鏈接: https://github.com/TianLin0509/Hybrid-Beamforming-for-Millimeter-Wave-Systems-Using-the-MMSE-Criterion.
Hybrid Beamforming for Millimeter Wave Systems Using the MMSE Criterion
Author : 林田
摘要:
- 首先提出了 ** manifold optimization-based HBF ** algorithm is first proposed, which is directly handled the constant modulus constrains of the analog component and proved its convergence.
- For narrowband scenario, propose a low-complexity general eigenvalue decomposition-based HBF algorithm
- For broadband scenario, propose three algorithms via the eigenvalue decomposition and orthogonal matching pursuit (正交匹配追蹤)
Contributions
- aiming at minimizing the modified MSE .
在寬帶場景下,挑戰是 數字預編碼 should be optimized for == different subcarriers == while the ** analog one ** is == invariant== for the whole frequency band. (數字需要根據不同的子載波設計,而模擬在整個頻帶中是保持不變的)。
- 分解原始的 sum-MSE 最小化問題爲 傳輸混合預編碼 和接受合併設計兩個子問題,分析發現兩個子問題可以統一爲幾乎相同的表達式。
- 首先針對模擬預編碼的常量模約束,採用MO方法。 不同於論文[18] X. Yu, J.-C. Shen, J. Zhang, and K. B. Letaief, 「Alternating minimization algorithms for hybrid precoding in millimeter wave MIMO systems,」中採用的MO方法最小化混合預編碼與全數字預編碼之間的Euclidean 距離,本文采用MO直接最小化 sum-MSE。並且推出了更加複雜的Euclidean 共軛梯度。
- 爲了降低MO算法的複雜度,提出了幾個低複雜度的算法,在窄帶場景,展現了模擬波束成形可以以 列到列的優化方式採用GEVD(general eigen-decomposition) 方法求解。
- 在寬帶場景下,求出了原始目標函數的上界與下界,提出了兩種基於eigen-decomposition (EVD)的算法。
場景建模
端到端的窄帶毫米波MIMO場景:
通過Nt個發送天線以及Nr個接收天線對Ns個數據流進行傳輸。Ns X 1 的數據流首先經過基帶數字預編碼然後通過模擬預編碼VRF。
problem Formulation
本文采用最小化MSE作爲優化目標:
這個MSE也被稱爲 ** modified MSE** ,其中
β爲標量因子,與混合預編碼一起優化,物理意義上是將接收到的信號放大/縮小一定的幅度, 使之更接近於原始信號。。 那麼爲什麼要引入
β這個因子呢?
- 第一, 在傳統的MIMO波束成形研究中, 在設計預編碼矩陣的時候, 如果以原始的MSE(無
β)爲目標, 會發現預編碼矩陣的設計與噪聲能量無關! 這其實不符合MSE的初衷。 而如果引入ββ, 預編碼矩陣的解就與噪聲能量相關, 也因此可以達到更合理的性能。
- 第二, 從數學意義上而言, 混合波束成形問題中,需要求解四個矩陣,愈發複雜。 而以傳統MSE爲目標求解的時候, 考慮發送的功率約束, 需要引入拉格朗日乘子, 這個乘子非常難求,且影響後續對其他矩陣的設計。 而引入
β後, 後面的推導會證明大大簡化了數學求解難度。
- 第三, 引入
β後, 可以使得 固定接收端解發送端 和 固定發送端解接收端 兩個子問題可以化爲完全一致的形式, 也就可以用同樣的算法來求解了。
- (以上分析轉載於作者,鏈接:
https://blog.csdn.net/weixin_39274659/article/details/108208409).
在研究點到點的傳輸系統中,接收端也會有波束賦形的操作,因此scaling也可以視爲在接收端完成。通過調整這個參數
β以獲得更好的結果,同時能調整總傳輸能量約束。
求解MSE:
可以發現在噪聲項中也有參數
β。
同時模擬預編碼端需要滿足 每一個元素都要爲連續模約束:
∣[VRF]ik∣=1
問題求解
原式中存在五個變量,因此考慮分解爲兩個子問題。
混合傳輸設計
首先考慮優化混合預編碼以及
β參數。原始
VB可以分解爲
VB=βVu,其中
VU是一個沒有歸一化的基帶預編碼。固定了W後,可以得到等效信道
H1=HHWRFWB。
- 優化算法首先固定
VRF找到最優的數字預編碼
VU,以及
β,然後更新目標函數爲
VRF,最終進一步通過最小化目標函數以及連續模約束優化
VRF。
可以發現第一個約束的等號一定成立,因此可以計算處
β=(VRFVUVVHVRFH)−1/2
利用KKT條件,即將
β帶入到目標函數中求導即可計算
VU的封閉式解。帶回原式推導得到基於
VRF的MSE表達式
流行算法
求導過程
MO方法:爲了能夠處理連續模約束,Mo方法可以用於獲得局部最優
VRF.。
流行優化也叫黎曼優化。
- 本質上是一種梯度下降法, 然而基本的梯度下降法是在整個歐式空間中進行下降, 因此無法保證下降後的解仍滿足 恆模約束, 所以無法直接用於求解
VRF 。
- 而流形優化, 則是首先將滿足恆模約束的所有可行解表示爲一個流形, 其後每步迭代後都將解映射回這個流形之上, 也因此可以確保結果永遠滿足恆模約束。
- 最重要的是, 已經有嚴謹的數學證明了這樣的迭代過程是嚴格收斂的, 因此可以將 流形優化 理解爲 在可行集上進行下降的梯度下降法。
- 要想使用流形優化, 你需要求解目標問題的梯度, 然後就可以在這個框架下用下降法求出一個解了。
步驟4詳解:
- step1: 投影Euclidean梯度到切線空間上以獲得Riemannian梯度。
- step2: 在切線空間中沿着Riemannian梯度尋找最優點,採用Armijo-Goldstein確定步長
- 將尋找到的最優點縮回到流型中。
然而這個流形算法是基於梯度運算的,因此會產生很高的計算複雜度。
GEVD 方法
對於大尺度MIMO系統, 不同波束流的最優的模擬預編碼彼此之間是相互正交的,因此有
VRFHVRF≈NtINRF (注意順序)
所以基於
VRF的MSE可以簡化爲:
J(VRF)=tr((INS+σ2w1H1HVRFVRFHH1)−1)