解调算法之MRC/ML/ZF/MMSE理解

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$y$等于信道$h$乘以发射信息$s$，注意$s$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$H$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$\frac{2}{|h_0|+|h_1|}$。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$\mathtt{x}=\mathtt{w}s$，其中$ \mathtt {w}$是预编码加权向量。可以证明，当$ \mathtt {w}$取的$ \mathtt {H}$右奇异向量，也是$ \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

${\lambda }_1$表示的最大特征值，$d_1$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，$s$是M个独立符号的向量，对应M个发射天线。

• ML

对于QPSK调制，$s$的ML估计可以表示为

对于多流的情况，假设$H$不再是列正交，$H^{\ast }H$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$64^4$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$H$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$y$的条件下，$s$的最优线性估计问题。估计理论基础告诉我们，当$y$和$s$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$y$和$s$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。