本文讨论5G中的主流解调技术。
1 调制阶数
讨论解调,首先是调制阶数。
有了上表,就不会有人再问为啥没有512QAM这个档位了。
2 分集和空分复用
解调的任务是从接收信号检测出发射信息。从发射的角度来看,可以分为分集(Diversity) 和 空间复用(Spatial Multiplex)。
2.1 分集
分集包括单发多收、Alamouti编码 和 单流波束赋形。
-
最简单的分集就是单发多收,通过合并多个收之间的数据流达到分集增益。
接收信号 y y y等于信道 h h h乘以发射信息 s s s,注意 s s s是标量,而其他都是收天线维度的列矢量。对于两收的情况,则有
上式所有符号都是标量。可见,根据信道强度对两收信号进行加权求和,即最大比合并(MRC)。 -
另一个要讨论的分集方式是Alamouti编码。
对于2收1发,模型如下
上式左右两边同乘以的 H H H伪逆。则有
上式中噪声部分的方差为
其中噪声假设为方差为1的高斯白噪声,于是上式可以继续简化为 2 ∣ h 0 ∣ + ∣ h 1 ∣ \frac{2}{{\vert h_0 \vert}+{\vert h_1 \vert}} ∣h0∣+∣h1∣2。至此可见,忽略因子2,则噪声实际上是减少了的,颇有MRC的意思。因此,Alamouti编码的分集技术对应的解调方法也被称为MRC。 -
前文讨论的情况都是发射机不知道信道的情况,下文讨论一个发射机知道信道的分集情况(仍然单流,发射波束赋形)。
模型
发射信号 x = w s \mathtt {x}= \mathtt {w} s x=ws,其中$ \mathtt {w} 是预编码加权向量。可以证明,当 是预编码加权向量。可以证明,当 是预编码加权向量。可以证明,当 \mathtt {w} 取的 取的 取的 \mathtt {H} 右奇异向量,也是 右奇异向量,也是 右奇异向量,也是 \mathtt {H^*H}$的特征向量,则接收机用MRC对接收天线进行MRC合并处理,使得接收SNR达到最大值
λ
1
\lambda_1
λ1表示的最大特征值,
d
1
d_1
d1表示的最大奇异值。
至此,单流的传输情况讨论完毕。下文开始讨论多流的情况。
2.2 空分复用
接收模型
其中,
s
s
s是M个独立符号的向量,对应M个发射天线。
- ML
对于QPSK调制,
s
s
s的ML估计可以表示为
对于多流的情况,假设
H
H
H不再是列正交,
H
∗
H
H^*H
H∗H不再是对角矩阵。因此,最小二乘不再是最优解。实际上,上式的ML检测做进一步简化,最优的ML估计需要做多个维度上进行穷举搜索。以4层,64QAM为例,则需要
6
4
4
64^4
644种解空间上进行穷举搜索。
- 球形解码 和 SIC
球形解码(简化穷举的搜索路径)、串行干扰消除(SIC,消除流间干扰)都是特定的解调方法。
- ZF和MMSE
ZF和MMSE也是常见的线性解调方法。
在2X2的情况下,ZF的解调方法模型
因此,当
H
H
H的行列式很小,则SNR会降低。行列式等于特征值的乘积,因此某个很小的特征值使得整个ZF的解调SNR变差。
再说MMSE。考虑收到
y
y
y的条件下,
s
s
s的最优线性估计问题。估计理论基础告诉我们,当
y
y
y和
s
s
s服从联合高斯分布,则最优的贝叶斯估计形式为
经过推导后,有(矩阵引理)
对于噪声部分功率为
借助于技巧
于是噪声部分功率为
因为酉矩阵相乘不改变向量范数,于是
观察上式,当某特征值非常小,则对MMSE解调噪声放大作用比ZF要小,从这一点来说,MMSE相当于对ZF的这种极端情况进行了“正则化”。
注意MMSE的出发点,因为 y y y和 s s s并不服从联合高斯分布,因此无论如何MMSE都不是是最优的解调方法。