💥1 概述

摘要 60 GHz频段的毫米波（mmWave）通信需要在发送和接收端都使用大型天线阵列来实现波束成形增益，以抵消高路径损耗。由于在这些频率下存在硬件约束，完全数字化的技术在大型天线阵列上是不可行的，而纯模拟解决方案则存在严重的性能限制。混合模拟/数字波束成形是一种有前途的解决方案，特别是在扩展到多用户场景时。本文提出了三个主要贡献：（i）提出了基于卡尔曼的混合模拟/数字预编码在多用户环境中的公式化，（ii）制定了传输数据和估计数据之间误差的分析表达式，以便基站（BS）上的卡尔曼算法不需要移动站（MSs）上估计数据的信息，而是仅依赖于预编码/合并矩阵，（iii）设计了一个迭代解决方案，用于成本可承受的复杂度的混合预编码方案。仿真结果证实了所提方法在误码率和频谱效率方面的显着改进-在20 dB时几乎达到了7 bps/Hz，在具有10个信道路径的情况下，相对于仅模拟波束成形，以及在相同条件下几乎达到了1 bps/Hz相对于混合最小均方误差（MMSE）预编码。

索引词条 混合波束成形，卡尔曼滤波器，毫米波，大规模MIMO

I. 引言 毫米波（mmWave）频段通信是解决未来5G系统中频谱短缺的关键技术[1]–[7]。由于亚6GHz频段中可用频谱有限，传统的蜂窝和基于WiFi的解决方案无法扩展以满足不断增长的网络密集化数据需求，以及与数据中心和移动设备相关的新兴应用。虽然已经提出了利用有牌照频谱的机会性基础的创新解决方案[8]，但这些方法仍然经常受到干扰，并且受限于有牌照频段中可用的信道带宽，例如电视频段。最近在57-71GHz范围内开放的无牌照频谱连续块中的毫米波（mmWave）频段通信是实现每秒千兆位数据速率的机会[9]。事实上，像IEEE 802.11ad这样的现有标准在这些频段上运行，允许用于短距离通信的高达2GHz宽的信道。

编辑

• MmWave挑战：由于毫米波频段的高路径损耗特性，需要利用基站（BS）和移动站（MSs）上的大型天线阵列进行定向波束成形[10]–[13]。这使得可以实现高质量和远距离通信链路，并增加了集中在接收端的信号功率。高频率的操作也从设计的角度支持大规模多天线架构，同时减小了每个天线的尺寸，并允许将许多天线打包在一个小区域内。详细文章见第4部分。

一、研究背景与意义

随着5G及未来6G通信技术的快速发展，无线通信系统对传输速率、频谱效率和连接密度的需求日益增长。毫米波（mmWave）频段（30-300GHz）凭借丰富的频谱资源，能够提供数十Gbps的传输速率，成为满足高频谱效率需求的关键技术之一。大规模MIMO（Multiple-Input Multiple-Output）技术通过在基站部署数百根天线，可显著提升空间复用增益和阵列增益，进一步增强系统性能。将毫米波与大规模MIMO结合的多用户毫米波大规模MIMO系统，能够在有限的时频资源下支持多用户并行传输，是未来移动通信的核心技术方向。

然而，该系统面临两大核心挑战：

2. 毫米波频段特性：电磁波传播损耗大、绕射能力弱，易受遮挡影响，信道呈现稀疏特性且动态变化快。
4. 大规模MIMO系统硬件限制：全数字预编码需要与天线数量相同的射频链路，导致硬件成本和功耗急剧增加。

混合预编码技术通过将预编码分为数字域和模拟域两部分实现，可大幅减少射频链路数量，在兼顾性能的同时降低硬件复杂度，成为解决上述问题的有效方案。传统混合预编码设计多基于静态信道假设，忽略了信道的时变特性，在高速移动场景下性能损失严重。卡尔曼滤波作为一种高效的递归估计算法，能够利用历史数据和当前观测值实时跟踪动态信道变化，为混合预编码的动态优化提供可靠的信道状态信息（CSI）。

二、研究内容

2. 混合预编码技术基本原理 混合预编码技术结合了模拟预编码和数字预编码的优势，通过少量的射频链和大量的天线实现高效的信号传输和接收。 模拟预编码主要负责在射频域进行信号处理，通过移相器等硬件实现信号的相位调整，实现波束成形。 数字预编码则在基带处理信号，通过数字信号处理器进行复杂的信号处理，如信道编码、调制等。
4. 毫米波大规模MIMO系统关键技术 信道建模：毫米波信道具有稀疏性和动态变化快的特点，需要建立准确的信道模型以描述信道的特性。 信号检测：由于毫米波信号传播损耗大，接收端信号强度弱，需要采用高效的信号检测算法以恢复原始信号。 资源分配：在多用户场景下，需要合理分配时频资源、功率资源等，以实现系统性能的最优。
6. 卡尔曼滤波器在信道状态信息估计中的应用 卡尔曼滤波器是一种高效的递归滤波器，能够从一系列包含噪声的测量中估计动态系统的状态。 在无线通信系统中，卡尔曼滤波器可用于实时跟踪信道状态信息的变化，提高信道估计的准确性。 通过卡尔曼滤波器对信道状态信息进行估计和预测，可以为混合预编码提供可靠的CSI支持。
8. 混合预编码算法设计 模拟预编码设计：根据信道状态信息设计模拟预编码矩阵，实现信号的初步定向传输。 数字预编码设计：在模拟预编码的基础上，进一步设计数字预编码矩阵，实现信号的精确传输和干扰抑制。 协同设计：考虑模拟预编码和数字预编码之间的相互影响，进行协同设计以实现系统性能的最优。
10. 系统性能评估 误码率（BER）：评估系统在不同信噪比下的误码率性能，反映系统的可靠性。 频谱效率：评估系统在不同信噪比下的频谱效率性能，反映系统的传输能力。 仿真分析：通过仿真实验验证所提算法的性能优势，并与传统算法进行对比分析。

三、研究方法

2. 理论分析 对混合预编码技术的基本原理进行深入分析，建立数学模型描述其工作原理。 研究卡尔曼滤波器在信道状态信息估计中的应用原理和方法。 分析混合预编码算法的设计思路和实现方法。
4. 算法设计 提出基于卡尔曼的混合模拟/数字预编码在多用户环境中的公式化表达。 制定传输数据和估计数据之间误差的分析表达式，以便基站（BS）上的卡尔曼算法不需要移动站（MSs）上估计数据的信息，而是仅依赖于预编码/合并矩阵。 设计迭代解决方案用于成本可承受的复杂度的混合预编码方案。
6. 仿真验证 搭建多用户毫米波大规模MIMO系统仿真平台。 在仿真平台上实现所提算法并进行性能评估。 与传统算法进行对比分析以验证所提算法的性能优势。

四、研究成果

2. 算法性能提升 仿真结果证实了所提方法在误码率和频谱效率方面的显著改进。例如，在20 dB时几乎达到了7 bps/Hz的频谱效率，在具有10个信道路径的情况下相对于仅模拟波束成形有显著提升。 在相同条件下几乎达到了1 bps/Hz相对于混合最小均方误差（MMSE）预编码的性能提升。
4. 代码实现与案例数据 提供了一套完整的Matlab代码实现所提算法，代码具有参数化编程的特点，用户可以根据需要方便地更改参数。 代码中的注释详尽，有助于读者理解编程思路和算法细节。 附带了案例数据集，包含不同信道环境下的信道矩阵、用户信号等，用户可以利用这些数据测试自己的预编码算法，并与其他算法进行比较分析。

五、研究展望

2. 降低复杂度：未来的研究将致力于降低混合预编码技术的复杂度，以便在实时无线通信系统中实现更高效的信号处理。
4. 提高可靠性：为了提高系统的可靠性，需要进一步研究如何准确估计信道状态信息、优化射频链和数字预编码器的权重等关键问题。
6. 适应不同应用场景：不同的应用场景对无线通信系统的要求不同。未来的研究将关注如何使混合预编码技术适应不同的应用场景，如室内、室外、移动和固定等场景。
8. 联合优化：未来的研究还将关注如何将混合预编码技术与其他关键技术（如波束成形、干扰对齐等）进行联合优化，以进一步提高系统的性能。

📚2 运行结果

编辑

编辑

部分代码：

Num_users=4; % Number of users TX_ant=64; %Number of UPA TX antennas TX_ant_w=sqrt(TX_ant); % width TX_ant_h=sqrt(TX_ant); % hieght  ind_TX_w=reshape(repmat([0:1:TX_ant_w-1],TX_ant_h,1),1,TX_ant_w*TX_ant_h); ind_TX_h=repmat([0:1:TX_ant_h-1],1,TX_ant_w);

RX_ant=4; %Number of UPA RX antennas RX_ant_w=sqrt(RX_ant); % width  RX_ant_h=sqrt(RX_ant); % hieght ind_RX_w=reshape(repmat([0:1:RX_ant_w-1],RX_ant_h,1),1,RX_ant_w*RX_ant_h); ind_RX_h=repmat([0:1:RX_ant_h-1],1,RX_ant_w);

% ----------------------------- Channel Parameters ------------------------ Num_paths=10; %Number of channel paths

% ----------------------------- Simulation Parameters --------------------- SNR_dB_range=-10:5:20;  % SNR in dB Rate_SU=zeros(1,length(SNR_dB_range)); % Will carry the single-user MIMO rate (without interference) Rate_BS=zeros(1,length(SNR_dB_range));% Will carry the rate with analog-only beamsteering Rate_HP=zeros(1,length(SNR_dB_range)); % Will carry the rate of hybrid ZF precoding  Rate_HP_MSE=zeros(1,length(SNR_dB_range)); % Will carry the rate of the hybrid MMSE precoder Rate_HP_Kalman=zeros(1,length(SNR_dB_range)); % Will carry the rate of the proposed hybrid Kalman precoder Rate_HP_FD_ZF=zeros(1,length(SNR_dB_range)); % Will carry the rate of the fully digital hybrid ZF precoding Rate_HP_FD_MSE=zeros(1,length(SNR_dB_range)); % Will carry the rate of the fully digital hybrid MMSE precoding

ITER=500; % Number of iterations      % --------------- Simulation starts --------------------------------------- for iter=1:1:ITER     % Generate user channels      [H,a_TX,a_RX]=generate_channels(Num_users,TX_ant_w,TX_ant_h,RX_ant_w,RX_ant_h,Num_paths);      % H is a 3-dimensional matrix, with Num_users,RX_ant,TX_ant dimensions

            % Stage 1 of the proposed algorithm (Analog precoding)     Frf=zeros(TX_ant,Num_users); % BS RF precoders      Wrf=zeros(RX_ant,Num_users); % MS RF precoders           for u=1:1:Num_users         Frf(:,u)=a_TX(:,u);         Wrf(:,u)=a_RX(:,u);     end                % Constructin the effective channels     for u=1:1:Num_users         Channel=zeros(RX_ant,TX_ant);         Channel(:,:)= H(u,:,:);         He(u,:)=Wrf(:,u)'*Channel*Frf ;    % Effective channels     end          % effective channel for fully digital precoding

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

Anna Vizziello, Pietro Savazzi, Kaushik R. Chowdhury (2018) .

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删