算得到微分熵 

$$ h(X) = - \int x \ln x dx $$

$$\qquad = - \int \phi [- \frac {-x^2}{2\sigma ^2}-ln \sqrt {2\pi \sigma ^2}]dx  $$

$$\qquad = \frac {E[X^2]}{2 \sigma ^2} + \frac

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值