Capacity 论文阅读笔记5之Communication on the Grassmann manifold

​
[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
$$C_{\text{coherent}}\left(\text{SNR}\right)\ge K{\log }_2\frac{\text{SNR}}{M}+\sum _{i=K^{\prime }-K+1}^{K^{\prime }}E\left[{\log }_2{\chi }_{2i}^2\right]$$

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$\hat{\text{s}}$gorin’s theorem [Ger$\hat{\text{s}}$gorin (1931)]: Each eigenvalue of an $n\times n$ complex matrix $A=(a_{ij})$ lies in at least one of the disks
$$|z-a_{jj}|\le \sum _{i\ne j}|a_{ij}|,j=1,2,\cdots ,n,$$
in the complex plane.
$$Ax=zx\Rightarrow \sum _{j=1}^n{a}_{ij}{x}_j=z{x}_i,i=1,\cdots ,n$$
$$(z-a_{ii})x_i=\sum _{j\ne i}{a}_{ij}{x}_j$$
如果 $x_i$ 是向量 $x$ 中绝对值最大的元素
$$\begin{gathered} |z-a_{ii}||x_i|\le \sum _{j\ne i}|a_{ij}||x_i| \\ \Rightarrow |z-a_{ii}|\le \sum _{j\ne i}|a_{ij}| \end{gathered}$$
这说明特征值位于某个以 $a_{ii}$ 为圆心 ${\sum }_{j\ne i}|a_{ij}|$ 为半径的圆内。

设 $V_s$ 是 $n\times s$ 矩阵，其元素为 i.i.d. $N(0,1)$ 随机变量。令 $M_s=(1/s)V{V}^T$.
假设 $s$ 足够大， $s>n$。 设 $O_s^1$ 是 $s\times s$ 正交阵，它的第一列是 $V_s$ 第一行归一化的结果，其它各列与 $V_s$ 第一行正交。$V_s^1=V_s{O}_s^1$ 的第一行为 $(X_s,0,\cdots ,0)$, $X_s^2$ 是 ${\chi }^2(s)$ 的变量。其它各行仍为 i.i.d. $N(0,1)$ 随机变量。
设 $O_n^1$ 是 $n\times n$ 正交阵，具有以下形式
$$\left(\begin{array}{cccc}1& 0& \cdots & 0\\ 0& & & \\ ⋮& & O_{n-1}^1& \\ 0& & & \end{array}\right)$$
$O_{n-1}^1$ 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（$V_s^1$ 的第一列除 $X_s$ 外）归一化，$O_{n-1}^1$ 的其它行与$V_s^1$相互独立。
$$O_n^1{V}_s^1=\left(\begin{array}{cccc}{X}_s& 0& \cdots & 0\\ Y_{n-1}& & & \\ 0& & & \\ ⋮& & W_{n-1,s-1}& \\ 0& & & \end{array}\right)$$
设 $O_s^2$ 具有形式：
$$\left(\begin{array}{cccc}1& 0& \cdots & 0\\ 0& & & \\ ⋮& & O_{s-1}^2& \\ 0& & & \end{array}\right)$$
$O_{s-1}^2$ 的设计思路同 $O_s^1$ 第一行正交。设计$O_{n-1}^2$。
继续这个过程得到
$$\left(\begin{array}{ccccccccc}{X}_s& 0& 0& \cdots & 0& \cdots & 0& & \\ Y_{n-1}& X_{s-1}& 0& \cdots & 0& \cdots & 0& & \\ 0& Y_{n-2}& X_{s-2}& \cdots & 0& \cdots & 0& & \\ ⋮& ⋮& ⋮& ⋮& ⋮& ⋮& ⋮& & \\ 0& 0& \cdots & Y_1& X_{s-n+1}& \cdots & 0& & \end{array}\right)$$
$M_s=(1/s)V{V}^T$ 的第一行
$$\frac{1}{s}(X_s^2,X_s{Y}_{n-1},0,\cdots ,0)$$
最后一行
$$\frac{1}{s}(0,\cdots ,0，X_{s-n+2}{Y}_1,X_{s-n+1}^2+Y_1^2)$$
其它各行 (第 $j$ 行) 的非零元素
$$\frac{1}{s}(X_{s-j+1}{Y}_{n-j},X_{s-j}^2+Y_{n-j}^2,X_{s-j}{Y}_{n-j+1})$$
​
$$\begin{gathered} {\lambda }_{\min }\ge \min \frac{1}{s}[X_s^2-X_s{Y}_{n-1},X_{s-n+1}^2+Y_1^2-X_{s-n+2}{Y}_1, \\ (X_{s-j}^2+Y_{n-j}^2-X_{s-j+1}{Y}_{n-j}-X_{s-j}{Y}_{n-j+1})] \end{gathered}$$
【3】中关于 $\det (I_{n_R}+(\rho /n_T)H{H}^{†})$ 的近似。

根据前面的讨论 $I_{n_R}+(\rho /n_T)H{H}^{†}$ 具有以下的形式
$$\left(\begin{array}{cccccccc}1+X_s^2& X_s{Y}_{n-1}& 0& 0& \cdots & 0& & \\ X_s{Y}_{n-1}& 1+X_{s-1}^2+Y_{n-1}^2& X_{s-1}{Y}_n& 0& \cdots & 0& & \\ 0& X_{s-1}{Y}_{n-2}& 1+X_{s-2}^2+Y_{n-2}^2& 0& \cdots & 0& & \\ ⋮& ⋮& ⋮& ⋮& ⋮& ⋮& & \\ 0& 0& \cdots & X_{s-n+2}{Y}_1& 1+X_{s-n+1}^2+Y_1^2& \cdots & & \end{array}\right)$$
主对角线上的乘积分为两部分 $L+Q$：
$$L=\prod _{i=s-n+1}^s(1+X_i^2)$$
$Q$ 是其它部分。$Q$里的正数项足以抵消在计算 $\det$ 时的负数项，例如左上角 $2\times 2$ 部分
$$(1+X_s^2)Y_{n-1}-X_s{Y}_{n-1}{X}_s{Y}_{n-1}>0$$
因此对于复数高斯矩阵 $H$
$$\det (I_{n_R}+(\rho /n_T)H{H}^{†})\ge \prod _{k=n_T-(n_R-1)}^{n_T}\left(1+(\rho /n_T)X_{2k}^2\right)$$