[1] L. Zheng and D. N. C. Tse, ``Communication on the Grassmann manifold: A geometric approach to the noncoherent multiple-antenna channel,’’ IEEE Trans. Inf. Theory, vol. 48, no. 2, pp. 359–383, Feb. 2002.
在 Lemma 1 (p361) 中有下面的公式
C
coherent
(
SNR
)
≥
K
log
2
SNR
M
+
∑
i
=
K
′
−
K
+
1
K
′
E
[
log
2
χ
2
i
2
]
C_{\textrm{coherent}} \left( {\textrm{SNR}} \right) \ge K\log _2 \frac{\textrm{SNR}}{M} + \sum\limits_{i = K' - K + 1}^{K'} {E\left[ {\log _2 \chi _{2i}^2 } \right]}
Ccoherent(SNR)≥Klog2MSNR+i=K′−K+1∑K′E[log2χ2i2]
这个公式的理解参考下述文献的(Eq 3)
[2] G. J. Foschini, ``Layered space–time architecture for wireless communication in a fading environment when using multi-element antennas,’’ AT & T Bell Labs. Tech. J., vol. 1, no. 2, pp. 41–59, 1996.
和下述文献(P319)的叙述
[3] G. J. Foschini and M. J. Ganz, ``On limits of wireless communications in a
fading environment when using multiple antennas,’’ Wirel. Personal Commun., vol. 6, pp. 311–335, 1998.
在下面的博士论文中(Theorem 3.4 公式 3.15),有相关的定理
[4] A. Edelman, “Eigenvalues and Condition Numbers of Random Matrices”, M.I.T. Doctoral Dissertation, Mathematics Department, 1989.
通过householder变换将矩阵变为准对角阵,根据盖尔圆定理,得到最小特征值的渐近值。该方法在下述论文中有所体现:
[5] Jack W. Silverstern, The Smallest Eigenvalue of a Large Dimensional wishart Matrix,The AnnaLs of Probability 1985, Vol. 13, No. 4, 1364-1368
以下内容主要来自【5】
Ger
s
^
\hat \textrm s
s^gorin’s theorem [Ger
s
^
\hat \textrm s
s^gorin (1931)]: Each eigenvalue of an
n
×
n
n \times n
n×n complex matrix
A
=
(
a
i
j
)
A=(a_{ij})
A=(aij) lies in at least one of the disks
∣
z
−
a
j
j
∣
≤
∑
i
≠
j
∣
a
i
j
∣
,
j
=
1
,
2
,
⋯
,
n
,
|z-a_{jj}|\le \sum_{i\neq j}|a_{ij}|, \quad j=1,2,\cdots,n,
∣z−ajj∣≤i=j∑∣aij∣,j=1,2,⋯,n,
in the complex plane.
A
x
=
z
x
⇒
∑
j
=
1
n
a
i
j
x
j
=
z
x
i
,
i
=
1
,
⋯
,
n
Ax=zx \Rightarrow \sum_{j=1}^na_{ij}x_j=zx_i,\qquad i=1,\cdots,n
Ax=zx⇒j=1∑naijxj=zxi,i=1,⋯,n
(
z
−
a
i
i
)
x
i
=
∑
j
≠
i
a
i
j
x
j
(z-a_{ii})x_i=\sum_{j\neq i}a_{ij}x_j
(z−aii)xi=j=i∑aijxj
如果
x
i
x_i
xi 是向量
x
x
x 中绝对值最大的元素
∣
z
−
a
i
i
∣
∣
x
i
∣
≤
∑
j
≠
i
∣
a
i
j
∣
∣
x
i
∣
⇒
∣
z
−
a
i
i
∣
≤
∑
j
≠
i
∣
a
i
j
∣
|z-a_{ii}||x_i|\leq\sum_{j\neq i}|a_{ij}||x_i|\\ \Rightarrow|z-a_{ii}|\leq\sum_{j\neq i}|a_{ij}|
∣z−aii∣∣xi∣≤j=i∑∣aij∣∣xi∣⇒∣z−aii∣≤j=i∑∣aij∣
这说明特征值位于某个以
a
i
i
a_{ii}
aii 为圆心
∑
j
≠
i
∣
a
i
j
∣
\sum_{j\neq i}|a_{ij}|
∑j=i∣aij∣ 为半径的圆内。
设
V
s
V_s
Vs 是
n
×
s
n \times s
n×s 矩阵,其元素为 i.i.d.
N
(
0
,
1
)
N(0, 1)
N(0,1) 随机变量。令
M
s
=
(
1
/
s
)
V
V
T
M_s=(1/s)VV^T
Ms=(1/s)VVT.
假设
s
s
s 足够大,
s
>
n
s>n
s>n。 设
O
s
1
O_s^1
Os1 是
s
×
s
s \times s
s×s 正交阵,它的第一列是
V
s
V_s
Vs 第一行归一化的结果,其它各列与
V
s
V_s
Vs 第一行正交。
V
s
1
=
V
s
O
s
1
V_s^1=V_sO_s^1
Vs1=VsOs1 的第一行为
(
X
s
,
0
,
⋯
,
0
)
(X_s, 0,\cdots,0)
(Xs,0,⋯,0),
X
s
2
X_s^2
Xs2 是
χ
2
(
s
)
\chi^2(s)
χ2(s) 的变量。其它各行仍为 i.i.d.
N
(
0
,
1
)
N(0, 1)
N(0,1) 随机变量。
设
O
n
1
O_n^1
On1 是
n
×
n
n \times n
n×n 正交阵,具有以下形式
(
1
0
⋯
0
0
⋮
O
n
−
1
1
0
)
\begin{pmatrix}1& 0&\cdots&0\\ 0 &&&\\ \vdots&&O_{n-1}^1\\ 0&\end{pmatrix}
⎝⎜⎜⎜⎛10⋮00⋯On−110⎠⎟⎟⎟⎞
O
n
−
1
1
O_{n-1}^1
On−11 的第一行是
{
V
s
1
}
j
1
,
j
=
2
:
n
\{V_s^1\}_{j1},j=2:n
{Vs1}j1,j=2:n 所构成的向量(
V
s
1
V_s^1
Vs1 的第一列除
X
s
X_s
Xs 外)归一化,
O
n
−
1
1
O_{n-1}^1
On−11 的其它行与
V
s
1
V_s^1
Vs1相互独立。
O
n
1
V
s
1
=
(
X
s
0
⋯
0
Y
n
−
1
0
⋮
W
n
−
1
,
s
−
1
0
)
O_n^1V_s^1=\begin{pmatrix}X_s& 0&\cdots&0\\ Y_{n-1} &&&\\0&\\ \vdots&&W_{n-1,s-1}\\ 0&\end{pmatrix}
On1Vs1=⎝⎜⎜⎜⎜⎜⎛XsYn−10⋮00⋯Wn−1,s−10⎠⎟⎟⎟⎟⎟⎞
设
O
s
2
O_s^2
Os2 具有形式:
(
1
0
⋯
0
0
⋮
O
s
−
1
2
0
)
\begin{pmatrix}1& 0&\cdots&0\\ 0 &&&\\ \vdots&&O_{s-1}^2\\ 0&\end{pmatrix}
⎝⎜⎜⎜⎛10⋮00⋯Os−120⎠⎟⎟⎟⎞
O
s
−
1
2
O_{s-1}^2
Os−12 的设计思路同
O
s
1
O_s^1
Os1 第一行正交。设计
O
n
−
1
2
O_{n-1}^2
On−12。
继续这个过程得到
(
X
s
0
0
⋯
0
⋯
0
Y
n
−
1
X
s
−
1
0
⋯
0
⋯
0
0
Y
n
−
2
X
s
−
2
⋯
0
⋯
0
⋮
⋮
⋮
⋮
⋮
⋮
⋮
0
0
⋯
Y
1
X
s
−
n
+
1
⋯
0
)
\begin{pmatrix}X_s& 0&0&\cdots&0&\cdots&0\\ Y_{n-1} &X_{s-1}&0&\cdots&0&\cdots&0\\ 0&Y_{n-2} &X_{s-2}&\cdots&0&\cdots&0\\ \vdots&\vdots&\vdots&\vdots&\vdots&\vdots&\vdots&&\\ 0&0&\cdots&Y_1&X_{s-n+1}&\cdots&0\end{pmatrix}
⎝⎜⎜⎜⎜⎜⎛XsYn−10⋮00Xs−1Yn−2⋮000Xs−2⋮⋯⋯⋯⋯⋮Y1000⋮Xs−n+1⋯⋯⋯⋮⋯000⋮0⎠⎟⎟⎟⎟⎟⎞
M
s
=
(
1
/
s
)
V
V
T
M_s=(1/s)VV^T
Ms=(1/s)VVT 的第一行
1
s
(
X
s
2
,
X
s
Y
n
−
1
,
0
,
⋯
,
0
)
{1\over s}(X_s^2, X_sY_{n-1},0,\cdots,0)
s1(Xs2,XsYn−1,0,⋯,0)
最后一行
1
s
(
0
,
⋯
,
0
,
X
s
−
n
+
2
Y
1
,
X
s
−
n
+
1
2
+
Y
1
2
)
{1\over s}(0,\cdots,0,X_{s-n+2}Y_1, X_{s-n+1}^2+Y_1^2)
s1(0,⋯,0,Xs−n+2Y1,Xs−n+12+Y12)
其它各行 (第
j
j
j 行) 的非零元素
1
s
(
X
s
−
j
+
1
Y
n
−
j
,
X
s
−
j
2
+
Y
n
−
j
2
,
X
s
−
j
Y
n
−
j
+
1
)
{1\over s}(X_{s-j+1}Y_{n-j}, X_{s-j}^2+Y_{n-j}^2,X_{s-j}Y_{n-j+1})
s1(Xs−j+1Yn−j,Xs−j2+Yn−j2,Xs−jYn−j+1)
λ
min
≥
min
1
s
[
X
s
2
−
X
s
Y
n
−
1
,
X
s
−
n
+
1
2
+
Y
1
2
−
X
s
−
n
+
2
Y
1
,
(
X
s
−
j
2
+
Y
n
−
j
2
−
X
s
−
j
+
1
Y
n
−
j
−
X
s
−
j
Y
n
−
j
+
1
)
]
\lambda_{\min}\ge \min{1\over s}[X_s^2-X_sY_{n-1} , X_{s-n+1}^2+Y_1^2-X_{s-n+2}Y_1, \\(X_{s-j}^2+Y_{n-j}^2-X_{s-j+1}Y_{n-j}-X_{s-j}Y_{n-j+1})]
λmin≥mins1[Xs2−XsYn−1,Xs−n+12+Y12−Xs−n+2Y1,(Xs−j2+Yn−j2−Xs−j+1Yn−j−Xs−jYn−j+1)]
【3】中关于
det
(
I
n
R
+
(
ρ
/
n
T
)
H
H
†
)
\det(I_{n_R}+(\rho/n_T)HH^\dagger)
det(InR+(ρ/nT)HH†) 的近似。
根据前面的讨论
I
n
R
+
(
ρ
/
n
T
)
H
H
†
I_{n_R}+(\rho/n_T)HH^\dagger
InR+(ρ/nT)HH† 具有以下的形式
(
1
+
X
s
2
X
s
Y
n
−
1
0
0
⋯
0
X
s
Y
n
−
1
1
+
X
s
−
1
2
+
Y
n
−
1
2
X
s
−
1
Y
n
0
⋯
0
0
X
s
−
1
Y
n
−
2
1
+
X
s
−
2
2
+
Y
n
−
2
2
0
⋯
0
⋮
⋮
⋮
⋮
⋮
⋮
0
0
⋯
X
s
−
n
+
2
Y
1
1
+
X
s
−
n
+
1
2
+
Y
1
2
⋯
)
\begin{pmatrix}1+X_s^2& X_sY_{n-1}& 0&0&\cdots&0\\ X_sY_{n-1}&1+X_{s-1}^2+Y_{n-1}^2 &X_{s-1}Y_{n}&0&\cdots&0\\ 0&X_{s-1}Y_{n-2} &1+X_{s-2}^2+Y_{n-2}^2&0&\cdots&0\\ \vdots&\vdots&\vdots&\vdots&\vdots&\vdots&&\\ 0&0&\cdots&X_{s-n+2}Y_1&1+X_{s-n+1}^2+Y_1^2&\cdots\end{pmatrix}
⎝⎜⎜⎜⎜⎜⎛1+Xs2XsYn−10⋮0XsYn−11+Xs−12+Yn−12Xs−1Yn−2⋮00Xs−1Yn1+Xs−22+Yn−22⋮⋯000⋮Xs−n+2Y1⋯⋯⋯⋮1+Xs−n+12+Y12000⋮⋯⎠⎟⎟⎟⎟⎟⎞
主对角线上的乘积分为两部分
L
+
Q
L+Q
L+Q:
L
=
∏
i
=
s
−
n
+
1
s
(
1
+
X
i
2
)
L=\prod_{i=s-n+1}^s (1+X_i^2)
L=i=s−n+1∏s(1+Xi2)
Q
Q
Q 是其它部分。
Q
Q
Q里的正数项足以抵消在计算
det
\det
det 时的负数项,例如左上角
2
×
2
2\times 2
2×2 部分
(
1
+
X
s
2
)
Y
n
−
1
−
X
s
Y
n
−
1
X
s
Y
n
−
1
>
0
(1+X_s^2)Y_{n-1}-X_sY_{n-1}X_sY_{n-1}>0
(1+Xs2)Yn−1−XsYn−1XsYn−1>0
因此对于复数高斯矩阵
H
H
H
det
(
I
n
R
+
(
ρ
/
n
T
)
H
H
†
)
≥
∏
k
=
n
T
−
(
n
R
−
1
)
n
T
(
1
+
(
ρ
/
n
T
)
X
2
k
2
)
\det(I_{n_R}+(\rho/n_T)HH^\dagger)\ge \prod_{k=n_T-(n_R-1)}^{n_T} \left(1+(\rho/n_T)X_{2k}^2\right)
det(InR+(ρ/nT)HH†)≥k=nT−(nR−1)∏nT(1+(ρ/nT)X2k2)