相关高斯分布的MIMO信道矩阵的容量统计特征推导

本文是IEEE TIT（Trans on Information Theory）一篇文章的阅读笔记，文章链接如下：
A. L. Moustakas, S. H. Simon, and A. M. Sengupta, “MIMO capacity
through correlated channels in the presence of correlated interferers and
noise: A (not so) large N analysis,” IEEE Trans. Inf. Theory, vol. 49,
no. 10, pp. 2545–2561, Oct. 2003.

文章梗概

本文的主要工作是给出了相关MIMO信道模型下容量的估计方法。
文章结构：

1. I-A开始，介绍文章所用的部分数学表述及系统模型；
2. II介绍本文所用的数学架构；并在II-A中讨论无interferer且AWGN的情况，在II-B中讨论有interferer且有相关噪声的情况；
3. IV介绍在其他场景中的应用，此处不表。

文章部分数学表述及系统模型

数学表述：定义在矩阵元上的三种积分

1、$D_c\mathbf{X}={\prod }_{a=1}^{m_{\text{rows }}}{\prod }_{\alpha =1}^{m_{\text{cols }}}\frac{d\mathrm{Re}{X}_{a\alpha }d\mathrm{Im}{X}_{a\alpha }}{2\pi }$
2、$d\mu (\mathbf{T},\mathbf{R})={\prod }_{a=1}^{m_{\mathrm{r}\mathrm{o}\mathrm{w}\mathrm{s}}}{\prod }_{\alpha =1}^{m_{\mathrm{c}\mathrm{o}\mathrm{l}\mathrm{s}}}\frac{d{T}_{a\alpha }d{R}_{\alpha a}}{2\pi i}$
3、$D_g\mathbf{A}={\prod }_{a=1}^{m_{\text{rows }}}{\prod }_{\alpha =1}^{m_{\text{cols }}}d{A}_{a\alpha }d{\bar{A}}_{a\alpha }$

系统模型

传输过程表述如下：
$$\mathbf{y}=\sqrt{\frac{{\rho }_s}{n_t}}{\mathbf{G}}^{\mathbf{s}}{\mathbf{x}}^s+\sqrt{\frac{{\rho }_i}{n_i}}{\mathbf{G}}^{\mathbf{i}}{\mathbf{x}}^i+\mathbf{z}\text{\hspace{1em}(1)}$$其中${\mathbf{G}}^{\mathbf{s}}$是一个$n_r\times n_t$的复矩阵，表示信号信道矩阵，${\mathbf{G}}^{\mathbf{i}}$是$n_r\times n_i$的复矩阵，表示干扰信道矩阵；${\mathbf{x}}^{\mathbf{s}}$与${\mathbf{x}}^{\mathbf{i}}$表示$n_t$维及$n_r$维的发射信号与干扰信号向量，都是零均值的高斯变量。发射信号功率限制为 Q = E [ x s x s † ] , Tr ⁡ { Q } = n t \boldsymbol{Q}=E\left[\boldsymbol{x}^{\boldsymbol{s}} \boldsymbol{x}^{\boldsymbol{s}^{\dagger}}\right] ,\operatorname{Tr}\{\boldsymbol{Q}\}=n_{t} Q=E[xsxs†],Tr{Q}=nt​。

数学分析架构

一般架构

互信息生成函数有：$$\begin{array}{rl}g(\nu )& =⟨\frac{{\left[\det \left(N+\frac{{\rho }_i}{n_i}{G}^i{G}^{i^{†}}+\frac{{\rho }_s}{n_t}{G}^{s}Q{G}^{s†}\right)\right]}^{-\nu }}{{\left[\det \left(N+\frac{{\rho }_i}{n_i}{G}^i{G}^{i^{†}}\right)\right]}^{-\nu }}⟩\\ & =⟨e^{-\nu I}⟩\\ & =1-\nu ⟨I⟩+\frac{{\nu }^2}{2}⟨I^2⟩+\cdots \end{array}\text{\hspace{1em}(2)}$$假设$g(\nu )$至少在$\nu =0$时是解析的，则$\mathrm{l}\mathrm{o}\mathrm{g}g(\nu )$可以表述为：$$\log g(\nu )=-\nu ⟨I⟩+\sum _{p=2}^{\infty }\frac{(-\nu {)}^p}{p!}{\mathcal{C}}_p\text{\hspace{1em}(3)}$$其中${\mathcal{C}}_p$为$I$的$p$阶累计矩，例如$${\mathcal{C}}_2=\mathrm{Var}(I)=⟨(I-⟨I⟩{)}^2⟩$$为方差，$${\mathcal{C}}_3=Sk(I)=⟨(I-⟨I⟩{)}^3⟩$$为分布偏态。

AWGN噪声且无干扰

此时噪声矩阵为$\mathbf{N}={\mathbf{I}}_{n_r}$，则容量表达式为：$$g(\nu )=⟨{\left[\det \left({\mathbf{I}}_{n_r}+\frac{{\rho }_s}{n_t}{\mathbf{G}}^{\mathbf{s}}\mathbf{Q}{\mathbf{G}}^{\mathbf{s}†}\right)\right]}^{-\nu }⟩\text{\hspace{1em}(4)}$$
设$\nu$为任意正整数，由Appendix I中Identity 1，上式可写为： g ( ν ) = ∫ D c X e − 1 2 Tr ⁡ { X † X } ⟨ e − ρ s 2 n t Tr ⁡ { X † G s Q G s † X } ⟩ (5) g(\nu)=\int D_{c} \boldsymbol{X} e^{-\frac{1}{2} \operatorname{Tr}\left\{\boldsymbol{X}^{\dagger} \boldsymbol{X}\right\}}\left\langle e^{-\frac{\rho_{s}}{2 n_{t}} \operatorname{Tr}\left\{\boldsymbol{X}^{\dagger} \boldsymbol{G}^{s} \boldsymbol{Q} \boldsymbol{G}^{\boldsymbol{s}\dagger} \boldsymbol{X}\right\}}\right\rangle \tag{5} g(ν)=∫Dc​Xe−21​Tr{X†X}⟨e−2nt​ρs​​Tr{X†GsQGs†X}⟩(5)其中$\mathbf{X}$为复的$n_r\times \nu$维矩阵。
上式中括号中项利用Identity 2可以被改写为： ⟨ e − ρ s 2 n t Tr ⁡ { X † G s Q G s † X } ⟩ = ∫ D c Y e − 1 2 Tr ⁡ Y † Y × ⟨ e − ρ S 4 n t Tr ⁡ { X † G s Q 1 / 2 Y − Y † Q 1 / 2 G s † X } ⟩ (6) \begin{array}{r} \left\langle e^{-\frac{\rho_{s}}{2 n_{t}} \operatorname{Tr}\left\{\boldsymbol{X}^{\dagger} \boldsymbol{G}^{s} \boldsymbol{Q G}^{\boldsymbol{s} \dagger} \boldsymbol{X}\right\}}\right\rangle=\int D_{c} \boldsymbol{Y} e^{-\frac{1}{2} \operatorname{Tr} \boldsymbol{Y}^{\dagger} \boldsymbol{Y}} \\ \times\left\langle e^{-\sqrt{\frac{\rho_{S}}{4 n_{t}}} \operatorname{Tr}\left\{\boldsymbol{X}^{\dagger} \boldsymbol{G}^{s} \boldsymbol{Q}^{1 / 2} \boldsymbol{Y}-\boldsymbol{Y}^{\dagger} \boldsymbol{Q}^{1 / 2} \boldsymbol{G}^{\boldsymbol{s} \dagger} \boldsymbol{X}\right\}}\right\rangle \end{array} \tag{6} ⟨e−2nt​ρs​​Tr{X†GsQGs†X}⟩=∫Dc​Ye−21​TrY†Y×⟨e−4nt​ρS​​ ​Tr{X†GsQ1/2Y−Y†Q1/2Gs†X}⟩​(6)则$g(\nu )$可以写为： g ( ν ) = ∫ D c X D c Y ⋅ e − 1 2 Tr ⁡ { X † X + Y † Y + ρ s 2 n t Y † Q 1 / 2 T s Q 1 / 2 Y X † R s X } (7) \begin{aligned} g(\nu)=& \int D_{c} \boldsymbol{X} D_{c} \boldsymbol{Y} \\ & \cdot e^{-\frac{1}{2} \operatorname{Tr}\left\{\boldsymbol{X}^{\dagger} \boldsymbol{X}+\boldsymbol{Y}^{\dagger} \boldsymbol{Y}+\frac{\rho_{s}}{2 n_{t}} \boldsymbol{Y}^{\dagger} \boldsymbol{Q}^{1 / 2} \boldsymbol{T}^{s} \boldsymbol{Q}^{1 / 2} \boldsymbol{Y} \boldsymbol{X}^{\dagger} \boldsymbol{R}^{s} \boldsymbol{X}\right\}} \end{aligned} \tag{7} g(ν)=​∫Dc​XDc​Y⋅e−21​Tr{X†X+Y†Y+2nt​ρs​​Y†Q1/2TsQ1/2YX†RsX}​(7)将指数的最后一项用$\mathbf{X},\mathbf{Y}$表示为二次型（利用Identity 3并引入$\nu \times \nu$维矩阵${\mathbf{R}}_1,{\mathbf{T}}_1$）则指数的最后一项可写为： exp ⁡ [ ρ s 2 n t Tr ⁡ { Y † Q 1 / 2 T s Q 1 / 2 Y X † R s X } ] = ∫ d μ ( T 1 , R 1 ) exp ⁡ [ Tr ⁡ { T 1 R 1 } − ρ s 4 n t × Tr ⁡ { T 1 Y † Q 1 / 2 T s Q 1 / 2 Y + X † R s X R 1 } ] (8) \begin{array}{l} \exp \left[\frac{\rho_{s}}{2 n_{t}} \operatorname{Tr}\left\{\boldsymbol{Y}^{\dagger} \boldsymbol{Q}^{1 / 2} \boldsymbol{T}^{s} \boldsymbol{Q}^{1 / 2} \boldsymbol{Y} \boldsymbol{X}^{\dagger} \boldsymbol{R}^{s} \boldsymbol{X}\right\}\right] \\ =\int d \mu\left(\boldsymbol{T}_{1}, \boldsymbol{R}_{1}\right) \exp \left[\operatorname{Tr}\left\{\boldsymbol{T}_{1} \boldsymbol{R}_{1}\right\}-\sqrt{\frac{\rho_{s}}{4 n_{t}}}\right. \\ \left.\times \operatorname{Tr}\left\{\boldsymbol{T}_{1} \boldsymbol{Y}^{\dagger} \boldsymbol{Q}^{1 / 2} \boldsymbol{T}^{s} \boldsymbol{Q}^{1 / 2} \boldsymbol{Y}+\boldsymbol{X}^{\dagger} \boldsymbol{R}^{s} \boldsymbol{X} \boldsymbol{R}_{1}\right\}\right] \end{array} \tag{8} exp[2nt​ρs​​Tr{Y†Q1/2TsQ1/2YX†RsX}]=∫dμ(T1​,R1​)exp[Tr{T1​R1​}−4nt​ρs​​ ​×Tr{T1​Y†Q1/2TsQ1/2Y+X†RsXR1​}]​(8)这种方法叫Hubbard–Stratonovich变换，在“Distributions of singular values for some random matrices,”中也有应用，该方法处理上面这种指数矩阵解耦非常有用。
上述过程处理完成后，$g(\nu )$表述如下：$$g(\nu )=\int d\mu \left({\mathbf{T}}_1,{\mathbf{R}}_1\right)e^{-\mathcal{S}}\text{\hspace{1em}(9)}$$其中 S = log ⁡ det ⁡ ( I n r ⊗ I ν + ρ s n t R s ⊗ R 1 ) + log ⁡ det ⁡ ( I n t ⊗ I ν + ρ s n t Q 1 / 2 T s Q 1 / 2 ⊗ T 1 ) − Tr ⁡ { T 1 R 1 } . (10) \begin{aligned} \mathcal{S}=& \log \operatorname{det}\left(\boldsymbol{I}_{n_{r}} \otimes \boldsymbol{I}_{\nu}+\sqrt{\frac{\rho_{s}}{n_{t}}} \boldsymbol{R}^{s} \otimes \boldsymbol{R}_{1}\right) \\ &+\log \operatorname{det}\left(\boldsymbol{I}_{n_{t}} \otimes \boldsymbol{I}_{\nu}+\sqrt{\frac{\rho_{s}}{n_{t}}} \boldsymbol{Q}^{1 / 2} \boldsymbol{T}^{s} \boldsymbol{Q}^{1 / 2} \otimes \boldsymbol{T}_{1}\right) \\ &-\operatorname{Tr}\left\{\boldsymbol{T}_{1} \boldsymbol{R}_{1}\right\} . \end{aligned} \tag{10} S=​logdet(Inr​​⊗Iν​+nt​ρs​​ ​Rs⊗R1​)+logdet(Int​​⊗Iν​+nt​ρs​​ ​Q1/2TsQ1/2⊗T1​)−Tr{T1​R1​}.​(10)到此处，后面可以用鞍点逼近来分析。

鞍点逼近法是一种获得复空间中快变函数积分系统展开式的方法。这种方法包括变形积分轮廓，使其通过一个（或多个）点，其中被积函数的指数是平稳的，即指数对所有积分变量的导数消失的点[24]。因此，沿最陡下降路径的点周围的积分渐进地携带积分的最高权重。通常，当被积函数的指数较大时，这种近似是有效的，在这种情况下，这种方法也被称为拉普拉斯方法，或Varadhan定理。

由于鞍点近似解决的是复平面积分$I(\lambda )={\int }_{C}dz{e}^{\lambda g(z)}$当$\lambda$取大值时的近似问题。其中$g(z)$应该是$z$的解析函数。所以到此上述部分都是在将互信息凑成可以用鞍点分析的形式。

鞍点分析

$(7)$式中${\mathbf{T}}_1$及${\mathbf{R}}_1$在鞍点处的形式为$t_1\sqrt{n_t}{\mathbf{I}}_{\nu }$及$r_1\sqrt{n_t}{\mathbf{I}}_{\nu }$，若将除$\sqrt{n_t}$以外的项写入方差，则逼近的每一步${\mathbf{T}}_1$及${\mathbf{R}}_1$可写为$$\begin{array}{l}{\mathbf{T}}_1=t_1\sqrt{n_t}{\mathbf{I}}_{\nu }+\mathbf{\delta }{\mathbf{T}}_1\\ {\mathbf{R}}_1=r_1\sqrt{n_t}{\mathbf{I}}_{\nu }+\mathbf{\delta }{\mathbf{R}}_1\end{array}\text{\hspace{1em}(11)}$$则$(8)$式中$\mathcal{S}$可以用方差矩阵$\mathbf{\delta }{\mathbf{T}}_1,\mathbf{\delta }{\mathbf{R}}_1$的泰勒展开式展开：$$\mathcal{S}={\mathcal{S}}_0+{\mathcal{S}}_1+{\mathcal{S}}_2+{\mathcal{S}}_3+{\mathcal{S}}_4\cdots \text{\hspace{1em}(12)}$$其中${\mathcal{S}}_p$为$\mathbf{\delta }{\mathbf{T}}_1,\mathbf{\delta }{\mathbf{R}}_1$泰勒展开第$p$项的函数：$$\begin{array}{rl}{\mathcal{S}}_0=& \nu [\log \det \left({\mathbf{I}}_{n_t}+\sqrt{{\rho }_s}\mathbf{Q}{\mathbf{T}}^s{t}_1\right)\\ & +\log \det \left({\mathbf{I}}_{n_r}+\sqrt{{\rho }_s}{\mathbf{R}}^s{r}_1\right)-n_t{r}_1{t}_1]\\ =& \nu {\Gamma }_s\end{array}\text{\hspace{1em}(13)}$$ S 1 = ( M r , 1 − n t t 1 ) Tr ⁡ { δ R 1 } + ( M t , 1 − n t r 1 ) Tr ⁡ { δ T 1 } (14) \mathcal{S}_{1}=\left(M_{r, 1}-\sqrt{n_{t}} t_{1}\right) \operatorname{Tr}\left\{\boldsymbol{\delta} \boldsymbol{R}_{1}\right\}+\left(M_{t, 1}-\sqrt{n_{t}} r_{1}\right) \operatorname{Tr}\left\{\boldsymbol{\delta} \boldsymbol{T}_{1}\right\} \tag{14} S1​=(Mr,1​−nt​ ​t1​)Tr{δR1​}+(Mt,1​−nt​ ​r1​)Tr{δT1​}(14)$$\begin{array}{rl}{\mathcal{S}}_2& =-\frac{1}{2}\mathrm{Tr}\left\{M_{r,2}{\left(\mathbf{\delta }{\mathbf{R}}_1\right)}^2+M_{t,2}{\left(\mathbf{\delta }{\mathbf{T}}_1\right)}^2+2\delta {\mathbf{R}}_1\mathbf{\delta }{\mathbf{T}}_1\right\}\\ & =\frac{1}{2}\mathrm{Tr}\left\{{\left[\begin{array}{l}\mathbf{\delta }{\mathbf{R}}_1\\ \mathbf{\delta }{\mathbf{T}}_1\end{array}\right]}^T\mathbf{V}\left[\begin{array}{l}\mathbf{\delta }{\mathbf{R}}_1\\ \mathbf{\delta }{\mathbf{T}}_1\end{array}\right]\right\}\end{array}\text{\hspace{1em}(15)}$$其中Hessian矩阵$\mathbf{V}$为：$$\mathbf{V}=\left[\begin{array}{cc}-M_{r,2}& -1\\ -1& -M_{t,2}\end{array}\right]\text{\hspace{1em}(16)}$$当$p>2$，则${\mathcal{S}}_p$可简化为： S p = ( − 1 ) p p Tr ⁡ { M r , p ( δ R 1 ) p + M t , p ( δ T 1 ) p } (17) \mathcal{S}_{p}=\frac{(-1)^{p}}{p} \operatorname{Tr}\left\{M_{r, p}\left(\boldsymbol{\delta} \boldsymbol{R}_{1}\right)^{p}+M_{t, p}\left(\boldsymbol{\delta} \boldsymbol{T}_{1}\right)^{p}\right\} \tag{17} Sp​=p(−1)p​Tr{Mr,p​(δR1​)p+Mt,p​(δT1​)p}(17)其中$$\begin{array}{l}{M}_{t,p}={\left(\frac{{\rho }_s}{n_t}\right)}^{p/2}\mathrm{Tr}\left\{{\left[\mathbf{Q}{\mathbf{T}}^s{\left({\mathbf{I}}_{n_t}+\sqrt{{\rho }_s}{t}_1\mathbf{Q}{\mathbf{T}}^s\right)}^{-1}\right]}^p\right\}\\ M_{r,p}={\left(\frac{{\rho }_s}{n_t}\right)}^{p/2}\mathrm{Tr}\left\{{\left[{\mathbf{R}}^s{\left({\mathbf{I}}_{n_r}+\sqrt{{\rho }_s}{r}_1{\mathbf{R}}^s\right)}^{-1}\right]}^p\right\}\end{array}\text{\hspace{1em}(18)}$$可以看到$(8)$式中两个${\mathbf{Q}}^{1/2}$可以合为$\mathbf{Q}$。则$(7)$式的鞍点解，即$t_1,r_1$可由“针对变换的${\mathbf{T}}_1,{\mathbf{R}}_1$，$\mathcal{S}$不变”得到，则${\mathcal{S}}_1=0$，这类似于为了求最大值或最小值将一阶导设为0，则有：$$r_1=\frac{1}{n_t}{M}_{t,1}=\frac{\sqrt{{\rho }_s}}{n_t}\mathrm{Tr}\left\{\mathbf{Q}{\mathbf{T}}^s{\left[{\mathbf{I}}_{n_t}+\sqrt{{\rho }_s}{t}_1\mathbf{Q}{\mathbf{T}}^s\right]}^{-1}\right\}\text{\hspace{1em}(19)}$$$$t_1=\frac{1}{n_t}{M}_{r,1}=\frac{\sqrt{{\rho }_s}}{n_t}\mathrm{Tr}\left\{{\mathbf{R}}^s{\left[{\mathbf{I}}_{n_r}+\sqrt{{\rho }_s}{\mathbf{R}}^s{r}_1\right]}^{-1}\right\}\text{\hspace{1em}(20)}$$$(17)(18)$的解在正实数$t_1,r_1$的基础上最大化${\Gamma }_s$。
控制该逼近过程的是小参数$n^{1/2}$，所以鞍点逼近在大规模MIMO中更加精确。

平均互信息

由$g(\nu )$的前几项可得：$$g(\nu )\approx \exp \left(-{\mathcal{S}}_0\right)=\exp \left(-\nu {\Gamma }_s\right)$$我们可以看到$⟨I⟩$的主成分项为${\Gamma }_s$，且有$⟨I⟩=\mathcal{O}(n)$。

互信息的方差

为了得到$(10)$式中$\mathrm{l}\mathrm{o}\mathrm{g}g(\nu )$的$\mathcal{O}(v^2)$项，我们需将下一个非零项包括进来，即${\mathcal{S}}_2$。因此我们仅忽略更高项${\mathcal{S}}_p,p>2$。
基于$(11)$式的均值方差表述，$g(\nu )$可以被表述为：$$\begin{array}{rl}g(\nu )=& e^{-{\mathcal{S}}_0}\int d\mu \left(\mathbf{\delta }{\mathbf{T}}_1,\mathbf{\delta }{\mathbf{R}}_1\right)e^{-{\mathcal{S}}_2}\\ =& e^{-{\mathcal{S}}_0}\int d\mu \left(\mathbf{\delta }{\mathbf{T}}_1,\mathbf{\delta }{\mathbf{R}}_1\right)\\ & \times \exp \left(-\frac{1}{2}\sum _{a,b=1}^{\nu }\left[\delta T_{1,ab}\delta R_{1,ab}\right]\mathbf{V}{\left[\delta T_{1,ba}\delta R_{1,ba}\right]}^T\right)\end{array}\text{\hspace{1em}(21)}$$为了将$(21)$中方程的指数项对角化，利用酉变换将$\mathbf{\delta }{\mathbf{T}}_1,\mathbf{\delta }{\mathbf{R}}_1$改为$\nu \times \nu$维矩阵${\mathbf{W}}_1,{\mathbf{W}}_2$，如下：$${\left[W_{1,ab}{W}_{2,ab}\right]}^T=\mathbf{U}{\left[\delta T_{1,ab}\delta R_{1,ab}\right]}^T$$$\mathbf{U}$是一个满足$\mathbf{U}\mathbf{V}{\mathbf{U}}^{\mathbf{T}}=\mathrm{diag}(\mathbf{v})$的正交阵，其中$\mathbf{v}=[v_1{v}_2{]}^T$是$\mathbf{V}$的特征值，则$(21)$式可以写为$$\begin{array}{l}g(\nu )=e^{-{\mathcal{S}}_0}\int d\mu \left({\mathbf{W}}_1,{\mathbf{W}}_2\right)\\ \times \exp \left(-\frac{1}{2}{\sum }_{a,b=1}^{\nu }\left[v_1{W}_{1,ab}{W}_{1,ba}+v_2{W}_{2,ab}{W}_{2,ba}\right]\right)\end{array}\text{\hspace{1em}(22)}$$由于$M_{t,2},M_{r,2}<1$，$v_1,v_2$反号，因此为了保证$M_{1,ab}$按照最速下降路径逼近，我们令${\mathbf{W}}_1={\mathbf{W}}_1^{†}$，同时${\mathbf{W}}_2=i{\mathbf{W}}_2^{†}$，则$(22)$式进一步转化为$$\begin{array}{rl}g(\nu )=& e^{-{\mathcal{S}}_0}\prod _{k=1}^2\{\prod _{a=1}^{\nu }\int \frac{d{W}_{k,aa}}{\sqrt{2\pi }}\prod _{b>a}^{\nu }\iint \frac{d\mathrm{Re}{W}_{k,ab}d\mathrm{Im}{W}_{k,ab}}{2\pi }\\ & \times \exp \left[-\frac{1}{2}\left|v_k\right|\mathrm{Tr}\left\{{\mathbf{W}}_k^{†}{\mathbf{W}}_k\right\}\right]\}\\ =& e^{-{\mathcal{S}}_0}{\left|v_1{v}_2\right|}^{-\frac{{\nu }^2}{2}}=e^{-{\mathcal{S}}_0}|\det \mathbf{V}{|}^{-\frac{{\nu }^2}{2}}\end{array}\text{\hspace{1em}(23)}$$将$(3)$式与$(23)$式逐项比较，对应上$g(\nu )$的$\nu$阶泰勒展开式，则方差中的主成分为：$$\begin{array}{rl}⟨I^2⟩-⟨I{⟩}^2& ={\mathcal{C}}_2=-\log |\det \mathbf{V}|+\cdots \\ & =-\log \left(1-M_{r,2}{M}_{t,2}\right)+\cdots \end{array}\text{\hspace{1em}(24)}$$因为$M_{r,2},M_{t,2}=\mathcal{O}(1)$，则方差在$n^{-1/2}$的扩展上也是$\mathcal{O}(1)$。同时我们发现在${\mathcal{S}}_2$中没有哪一项是$\nu$的函数。因此没有$\mathcal{O}(1)$中的哪一项在$⟨I⟩$中出现，因此有$⟨I⟩={\Gamma }_s+o(1)$。