MIMO khổng lồ với các kênh Fading Rician tương quan không gian

Bài viết này xem xét các hệ thống MIMO Massive đa tế bào (nhiều đầu ra đa đầu vào) trong đó các kênh
có độ mờ Rician tương quan không gian. Mô hình kênh bao gồm một đường dẫn tầm nhìn xác định (LoS)
và thành phần phi thị giác ngẫu nhiên (NLoS) mô tả một môi trường đa đường tương quan thực tế.
Chúng tôi rút ra các thuộc tính thống kê của lỗi bình phương trung bình tối thiểu (MMSE), MMSE thông
minh phần tử (EW-MMSE) và ước tính kênh bình phương nhỏ nhất (LS) cho mô hình này. Sử dụng các
ước tính này để kết hợp và tiền mã hóa tỷ lệ tối đa (MR), các biểu thức hiệu suất phổ có thể đạt được
(SE) và đường xuống (DL) nghiêm ngặt được lấy và phân tích. Hành vi SE không triệu chứng khi sử dụng
các công cụ ước tính kênh khác nhau cũng được phân tích. Kết quả bằng số cho thấy SE cao hơn khi sử
dụng công cụ ước tính MMSE so với các công cụ ước tính khác và khoảng cách hiệu suất tăng theo số
lượng ăng ten

1. Introduce

Massive MIMO (nhiều đầu ra đa đầu vào) là công nghệ chính để tăng hiệu quả quang phổ (SE) trong các
mạng di động trong tương lai, nhờ vào khả năng ghép tia và ghép kênh không gian [1]. Một trạm gốc
Massive MIMO (BS) được trang bị một số lượng lớn (ví dụ, một trăm) ăng ten có thể điều khiển riêng lẻ,
có thể được sử dụng hiệu quả để phục vụ đồng thời hàng chục thiết bị người dùng (UE) trên cùng một
nguồn tài nguyên thời gian. Dạng chính tắc của Massive MIMO hoạt động ở chế độ song công phân chia
thời gian (TDD) và có được thông tin trạng thái kênh (CSI) bằng cách sử dụng tín hiệu hoa tiêu đường lên
(UL) và tính tương hỗ kênh [2]. CSI được sử dụng cho tiền mã hóa kết hợp nhận và kết hợp đường
truyền (DL) kết hợp UL

Các SE có thể đạt được của các hệ thống MIMO khổng lồ với CSI không hoàn hảo đã được đặc trưng và
tối ưu hóa nghiêm ngặt cho các kênh mờ được mô hình hóa bằng cách không tương thích về mặt không
gian [3] hoặc tương quan không gian [2], [4]. Giao tiếp với sự lan truyền LoS không mờ dần (nhìn thẳng)
cũng đã được xử lý [2], [5]. Tuy nhiên, các kênh thực tế có thể bao gồm sự kết hợp của đường dẫn LoS
xác định và fading quy mô nhỏ gây ra bởi sự lan truyền đa đường, có thể được mô hình hóa bằng mô
hình fading Rician [6]

Hiệu suất của Massive MIMO với các kênh fading Rician được phân tích ít hơn nhiều so với fading
Rayleigh. Trường hợp đơn bào được nghiên cứu trong [7] - [9] với giả định các kênh fading Rician không
tương thích không gian và xử lý zeroforcing (ZF). Các biểu thức SE gần đúng cho UL và DL được cung cấp
lần lượt trong [7] và [8], [9]. Trường hợp đa tế bào đã được nghiên cứu trong [10] - [12], giả sử Rician
không tương thích mờ dần trong mỗi tế bào và Rayleigh không tương thích mờ dần trên các tế bào. Các
biểu thức SE gần đúng được lấy từ UL với ZF kết hợp [11] và trong DL với ZF [10] hoặc tiền mã hóa ZF
chính quy [12]. Lưu ý rằng đây là những tác phẩm trước xem xét CSI không hoàn hảo, là kịch bản thực tế
có liên quan, trong khi các tác phẩm trước giả định CSI hoàn hảo có thể được tìm thấy trong danh sách
tham khảo của [7] - [12].

A. Đóng góp chính

Có ba hạn chế chính của các công trình trước. Đầu tiên, fading được mô hình hóa là không tương thích,
mặc dù các kênh thực tế có mối tương quan với nhau, do số lượng hữu hạn của các cụm tán xạ [2]. Thứ
hai, các kênh liên tế bào được mô hình hóa bằng phai Ray Ray, mặc dù có thể xảy ra việc UE có đường
dẫn LoS tới nhiều BS (ví dụ: trong các công viên, triển khai smallcell dày đặc hoặc khi phục vụ máy bay
không người lái (UAV)). Sự tồn tại của một đường dẫn LoS phụ thuộc vào các yếu tố môi trường. Trong
phần mô phỏng, chúng tôi sử dụng phương pháp xác suất dựa trên mô hình 3GPP [13] để đạt được kịch
bản thực tế. Thứ ba, chỉ các biểu thức SE gần đúng được lấy ở dạng đóng trong các tác phẩm trước đó,
nó chỉ cung cấp cái nhìn sâu sắc về các chế độ hoạt động đặc biệt, chẳng hạn như có nhiều ăng ten
không có triệu chứng. Trong bài viết này, chúng tôi giải quyết những thiếu sót:

 Chúng tôi xem xét một kịch bản đa ô với các kênh fading Rician tương quan không gian giữa các
cặp BS và UE được xác định theo thống kê trong đó các cặp khác có các kênh fading Rayleigh
tương quan không gian. Trước đây, mô hình kênh này chỉ được sử dụng cho các kịch bản một ô
với CSI hoàn hảo [14], [15].
 Chúng tôi rút ra sai số bình phương trung bình tối thiểu (MMSE), MMSE (EW-MMSE) và các công
cụ ước tính kênh tối thiểu (LS) và mô tả thống kê của chúng. Sử dụng các ước tính này để kết
hợp và tiền mã hóa MR, chúng tôi tính toán các SE và DL dạng kín nghiêm ngặt và thảo luận về
cấu trúc của chúng
 Chúng tôi phân tích hành vi tiệm cận của các UL và DL SE theo Fician tương quan không gian mờ
dần khi sử dụng các công cụ ước tính khác nhau
 Chúng tôi so sánh các ước tính của UL và DL SE với MMSE, EWMMSE và LS theo số lượng, xem
xét cả Rician tương quan và không tương quan và mờ dần Ray Ray

Phiên bản hội nghị của bài viết này [16] chỉ xem xét UL và chỉ sử dụng các công cụ ước tính MMSE và LS

II. KÊNH VÀ MÔ HÌNH HỆ THỐNG

Chúng tôi xem xét một hệ thống MIMO khổng lồ với các tế bào L trong đó mỗi tế bào bao gồm một trạm
gốc (BS) với ăng ten Mj phục vụ các thiết bị sử dụng ăng ten đơn K (UE). Hệ thống hoạt động ở chế độ
TDD trong đó các đáp ứng kênh không đổi trong một khối kết hợp các mẫu c. Ngoài ra, chúng tôi giả
định rằng việc thực hiện kênh là độc lập giữa bất kỳ cặp khối kết hợp nào. Kích thước của τc được xác
định bởi tần số sóng mang và các yếu tố bên ngoài như môi trường lan truyền và độ linh động của UE
[3]. Các mẫu được sử dụng cho ba nhiệm vụ khác nhau: samplesp mẫu cho tín hiệu hoa tiêu đường lên
(UL), mẫu τu để truyền dữ liệu UL và mẫu τd cho truyền dữ liệu đường xuống (DL) trong đó τc = τp + τu +
τd. Cả hai kênh UL và DL được ước tính bằng tín hiệu hoa tiêu đường lên bằng cách khai thác tính tương
hỗ kênh trong giao thức TDD

Đáp ứng kênh giữa UE k trong ô l và BS trong ô j được ký hiệu là . Mỗi phần tử của tương
ứng với kênh lan truyền từ UE đến một trong các ăng-ten BS V Mj. Siêu ký tự của chỉ ra chỉ số BS và
chỉ số phụ xác định chỉ mục của ô và UE. Mặc dù các phản hồi kênh giống nhau trong UL và DL của khối
kết hợp, để thuận tiện cho công chứng, chúng tôi sử dụng cho kênh UL và cho kênh DL. Trong bài
báo này, chúng tôi xem xét các kênh mờ dần Rician tương quan không gian. Mỗi vectơ kênh , ∀j, l 1 ,. .
., L và ∀k 1 ,. . ., K, được mô hình hóa như là một hiện thực của phân bố Gaussian phức tạp đối xứng
tròn2
Trong đó trung bình tương ứng với thành phần LoS và là ma trận hiệp phương
sai bán xác định dương mô tả mối tương quan không gian của các thành phần không đường thẳng
(NLoS). Sự mờ dần ở quy mô nhỏ được mô tả bởi phân phối Gaussian trong khi Rlk j và h¯lk j mô hình các
hiệu ứng lan truyền vĩ mô, bao gồm pathloss, Shadowfading, và mức tăng anten và các mẫu bức xạ ở
máy phát và máy thu

Độ tăng kênh trung bình từ một trong các anten tại BS j đến UE k trong ô l được xác định bởi dấu vết
chuẩn hóa là

Tham số
 lkj cũng được gọi là hệ số fading large-scale
III. CHANNEL ESTIMATION`

Mỗi BS yêu cầu CSI để nhận xử lý. Do đó, các mẫu τp được dành riêng để thực hiện ước tính kênh dựa
trên thí điểm UL trong mỗi khối kết hợp, nhường chỗ cho các chuỗi thí điểm trực giao lẫn nhau. Các
chuỗi thí điểm này được phân bổ cho các UE khác nhau và các chuỗi tương tự được các UE sử dụng lại
trong nhiều ô. Trình tự thí điểm xác định của UE k trong ô j được ký hiệu là

Chúng tôi xác định bộ

với các chỉ số của tất cả các UE trong hệ thống sử dụng trình tự thí điểm giống như UE k trong ô j (bao

gồm cả chính UE). Tín hiệu hoa tiêu nhận được tại BS j là

Trong đó có phân phối độc lập và giống hệt nhau „0; σul 2-các phần tử, với
phương sai .

Để ước tính kênh , BS j nhân với chuỗi thí điểm UE, để có được

Tín hiệu phi công nhận được xử lý là một số liệu thống kê đủ để ước tính hli j [2]. Bây giờ
chúng tôi sẽ xem xét ba công cụ ước tính kênh khác nhau, dựa trên lượng kiến thức kênh thống kê khác
nhau. Các phân phối thống kê (vectơ trung bình và ma trận hiệp phương sai) có thể được ước tính bằng
cách sử dụng trung bình mẫu và ma trận hiệp phương sai mẫu trong thực tế [2], [17] - [20]. Lưu ý rằng
một thay đổi nhỏ ở vị trí UE có thể dẫn đến sự dịch pha đáng kể của thành phần LoS. Cụ thể hơn, nếu UE
di chuyển nửa bước sóng ra khỏi BS, pha của đáp ứng kênh thay đổi 180◦. Sự thay đổi pha này, tuy
nhiên, sẽ giống hệt nhau cho tất cả các ăng-ten BS, và do đó có thể được theo dõi chính xác trong thực
tế
 A. MMSE Channel Estimator

Dựa trên tín hiệu hoa tiêu đã nhận được xử lý trong (5), BS có thể áp dụng ước tính MMSE để có được
ước tính hli j như thể hiện trong bổ đề sau. Lưu ý rằng công cụ ước tính MMSE Bayes yêu cầu các phân
phối thống kê được biết đầy đủ.

Bổ đề 1: Ước tính MMSE của kênh từ BS j đến UE i trong ô l là

Các lỗi ước tính có ma trận hiệp phương sai

và lỗi bình phương là

Ước tính MMSE hˆ j li và lỗi ước tính h˜li j là các biến ngẫu nhiên độc lập và được phân phối dưới dạng

Lưu ý rằng ma trận hiệp phương sai lỗi ước tính Cj li không phụ thuộc vào các giá trị trung bình. Nói cách
khác, lỗi ước tính không bị ảnh hưởng bởi các thành phần LoS vì chúng được biết và có thể được trừ
khỏi các tín hiệu nhận được. Hơn nữa, các ước tính kênh của các UE trong tập Pli không độc lập, mặc dù
giả định rằng các kênh là độc lập. Điều này được gọi là ô nhiễm thí điểm và xảy ra do các UE sử dụng
trình tự thí điểm tương tự. UE „j; kio 2 Pli có ước tính kênh
và nó tương quan với hˆ j li trong (6) vì ypjli xuất hiện trong cả hai biểu thức và Ψli j = j jk. Chúng tôi sẽ
sử dụng các phân phối của ước tính kênh và lỗi ước tính trong Phần IV và V khi phân tích UL và DL SE

B. Element-wise MMSE Channel Estimator

Nếu BS không có kiến thức về toàn bộ ma trận hiệp phương sai, công cụ ước tính EW-MMSE có thể
được thực hiện như một phương án thay thế [2], [22]. Trong phương pháp này, chỉ các đường chéo của
ma trận hiệp phương sai là cần thiết và mối tương quan giữa các yếu tố được bỏ qua bởi công cụ ước
tính. Kết quả là, không có nghịch đảo ma trận và do đó độ phức tạp tính toán giảm đi rất nhiều so với
công cụ ước tính MMSE trong Bổ đề 1

Ước tính EW-MMSE của kênh từ BS j đến UE i trong ô l là

Với là ma trận đường chéo với

Các bản phân phối ước tính EW-MMSE và lỗi ước tính có mối tương quan và phân phối như

Bằng chứng: Chúng ta có thể dễ dàng nhận được kết quả mong muốn bằng cách sử dụng cùng một cách
tiếp cận như được sử dụng để lấy công cụ ước tính MMSE, nhưng ước tính từng phần tử riêng biệt chỉ
sử dụng tín hiệu thu được tại ăng ten đó và sau đó tính toán thống kê kết quả

Ngược lại với ước tính MMSE, và tương quan với trừ trong
trường hợp đặc biệt khi tất cả các ma trận hiệp phương sai đều có đường chéo.
 C. LS Channel Estimator

Nếu BS không có thông tin trước về và , công cụ ước tính LS không phải Bayes có thể được sử

dụng để có được ước tính của kênh lan truyền . Ước tính LS được định nghĩa là giá trị của giúp
giảm thiểu trong trường hợp này là

Công cụ ước tính LS và lỗi ước tính là các biến ngẫu nhiên tương quan và được phân phối dưới dạng

Bổ đề này cho thấy rằng các số liệu thống kê phức tạp hơn so với khi sử dụng các công cụ ước
tính MMSE và EW-MMSE. Ví dụ, lỗi ước tính có ý nghĩa khác không, cần phải được tính khi phân tích
hiệu suất truyền thông.
 IV. UPLINK SPECTRAL EFFICIENCY WITH MR COMBINING

Trong quá trình truyền dữ liệu, tín hiệu nhận được tại BS j là

Với là tiếng ồn phụ gia

Tín hiệu UL từ UE k trong ô l được ký hiệu là và có công suất

Thuật ngữ đầu tiên trong (18) là tín hiệu mong muốn và các thuật ngữ sau biểu thị nhiễu và
nhiễu tương ứng

BS j chọn nhận vectơ kết hợp vjk 2 CMj dựa trên CSI của nó và nhân nó với yj để tách tín hiệu
mong muốn khỏi UE k của nó khỏi nhiễu

Như trong [2, Th. 4.4], công suất UL ergodic của UE k trong ô j bị giới hạn bởi

với SINR hiệu quả

trong đó các kỳ vọng liên quan đến tất cả các nguồn ngẫu nhiên. Vì dưới công suất, nó là một SE có
thể đạt được. SINR hiệu quả có thể được tính bằng số cho bất kỳ sơ đồ kết hợp và công cụ ước tính
kênh nào. Chúng tôi sẽ chỉ ra rằng nó có thể được tính toán ở dạng đóng khi sử dụng kết hợp MR, dựa
trên mỗi ba công cụ ước tính kênh có nguồn gốc trong Phần
A. Uplink Spectral Efficiency with MMSE estimator
Nếu công cụ ước tính MMSE trong (6) được sử dụng, chúng ta sẽ có được biểu thức dạng đóng cho SE ở

(19) như trong định lý tiếp theo. Nếu MR kết hợp với được sử dụng dựa trên công cụ ước
tính MMSE, thì

và được đưa ra trong (23), ở dưới cùng của trang này.

Cắm các biểu thức này vào SINR trong (20)

tương ứng với nhiễu liên quan đến LoS, nhiễu không kết
hợp và nhiễu tương ứng.

Biểu thức đóng chặt từ SINR trong (24) cung cấp những hiểu biết quan trọng và chính xác về các hành vi
của các hệ thống MIMO Massive MIMO mờ dần. Các thuật ngữ tín hiệu trong tử số phụ thuộc vào chất
lượng ước tính và thành phần LoS

Cái trước bị giảm do nhiễm bẩn thí điểm, vì , là công suất truyền
nhân với dấu vết của ma trận hiệp phương sai của ước tính kênh trong 9

Trong mẫu số, mối quan hệ giữa các ma trận hiệp phương sai Rj jk và Rli j, và sản phẩm bên trong của
các thành phần LoS h¯ j jk và h¯li j xác định mức độ lớn của các điều khoản nhiễu. Nếu các ma trận hiệp
phương sai trải rộng các không gian con khác nhau hoặc một ma trận có giá trị riêng rất nhỏ (ví dụ, do
độ mờ ở quy mô lớn yếu), sẽ có rất ít sự can thiệp từ sự lan truyền NLoS. Tương tự, có rất ít sự can thiệp
từ sự lan truyền LoS khi h¯ j jk và h¯li j gần như trực giao

Thuật ngữ giao thoa không kết hợp ξli ul không tăng với Mj, trừ khi h¯ j jk và h¯li j là các vectơ gần như
song song. Thuật ngữ giao thoa kết hợp Γul li liên quan đến các UE gây ô nhiễm phi công, là „l; i 2 2 Pjkn
„j; kv, và nó phát triển tuyến tính với Mj. Thuật ngữ jul jk phát triển cùng với Mj và phụ thuộc vào chỉ
tiêu của UE Comp LoS compone mong muốn

Uplink Spectral Efficiency with EW-MMSE Estimator

Nếu sử dụng công cụ ước tính EW-MMSE trong (12), chúng ta sẽ có được biểu thức dạng đóng cho SE ở
(19) như trong định lý tiếp theo
Nếu MR kết hợp với vjk = hˆ j jk được sử dụng dựa trên công cụ ước tính EW-MMSE, thì

Việc cắm các biểu thức này vào SINR trong (20) sẽ cho γul jk; ew trong

Biểu thức SINR này trong Định lý 2 phức tạp hơn so với khi sử dụng công cụ ước tính MMSE, nhưng có
thể được hiểu theo cách tương tự
Uplink Spectral Efficiency with LS Estimator

Nếu sử dụng công cụ ước tính LS trong (15), chúng ta sẽ có biểu thức dạng đóng cho SE ở (19) như trong
định lý tiếp theo

Nếu MR kết hợp với được sử dụng dựa trên công cụ ước tính LS, thì

Lưu ý rằng có thể dễ dàng thu được bản sao mờ Ray Ray của (34) bằng cách đặt tất cả các vectơ trung
bình về 0. Trong trường hợp này, sự khác biệt về SE giữa các công cụ ước tính MMSE và LS / EW-MMSE
có thể khá nhỏ [2]. Tuy nhiên, tổn thất trong SE phát sinh khi sử dụng công cụ ước tính LS dưới độ mờ
của Rician có thể khá lớn tùy thuộc vào sự thống trị của các đường dẫn LoS.
Do các giá trị trung bình không được sử dụng như thông tin trước, nên các điều khoản nhiễu lớn hơn so
với khi sử dụng công cụ ước tính MMSE. Các ước tính LS của các UE gây ô nhiễm thí điểm tương đương
với hệ số tỷ lệ. So với SE với công cụ ước tính MMSE, sản phẩm bên trong của y¯pj jk và h¯li j xác định
mức độ lớn của các điều khoản nhiễu tương ứng thay vì sản phẩm bên trong của h¯ j jk và h¯li j.

Hình. 1 cho thấy tổng SE trung bình trên các vị trí UE khác nhau khi kết hợp MR khi sử dụng công cụ ước
tính MMSE hoặc LS. Để tham khảo, chúng tôi cũng cung cấp các đường cong cho fading Rayleigh với
cùng ma trận hiệp phương sai, đại diện cho trường hợp khi tất cả các thành phần LoS bị chặn nhưng độ
mờ nhạt nhỏ (ví dụ, mức tăng trung bình của kênh E {khj like2} nhỏ hơn, như sẽ trường hợp trong thực
tế). Các đường cong được tạo bằng các biểu thức dạng đóng và các điểm đánh dấu được tạo bởi mô
phỏng Monte Carlo. Thực tế là các điểm đánh dấu trùng với các đường cong xác nhận tính hợp lệ của
các kết quả phân tích của chúng tôi. Như mong đợi, SE cao hơn khi công cụ ước tính MMSE được sử
dụng, vì thành phần LoS và tương quan không gian được biết đến. Sự khác biệt về SE giữa việc sử dụng
các công cụ ước tính MMSE và LS tăng theo số lượng ăng ten. Sự khác biệt là nhỏ hơn với Rayleigh
fading vì không có thành phần LoS để tìm hiểu (sự khác biệt sẽ biến mất đối với các kênh không tương
thích không gian).