1. 项目概述全双工大规模MIMO中的自干扰抑制难题在无线通信领域频谱资源是比黄金还珍贵的硬通货。为了在有限的频谱里“榨”出更多数据工程师们想尽了办法。大规模多输入多输出Massive MIMO技术是过去十年的一个里程碑它通过在基站侧部署数十甚至数百根天线像探照灯一样将信号能量精准地“聚焦”到每个用户同时利用空间自由度抑制不同用户之间的干扰从而成倍提升网络容量和频谱效率。然而这还不够。传统的Massive MIMO系统工作在半双工模式要么基站发、用户收要么用户发、基站收同一时间只能干一件事频谱利用率理论上只有50%。全双工Full-Duplex通信的愿景极具诱惑力让基站同时、同频进行收发理论上频谱效率直接翻倍。这听起来像是通信工程师的“圣杯”但通往圣杯的道路上横亘着一座名为“自干扰”的大山。想象一下你拿着一个大喇叭对着自己的耳朵喊话喇叭的声音会完全淹没你想听到的远处细语。在基站端强大的发射信号会直接“泄漏”到紧邻的接收天线这种自干扰的强度可能比从远处手机传来的微弱上行信号强上百万倍超过110分贝。不把这座大山搬走全双工就无从谈起。传统的自干扰抑制手段比如在模拟域用电路进行对消或者依靠天线隔离、屏蔽在面对Massive MIMO这种天线阵列规模时要么硬件复杂度爆炸要么效果有限。于是人们的目光转向了Massive MIMO本身最大的优势——空间处理能力。既然能用波束成形把信号“打”向用户那能不能也“塑造”发射和接收波束的形状让发射信号的能量尽量避开接收天线从而实现空间上的自干扰抑制这个思路就是“空间自干扰抑制”它利用海量天线提供的巨大空间自由度在波束成形设计时就一并考虑对自干扰的“归零”。但问题接踵而至。当你试图同时设计发射波束对准下行用户和接收波束对准上行用户并抑制自干扰时这两个问题会强烈地耦合在一起形成一个高度非凸的优化难题。一个常见的、令人头疼的陷阱是“自归零”为了拼命压制自干扰波束成形算法可能会“用力过猛”不小心把目标用户信号的方向也一并给抑制了导致用户接收功率暴跌通信质量反而下降。此外Massive MIMO成百上千的天线意味着海量的移相器、放大器硬件成本和功耗惊人。有没有办法在保持性能的同时关掉一部分天线简化硬件呢这就是天线选择技术要解决的问题。本文要探讨的正是如何将波束成形与天线选择这两个“利器”联合起来在全双工Massive MIMO系统中打一场漂亮的攻坚战。我们不仅要实现深度的自干扰抑制还要避免自归零同时通过智能选择部分天线工作来大幅降低硬件复杂度。这其中的核心是两项关键技术一是正则化联合线性约束最小方差RJLCMV波束成形算法它像一位经验丰富的舵手通过巧妙的“正则化”技巧在抑制干扰和保护用户信号之间找到稳健的平衡点避免算法在非凸的海洋中触礁自归零。二是基于硬阈值追踪的联合分组天线选择HTP-JGAS算法它借鉴了压缩感知的思想将“选择哪些天线组”这个组合爆炸的难题转化为一个可高效求解的稀疏恢复问题从而能以极低的计算代价找到接近最优的天线子集。接下来我将为你层层拆解这个复杂系统背后的设计思路、算法原理、实操细节并分享在实际仿真和问题排查中积累的一手经验。无论你是通信专业的学生、研发工程师还是对前沿无线技术感兴趣的爱好者相信都能从中获得启发。2. 核心思路与系统模型拆解2.1 全双工大规模MIMO的系统架构与核心挑战我们考虑一个典型的全双工多用户大规模MIMO基站场景。基站配备了两个独立的天线阵列一个发射阵列Tx Array有N_T个天线单元连接M_T个射频链一个接收阵列Rx Array有N_R个天线单元连接M_R个射频链。这里M_T和M_R通常等于服务的下行用户数M_D和上行用户数M_U这是一种成本与性能的平衡点。系统同时服务M_D个单天线下行用户和M_U个单天线上行用户。信号模型清晰地揭示了挑战所在下行信号y_D H_D^H F B_T s_D ν_D目标是让F B_T模拟基带预编码将能量聚焦给H_D下行信道中的目标用户。上行接收信号y_R B_R^H [ W^H (H_U s_U H_SI^H F B_T s_D ν_R) - G_SIC s_D ]这里出现了“罪魁祸首”H_SI^H F B_T s_D即自干扰。H_SI是发射阵列到接收阵列的自干扰信道强度极大。W是接收模拟合并矩阵B_R是基带合并矩阵。G_SIC代表基带数字自干扰对消它只能在模拟域抑制了大部分自干扰后处理残留部分。核心目标是在设计模拟波束成形矩阵F发射和W接收时实现三个看似矛盾的目标最大化用户定向性让F的波束对准下行用户H_D让W的波束对准上行用户H_U。抑制多用户干扰确保F不对其他下行用户产生强旁瓣W不接收其他上行用户信号。深度抑制自干扰让W^H H_SI^H F这个等效自干扰链路尽可能接近零。将这三个目标写成一个优化问题就是最小化用户方向误差和自干扰功率的加权和。然而由于F和W以相乘形式出现在自干扰项中这个问题是非凸的。直接使用传统的零空间投影等方法求解极易陷入糟糕的局部最优解即“自归零”为了把W^H H_SI^H F压到零算法可能被迫让W或F在目标用户方向上的增益也大幅降低。2.2 硬件简化之道分组连接与天线选择直接为成百上千根天线配备全连接的射频链和模拟器件移相器、放大器成本太高。混合波束成形架构是折中方案用较少的射频链如几十个通过模拟网络连接大量天线。本文进一步引入了分组连接开关网络。想象一下不是每个射频链都能连接到所有天线而是通过一组开关每个射频链只能连接到预先定义好的几个“天线组”中的一个。例如一个64天线的阵列可以划分为16个组每组4根相邻天线。每个射频链通过开关选择连接到其中一部分组比如4个组共16根天线。不工作的组其对应的模拟器件可以断电节省功耗。天线选择就是要动态决定在当前用户分布和自干扰信道下激活哪些天线组能取得最好的性能用户增益高自干扰抑制深这本质上是一个组合优化问题。对于大规模阵列穷举搜索所有可能的子集是计算上不可行的NP难问题。我们需要更聪明的算法。2.3 算法核心思想预览面对非凸的联合波束成形问题和组合爆炸的天线选择问题本文的解决方案是“分而治之迭代优化”RJLCMV波束成形设计器给定一组选定的天线解决如何设计F和W的问题。它采用线性约束最小方差框架但加入了关键的正则化技巧。初始时用一个较大的正则化参数“软化”约束防止解剧烈变化陷入自归零然后逐步减小该数最终收敛到一个既能深度抑制干扰又保持高用户增益的解。HTP-JGAS天线选择器解决选择哪些天线组的问题。它将天线选择建模为一个块稀疏恢复问题理想的波束成形权重向量只在被选中的天线组上有非零值。然后利用压缩感知领域的硬阈值追踪算法迭代地估计最重要的天线组支撑集并调用RJLCMV来更新该支撑集下的波束成形权重。通过逐步增加稀疏性即逐步关闭更多天线组最终找到满足天线数量约束的最优子集。这两个算法交替进行类似于“期望最大化”的思想固定天线选择优化波束成形基于当前波束成形评估并更新天线选择。下面我们深入这两个算法的细节。3. 关键技术深度解析RJLCMV与HTP-JGAS3.1 RJLCMV波束成形如何避免自归零的“温柔一刀”线性约束最小方差LCMV波束成形是阵列信号处理的经典工具。其基本思想是在满足对目标方向增益为1的约束下最小化输出功率即抑制干扰和噪声。公式为min w^H R w, s.t. C^H w g。其中R是干扰加噪声协方差矩阵C是约束矩阵包含目标方向和其他需要置零的干扰方向g是约束响应向量。在全双工场景中约束变得复杂。对于第k个发射波束f_k我们不仅希望它对准第k个下行用户 (h_{D,k})还希望它能在接收端波束W处理后对自干扰信道H_SI形成零陷。这意味着约束矩阵C_{T,k}包含了用户信道和经过接收波束成形后的等效自干扰信道C_{T,k} [h_{D,k}, H_SI W]。接收端同理。这里就出现了耦合C_{T,k}依赖于W而W的设计又依赖于F。直接求解这个耦合的LCMV问题就是前文提到的“交替优化”基线方法先固定W优化F再固定F优化W如此反复。这种方法很容易陷入自归零因为初始值或迭代中的某一步如果H_SI W与某个h_{D,k}方向接近算法为了满足零陷约束会不惜牺牲该用户的增益。RJLCMV的巧妙之处在于引入了“逐渐消失的正则化”。其更新步骤以发射端为例为f_k(S) C_{T,k}(S) [ C_{T,k}(S)^H C_{T,k}(S) λ_r^2 I Δ_{T,k} ]^{-1} e_k其中S是当前选中的天线索引集。核心机制解读正则化项λ_r^2 I在迭代初期λ_r被设置为一个较大的值。这个项相当于在约束方程的解中增加了一个惩罚让解f_k的范数不会太大。在几何上它“放松”了严格的零陷约束允许在目标用户方向和自干扰零陷方向之间做一个微小的妥协从而避免了为追求完美零陷而导致的增益骤降。逐渐衰减在每次交替优化F和W后λ_r按因子ρ (ρ1)减小即λ_r λ_r / ρ。随着迭代进行正则化效应越来越弱约束被越来越严格地满足。收敛当用户方向的增益变化小于阈值ϵ时算法收敛。此时λ_r已趋近于0最终的解几乎完全满足了约束条件但由于优化路径被正则化“平滑”地引导成功避开了自归零的陷阱。参数选择经验初始λ_r通常设置为1。这个值需要足够大以在初期提供有效的平滑作用。衰减因子ρ是关键参数。ρ越接近1如1.1衰减越慢优化路径越平滑找到更好解的概率越高但迭代次数也越多。ρ较大如2则收敛快但可能陷入稍差的局部最优。论文实验表明ρ1.25是一个很好的折中在性能和复杂度之间取得了平衡。噪声正则化Δ_{T,k}代表信道估计误差、噪声等通常设为σ^2 I其中σ^2是噪声功率。它保证了算法在低信噪比或信道不确定时的鲁棒性。注意事项RJLCMV假设我们已知自干扰信道H_SI。在实际系统中这需要通过初始校准和周期性跟踪来获取。幸运的是自干扰信道中的主导成分尤其是视距路径变化缓慢因此不需要像用户信道那样频繁估计。一种实用方法是在基站初始安装时于暗室或低干扰环境下进行测量并在后续运行中利用已知的发射信号进行跟踪。3.2 HTP-JGAS天线选择将组合搜索转化为稀疏恢复当天线数量庞大时选择最优子集是一个组合爆炸问题。HTP-JGAS的核心洞见是在最优波束成形解中未被选中的天线对应的权重应为零。因此天线选择问题可以转化为寻找波束成形权重向量的一个块稀疏表示。数学模型转化 我们将优化问题重写为目标函数加上一个块稀疏约束||f_k||_{G, 2,0} G_T‘。这个ℓ_{2,0}范数不是真正的范数它统计的是向量f_k在分组G下非零块的数量。我们的目标就是找到只激活G_T‘个组即N_T‘根天线的解。硬阈值追踪算法 HTP是压缩感知中用于解决稀疏恢复问题的迭代算法。其基本步骤是梯度步计算当前解关于目标函数的梯度。硬阈值只保留梯度中幅度最大的s个元素或s个块其余置零。这相当于选出“最重要”的支撑集。最小二乘步在选出的支撑集上求解一个最小二乘问题得到新的解。HTP-JGAS的联合设计 我们将HTP思想扩展到我们的联合问题中形成了HTP-JGAS算法初始化从所有天线都激活开始s_T G_T,s_R G_R用RJLCMV计算初始波束成形F,W。迭代 a.对于每个发射/接收波束计算一个梯度指示量如f_k - C_{T,k}(C_{T,k}^H f_k - g)它反映了如果关闭某根天线对目标函数兼顾用户增益和干扰抑制的影响。 b.硬阈值选择根据梯度指示量为每个波束保留s_T或s_R个最重要的天线组。这是“块”稀疏的体现我们以组为单位进行选择。 c.波束成形更新基于新选出的天线组支撑集调用RJLCMV算法更新波束成形权重F和W。 d.稀疏度递增将目标稀疏度s_T和s_R减小δs_T和δs_R即允许关闭更多组天线。终止当s_T和s_R减少到预设的目标值G_T‘,G_R‘时算法停止。为什么有效逐步稀疏化与直接求解目标稀疏度的问题相比从全连接开始逐步关闭天线相当于在解空间中进行了一次平滑的路径追踪更容易找到高性能的解。联合优化在每次迭代中天线选择是基于当前联合波束成形 (F,W) 的效果做出的而波束成形又是在当前天线选择下优化的。这种交替迫使算法考虑Tx和Rx之间的耦合。计算高效相比粒子群优化等启发式算法需要评估大量候选解HTP-JGAS的每次迭代主要成本是运行RJLCMV而RJLCMV本身是解析解或高效迭代使得整体复杂度大幅降低。论文数据显示其速度比PSO快两个数量级以上。实操心得参数δs的选择δs是每次迭代减少的组数。δs1最精细性能最好但迭代次数多速度慢。δs增大可以加速但可能跳过一中间状态导致最终性能轻微下降。在实际部署中可以根据实时性要求和性能需求进行折中。对于准静态场景如固定无线接入可用δs1对于用户移动较快的场景可能需要增大δs以快速跟踪。4. 性能评估与结果分理论再优美也需要实验的验证。本文的评估基于一个关键的实测数据一个8x8发射阵列和8x8接收阵列的全双工测试平台在3.5GHz频段测得的真实自干扰信道。使用真实信道数据而非理想模型使得结论更具说服力。4.1 RJLCMV波束成形的性能优势首先在固定的子连接架构每个RF链连接一个1x8的均匀线性子阵列下进行测试。服务4个下行用户和4个上行用户。关键指标用户定向性损失。我们将算法得到的波束成形增益与理想的最大定向波束成形只对准用户不考虑干扰的增益进行比较。损失越小越好。对比基线HD LCMV半双工模式下的波束成形只抑制多用户干扰不处理自干扰。这是性能上限参考。交替LCMV直接交替优化Tx/Rx波束成形以抑制自干扰的基线方法。RJLCMV我们提出的方法采用不同的正则化衰减因子ρ。结果交替LCMV产生了高达51%的概率使用户增益损失超过10dB即严重的自归零。而RJLCMV (ρ1.25) 将这个概率降低到了26%改善了近50%。同时其性能非常接近HD LCMV说明在成功抑制自干扰的同时对用户定向性的牺牲很小。频谱效率在考虑基带处理、ADC量化噪声等实际因素后RJLCMV实现的全双工系统其总频谱效率可达理想半双工的1.9倍接近理论极限的2倍。而交替LCMV在高信噪比时因自归零导致性能下降简单的波束选择方法性能更差。4.2 HTP-JGAS天线选择的威力接下来测试全天线选择每个天线为一个组和分组选择。全天线选择 (N64, 选择 N‘16)对比基线固定子连接每个RF链固定连接一个4x4的子阵列。PSO天线选择使用粒子群优化进行天线选择。HTP-JGAS我们提出的方法采用不同的稀疏度增量δs。结果HTP-JGAS (δs1) 性能最佳95%的情况下用户增益损失小于0.5dB几乎完全避免了深度自归零。PSO方法虽然也避免了深度自归零但其平均增益损失更大。更重要的是速度HTP-JGAS的中位运行时间仅为PSO的1/250凸显了其计算效率。分组天线选择的折中艺术 这是降低硬件复杂度的关键。我们将64天线阵列划分为不同大小的组如1x2, 1x4, 1x8的均匀线性子阵列但始终保持总共选择16根天线。结果即使使用较大的组如1x8组每组8根天线只需选择2个组其性能也显著优于固定连接1x8子阵列的方案。这意味着通过动态的组选择即使用比天线数量少得多的开关本例中开关数减少到1/4也能获得大部分天线选择带来的性能增益。硬件复杂度和损耗因此大大降低。组形状的影响 我们还测试了不同形状的组如1x4水平线阵2x2方阵4x1垂直线阵。在用户方位角和俯仰角均匀分布时组形状影响不大。但当用户主要分布在水平方向俯仰角范围小时水平线阵表现更好。因为它能在垂直方向提供更窄的波束更好地分辨用户同时水平方向的大间距有助于抑制栅瓣。这体现了动态天线选择系统能根据用户空间分布自适应地利用空间自由度。4.3 对硬件损伤的鲁棒性实际系统中模拟移相器和增益控制器存在量化误差。我们测试了在波束成形权重上加入随机增益误差±1 dB和相位误差±5.6度的情况。结果所有算法的性能都有所下降因为深零陷能力被削弱。但RJLCMVHTP-JGAS的组合仍然显著优于其他方法。这表明算法对适度的硬件非理想性具有鲁棒性。对于更严重的误差可以通过选择稍多一些的天线元素来提供冗余以补偿性能损失。5. 实现考量、常见问题与扩展讨论5.1 实际部署中的关键步骤与参数配置信道获取用户信道通过上行探测参考信号或下行CSI-RS结合反馈来获取这是标准流程。自干扰信道这是关键。需要在系统初始化时进行专门校准。一种方法是在无用户或低干扰时段发射已知的校准信号并在接收端进行测量。由于自干扰信道变化缓慢尤其是主导的直射路径校准不需要像用户信道那样频繁更新。可以利用数字域已知的发射信号进行持续跟踪和微调。算法初始化与参数设置初始波束成形HTP-JGAS需要一个初始解。一个简单有效的选择是匹配滤波器即f_k初始化为用户信道h_{D,k}的共轭并归一化w_k同理。这为算法提供了一个以用户为中心的起点。RJLCMV参数λ_r^(0)1,ρ1.25是经过验证的稳健选择。收敛阈值ϵ可设为1e-3或1e-4。HTP-JGAS参数稀疏度增量δs可根据实时性要求选择。δs1性能最优δs4或8能显著加速。目标稀疏度G_T‘,G_R‘由硬件限制可用开关数、功耗预算和性能需求共同决定。计算复杂度与实时性RJLCMV的主要计算在于矩阵求逆复杂度与用户数M的立方和选择的天线数N‘的平方相关。对于中等规模如M8,N‘16在现代基带处理单元如FPGA或ASIC上可实现毫秒级更新满足大多数场景如每秒几十次的调度需求。HTP-JGAS的迭代次数约为(N - N‘)/δs。通过并行计算每个用户的波束成形更新以及采用更快的收敛判断如增益变化可以进一步加速。热启动在用户移动缓慢的场景上一时刻的解可以作为下一次算法运行的初始值大幅减少迭代次数。5.2 常见问题与排查思路性能不达标用户增益损失大检查自干扰信道估计质量H_SI估计误差过大会导致约束错误引发自归零或干扰抑制不足。建议增加校准信号的功率或时长或在算法中增大噪声正则化Δ来增强鲁棒性。调整RJLCMV的ρ参数如果ρ太大如2尝试减小到1.1-1.5之间让优化更平滑。检查天线选择数量N‘可能N‘设置得太小空间自由度不足。尝试逐步增加N‘观察性能是否饱和。用户角度分布过于接近如果下行和上行用户的空间角度非常接近空间分辨能力达到极限性能下降是固有的。需要考虑调度策略避免将角度相近的用户配对在全双工时隙。算法收敛慢增大δs在HTP-JGAS中增大稀疏度增量。放松收敛标准适当增大ϵ。采用更简单的初始波束成形在HTP-JGAS的早期迭代中可以用梯度下降法代替完整的RJLCMV来快速更新波束成形仅在稀疏度接近目标时再用RJLCMV精细优化。对硬件误差敏感在算法中考虑误差模型如果已知增益/相位的误差范围可以在优化问题中加入稳健性约束或在使用RJLCMV解后用一个本地搜索算法在有限的量化值中寻找最佳匹配。增加系统冗余选择比理论需求更多一些的天线 (N‘)为波束成形提供额外的自由度来补偿硬件误差。5.3 扩展与未来方向宽带与多径场景本文主要关注窄带或主导路径。对于宽带系统自干扰信道可能是频率选择性的。一个扩展方向是将RJLCMV扩展到多子带版本在每个子带上独立或联合设计波束成形并在频域施加一致性约束。与数字域联合优化本文聚焦模拟波束成形。将模拟波束成形 (F,W) 与基带预编码/合并 (B_T,B_R) 以及数字自干扰对消 (G_SIC) 进行全局联合优化有望进一步提升系统容量。动态场景与在线学习在用户快速移动或环境变化时频繁运行完整算法开销大。可以探索基于深度学习的轻量级网络根据历史信道信息或部分观测快速预测波束成形权重和天线选择策略。更灵活的硬件架构分组连接是一种折中。未来可研究可重构智能表面或动态元表面天线等更灵活的硬件它们能以更低的功耗实现类似的动态波束成形功能。全双工大规模MIMO是6G使能技术之一而联合波束成形与天线选择是将其推向实用的关键。RJLCMV与HTP-JGAS的组合提供了一条兼顾高性能、低复杂度和强鲁棒性的技术路径。从仿真到实际部署中间还有工程实现的挑战例如高速开关的插入损耗、通道间的幅相一致性校准、算法的硬件加速等。但这项研究清晰地表明通过智能的信号处理算法我们能够有效驾驭Massive MIMO提供的巨大空间自由度在抑制强自干扰的同时服务多用户让频谱效率翻倍的梦想照进现实。在实际系统设计中需要根据具体的硬件能力、场景需求和功耗约束对文中参数和架构进行细致的调整与权衡。
全双工大规模MIMO中联合波束成形与天线选择的自干扰抑制技术
发布时间：2026/5/27 23:52:21
1. 项目概述全双工大规模MIMO中的自干扰抑制难题在无线通信领域频谱资源是比黄金还珍贵的硬通货。为了在有限的频谱里“榨”出更多数据工程师们想尽了办法。大规模多输入多输出Massive MIMO技术是过去十年的一个里程碑它通过在基站侧部署数十甚至数百根天线像探照灯一样将信号能量精准地“聚焦”到每个用户同时利用空间自由度抑制不同用户之间的干扰从而成倍提升网络容量和频谱效率。然而这还不够。传统的Massive MIMO系统工作在半双工模式要么基站发、用户收要么用户发、基站收同一时间只能干一件事频谱利用率理论上只有50%。全双工Full-Duplex通信的愿景极具诱惑力让基站同时、同频进行收发理论上频谱效率直接翻倍。这听起来像是通信工程师的“圣杯”但通往圣杯的道路上横亘着一座名为“自干扰”的大山。想象一下你拿着一个大喇叭对着自己的耳朵喊话喇叭的声音会完全淹没你想听到的远处细语。在基站端强大的发射信号会直接“泄漏”到紧邻的接收天线这种自干扰的强度可能比从远处手机传来的微弱上行信号强上百万倍超过110分贝。不把这座大山搬走全双工就无从谈起。传统的自干扰抑制手段比如在模拟域用电路进行对消或者依靠天线隔离、屏蔽在面对Massive MIMO这种天线阵列规模时要么硬件复杂度爆炸要么效果有限。于是人们的目光转向了Massive MIMO本身最大的优势——空间处理能力。既然能用波束成形把信号“打”向用户那能不能也“塑造”发射和接收波束的形状让发射信号的能量尽量避开接收天线从而实现空间上的自干扰抑制这个思路就是“空间自干扰抑制”它利用海量天线提供的巨大空间自由度在波束成形设计时就一并考虑对自干扰的“归零”。但问题接踵而至。当你试图同时设计发射波束对准下行用户和接收波束对准上行用户并抑制自干扰时这两个问题会强烈地耦合在一起形成一个高度非凸的优化难题。一个常见的、令人头疼的陷阱是“自归零”为了拼命压制自干扰波束成形算法可能会“用力过猛”不小心把目标用户信号的方向也一并给抑制了导致用户接收功率暴跌通信质量反而下降。此外Massive MIMO成百上千的天线意味着海量的移相器、放大器硬件成本和功耗惊人。有没有办法在保持性能的同时关掉一部分天线简化硬件呢这就是天线选择技术要解决的问题。本文要探讨的正是如何将波束成形与天线选择这两个“利器”联合起来在全双工Massive MIMO系统中打一场漂亮的攻坚战。我们不仅要实现深度的自干扰抑制还要避免自归零同时通过智能选择部分天线工作来大幅降低硬件复杂度。这其中的核心是两项关键技术一是正则化联合线性约束最小方差RJLCMV波束成形算法它像一位经验丰富的舵手通过巧妙的“正则化”技巧在抑制干扰和保护用户信号之间找到稳健的平衡点避免算法在非凸的海洋中触礁自归零。二是基于硬阈值追踪的联合分组天线选择HTP-JGAS算法它借鉴了压缩感知的思想将“选择哪些天线组”这个组合爆炸的难题转化为一个可高效求解的稀疏恢复问题从而能以极低的计算代价找到接近最优的天线子集。接下来我将为你层层拆解这个复杂系统背后的设计思路、算法原理、实操细节并分享在实际仿真和问题排查中积累的一手经验。无论你是通信专业的学生、研发工程师还是对前沿无线技术感兴趣的爱好者相信都能从中获得启发。2. 核心思路与系统模型拆解2.1 全双工大规模MIMO的系统架构与核心挑战我们考虑一个典型的全双工多用户大规模MIMO基站场景。基站配备了两个独立的天线阵列一个发射阵列Tx Array有N_T个天线单元连接M_T个射频链一个接收阵列Rx Array有N_R个天线单元连接M_R个射频链。这里M_T和M_R通常等于服务的下行用户数M_D和上行用户数M_U这是一种成本与性能的平衡点。系统同时服务M_D个单天线下行用户和M_U个单天线上行用户。信号模型清晰地揭示了挑战所在下行信号y_D H_D^H F B_T s_D ν_D目标是让F B_T模拟基带预编码将能量聚焦给H_D下行信道中的目标用户。上行接收信号y_R B_R^H [ W^H (H_U s_U H_SI^H F B_T s_D ν_R) - G_SIC s_D ]这里出现了“罪魁祸首”H_SI^H F B_T s_D即自干扰。H_SI是发射阵列到接收阵列的自干扰信道强度极大。W是接收模拟合并矩阵B_R是基带合并矩阵。G_SIC代表基带数字自干扰对消它只能在模拟域抑制了大部分自干扰后处理残留部分。核心目标是在设计模拟波束成形矩阵F发射和W接收时实现三个看似矛盾的目标最大化用户定向性让F的波束对准下行用户H_D让W的波束对准上行用户H_U。抑制多用户干扰确保F不对其他下行用户产生强旁瓣W不接收其他上行用户信号。深度抑制自干扰让W^H H_SI^H F这个等效自干扰链路尽可能接近零。将这三个目标写成一个优化问题就是最小化用户方向误差和自干扰功率的加权和。然而由于F和W以相乘形式出现在自干扰项中这个问题是非凸的。直接使用传统的零空间投影等方法求解极易陷入糟糕的局部最优解即“自归零”为了把W^H H_SI^H F压到零算法可能被迫让W或F在目标用户方向上的增益也大幅降低。2.2 硬件简化之道分组连接与天线选择直接为成百上千根天线配备全连接的射频链和模拟器件移相器、放大器成本太高。混合波束成形架构是折中方案用较少的射频链如几十个通过模拟网络连接大量天线。本文进一步引入了分组连接开关网络。想象一下不是每个射频链都能连接到所有天线而是通过一组开关每个射频链只能连接到预先定义好的几个“天线组”中的一个。例如一个64天线的阵列可以划分为16个组每组4根相邻天线。每个射频链通过开关选择连接到其中一部分组比如4个组共16根天线。不工作的组其对应的模拟器件可以断电节省功耗。天线选择就是要动态决定在当前用户分布和自干扰信道下激活哪些天线组能取得最好的性能用户增益高自干扰抑制深这本质上是一个组合优化问题。对于大规模阵列穷举搜索所有可能的子集是计算上不可行的NP难问题。我们需要更聪明的算法。2.3 算法核心思想预览面对非凸的联合波束成形问题和组合爆炸的天线选择问题本文的解决方案是“分而治之迭代优化”RJLCMV波束成形设计器给定一组选定的天线解决如何设计F和W的问题。它采用线性约束最小方差框架但加入了关键的正则化技巧。初始时用一个较大的正则化参数“软化”约束防止解剧烈变化陷入自归零然后逐步减小该数最终收敛到一个既能深度抑制干扰又保持高用户增益的解。HTP-JGAS天线选择器解决选择哪些天线组的问题。它将天线选择建模为一个块稀疏恢复问题理想的波束成形权重向量只在被选中的天线组上有非零值。然后利用压缩感知领域的硬阈值追踪算法迭代地估计最重要的天线组支撑集并调用RJLCMV来更新该支撑集下的波束成形权重。通过逐步增加稀疏性即逐步关闭更多天线组最终找到满足天线数量约束的最优子集。这两个算法交替进行类似于“期望最大化”的思想固定天线选择优化波束成形基于当前波束成形评估并更新天线选择。下面我们深入这两个算法的细节。3. 关键技术深度解析RJLCMV与HTP-JGAS3.1 RJLCMV波束成形如何避免自归零的“温柔一刀”线性约束最小方差LCMV波束成形是阵列信号处理的经典工具。其基本思想是在满足对目标方向增益为1的约束下最小化输出功率即抑制干扰和噪声。公式为min w^H R w, s.t. C^H w g。其中R是干扰加噪声协方差矩阵C是约束矩阵包含目标方向和其他需要置零的干扰方向g是约束响应向量。在全双工场景中约束变得复杂。对于第k个发射波束f_k我们不仅希望它对准第k个下行用户 (h_{D,k})还希望它能在接收端波束W处理后对自干扰信道H_SI形成零陷。这意味着约束矩阵C_{T,k}包含了用户信道和经过接收波束成形后的等效自干扰信道C_{T,k} [h_{D,k}, H_SI W]。接收端同理。这里就出现了耦合C_{T,k}依赖于W而W的设计又依赖于F。直接求解这个耦合的LCMV问题就是前文提到的“交替优化”基线方法先固定W优化F再固定F优化W如此反复。这种方法很容易陷入自归零因为初始值或迭代中的某一步如果H_SI W与某个h_{D,k}方向接近算法为了满足零陷约束会不惜牺牲该用户的增益。RJLCMV的巧妙之处在于引入了“逐渐消失的正则化”。其更新步骤以发射端为例为f_k(S) C_{T,k}(S) [ C_{T,k}(S)^H C_{T,k}(S) λ_r^2 I Δ_{T,k} ]^{-1} e_k其中S是当前选中的天线索引集。核心机制解读正则化项λ_r^2 I在迭代初期λ_r被设置为一个较大的值。这个项相当于在约束方程的解中增加了一个惩罚让解f_k的范数不会太大。在几何上它“放松”了严格的零陷约束允许在目标用户方向和自干扰零陷方向之间做一个微小的妥协从而避免了为追求完美零陷而导致的增益骤降。逐渐衰减在每次交替优化F和W后λ_r按因子ρ (ρ1)减小即λ_r λ_r / ρ。随着迭代进行正则化效应越来越弱约束被越来越严格地满足。收敛当用户方向的增益变化小于阈值ϵ时算法收敛。此时λ_r已趋近于0最终的解几乎完全满足了约束条件但由于优化路径被正则化“平滑”地引导成功避开了自归零的陷阱。参数选择经验初始λ_r通常设置为1。这个值需要足够大以在初期提供有效的平滑作用。衰减因子ρ是关键参数。ρ越接近1如1.1衰减越慢优化路径越平滑找到更好解的概率越高但迭代次数也越多。ρ较大如2则收敛快但可能陷入稍差的局部最优。论文实验表明ρ1.25是一个很好的折中在性能和复杂度之间取得了平衡。噪声正则化Δ_{T,k}代表信道估计误差、噪声等通常设为σ^2 I其中σ^2是噪声功率。它保证了算法在低信噪比或信道不确定时的鲁棒性。注意事项RJLCMV假设我们已知自干扰信道H_SI。在实际系统中这需要通过初始校准和周期性跟踪来获取。幸运的是自干扰信道中的主导成分尤其是视距路径变化缓慢因此不需要像用户信道那样频繁估计。一种实用方法是在基站初始安装时于暗室或低干扰环境下进行测量并在后续运行中利用已知的发射信号进行跟踪。3.2 HTP-JGAS天线选择将组合搜索转化为稀疏恢复当天线数量庞大时选择最优子集是一个组合爆炸问题。HTP-JGAS的核心洞见是在最优波束成形解中未被选中的天线对应的权重应为零。因此天线选择问题可以转化为寻找波束成形权重向量的一个块稀疏表示。数学模型转化 我们将优化问题重写为目标函数加上一个块稀疏约束||f_k||_{G, 2,0} G_T‘。这个ℓ_{2,0}范数不是真正的范数它统计的是向量f_k在分组G下非零块的数量。我们的目标就是找到只激活G_T‘个组即N_T‘根天线的解。硬阈值追踪算法 HTP是压缩感知中用于解决稀疏恢复问题的迭代算法。其基本步骤是梯度步计算当前解关于目标函数的梯度。硬阈值只保留梯度中幅度最大的s个元素或s个块其余置零。这相当于选出“最重要”的支撑集。最小二乘步在选出的支撑集上求解一个最小二乘问题得到新的解。HTP-JGAS的联合设计 我们将HTP思想扩展到我们的联合问题中形成了HTP-JGAS算法初始化从所有天线都激活开始s_T G_T,s_R G_R用RJLCMV计算初始波束成形F,W。迭代 a.对于每个发射/接收波束计算一个梯度指示量如f_k - C_{T,k}(C_{T,k}^H f_k - g)它反映了如果关闭某根天线对目标函数兼顾用户增益和干扰抑制的影响。 b.硬阈值选择根据梯度指示量为每个波束保留s_T或s_R个最重要的天线组。这是“块”稀疏的体现我们以组为单位进行选择。 c.波束成形更新基于新选出的天线组支撑集调用RJLCMV算法更新波束成形权重F和W。 d.稀疏度递增将目标稀疏度s_T和s_R减小δs_T和δs_R即允许关闭更多组天线。终止当s_T和s_R减少到预设的目标值G_T‘,G_R‘时算法停止。为什么有效逐步稀疏化与直接求解目标稀疏度的问题相比从全连接开始逐步关闭天线相当于在解空间中进行了一次平滑的路径追踪更容易找到高性能的解。联合优化在每次迭代中天线选择是基于当前联合波束成形 (F,W) 的效果做出的而波束成形又是在当前天线选择下优化的。这种交替迫使算法考虑Tx和Rx之间的耦合。计算高效相比粒子群优化等启发式算法需要评估大量候选解HTP-JGAS的每次迭代主要成本是运行RJLCMV而RJLCMV本身是解析解或高效迭代使得整体复杂度大幅降低。论文数据显示其速度比PSO快两个数量级以上。实操心得参数δs的选择δs是每次迭代减少的组数。δs1最精细性能最好但迭代次数多速度慢。δs增大可以加速但可能跳过一中间状态导致最终性能轻微下降。在实际部署中可以根据实时性要求和性能需求进行折中。对于准静态场景如固定无线接入可用δs1对于用户移动较快的场景可能需要增大δs以快速跟踪。4. 性能评估与结果分理论再优美也需要实验的验证。本文的评估基于一个关键的实测数据一个8x8发射阵列和8x8接收阵列的全双工测试平台在3.5GHz频段测得的真实自干扰信道。使用真实信道数据而非理想模型使得结论更具说服力。4.1 RJLCMV波束成形的性能优势首先在固定的子连接架构每个RF链连接一个1x8的均匀线性子阵列下进行测试。服务4个下行用户和4个上行用户。关键指标用户定向性损失。我们将算法得到的波束成形增益与理想的最大定向波束成形只对准用户不考虑干扰的增益进行比较。损失越小越好。对比基线HD LCMV半双工模式下的波束成形只抑制多用户干扰不处理自干扰。这是性能上限参考。交替LCMV直接交替优化Tx/Rx波束成形以抑制自干扰的基线方法。RJLCMV我们提出的方法采用不同的正则化衰减因子ρ。结果交替LCMV产生了高达51%的概率使用户增益损失超过10dB即严重的自归零。而RJLCMV (ρ1.25) 将这个概率降低到了26%改善了近50%。同时其性能非常接近HD LCMV说明在成功抑制自干扰的同时对用户定向性的牺牲很小。频谱效率在考虑基带处理、ADC量化噪声等实际因素后RJLCMV实现的全双工系统其总频谱效率可达理想半双工的1.9倍接近理论极限的2倍。而交替LCMV在高信噪比时因自归零导致性能下降简单的波束选择方法性能更差。4.2 HTP-JGAS天线选择的威力接下来测试全天线选择每个天线为一个组和分组选择。全天线选择 (N64, 选择 N‘16)对比基线固定子连接每个RF链固定连接一个4x4的子阵列。PSO天线选择使用粒子群优化进行天线选择。HTP-JGAS我们提出的方法采用不同的稀疏度增量δs。结果HTP-JGAS (δs1) 性能最佳95%的情况下用户增益损失小于0.5dB几乎完全避免了深度自归零。PSO方法虽然也避免了深度自归零但其平均增益损失更大。更重要的是速度HTP-JGAS的中位运行时间仅为PSO的1/250凸显了其计算效率。分组天线选择的折中艺术 这是降低硬件复杂度的关键。我们将64天线阵列划分为不同大小的组如1x2, 1x4, 1x8的均匀线性子阵列但始终保持总共选择16根天线。结果即使使用较大的组如1x8组每组8根天线只需选择2个组其性能也显著优于固定连接1x8子阵列的方案。这意味着通过动态的组选择即使用比天线数量少得多的开关本例中开关数减少到1/4也能获得大部分天线选择带来的性能增益。硬件复杂度和损耗因此大大降低。组形状的影响 我们还测试了不同形状的组如1x4水平线阵2x2方阵4x1垂直线阵。在用户方位角和俯仰角均匀分布时组形状影响不大。但当用户主要分布在水平方向俯仰角范围小时水平线阵表现更好。因为它能在垂直方向提供更窄的波束更好地分辨用户同时水平方向的大间距有助于抑制栅瓣。这体现了动态天线选择系统能根据用户空间分布自适应地利用空间自由度。4.3 对硬件损伤的鲁棒性实际系统中模拟移相器和增益控制器存在量化误差。我们测试了在波束成形权重上加入随机增益误差±1 dB和相位误差±5.6度的情况。结果所有算法的性能都有所下降因为深零陷能力被削弱。但RJLCMVHTP-JGAS的组合仍然显著优于其他方法。这表明算法对适度的硬件非理想性具有鲁棒性。对于更严重的误差可以通过选择稍多一些的天线元素来提供冗余以补偿性能损失。5. 实现考量、常见问题与扩展讨论5.1 实际部署中的关键步骤与参数配置信道获取用户信道通过上行探测参考信号或下行CSI-RS结合反馈来获取这是标准流程。自干扰信道这是关键。需要在系统初始化时进行专门校准。一种方法是在无用户或低干扰时段发射已知的校准信号并在接收端进行测量。由于自干扰信道变化缓慢尤其是主导的直射路径校准不需要像用户信道那样频繁更新。可以利用数字域已知的发射信号进行持续跟踪和微调。算法初始化与参数设置初始波束成形HTP-JGAS需要一个初始解。一个简单有效的选择是匹配滤波器即f_k初始化为用户信道h_{D,k}的共轭并归一化w_k同理。这为算法提供了一个以用户为中心的起点。RJLCMV参数λ_r^(0)1,ρ1.25是经过验证的稳健选择。收敛阈值ϵ可设为1e-3或1e-4。HTP-JGAS参数稀疏度增量δs可根据实时性要求选择。δs1性能最优δs4或8能显著加速。目标稀疏度G_T‘,G_R‘由硬件限制可用开关数、功耗预算和性能需求共同决定。计算复杂度与实时性RJLCMV的主要计算在于矩阵求逆复杂度与用户数M的立方和选择的天线数N‘的平方相关。对于中等规模如M8,N‘16在现代基带处理单元如FPGA或ASIC上可实现毫秒级更新满足大多数场景如每秒几十次的调度需求。HTP-JGAS的迭代次数约为(N - N‘)/δs。通过并行计算每个用户的波束成形更新以及采用更快的收敛判断如增益变化可以进一步加速。热启动在用户移动缓慢的场景上一时刻的解可以作为下一次算法运行的初始值大幅减少迭代次数。5.2 常见问题与排查思路性能不达标用户增益损失大检查自干扰信道估计质量H_SI估计误差过大会导致约束错误引发自归零或干扰抑制不足。建议增加校准信号的功率或时长或在算法中增大噪声正则化Δ来增强鲁棒性。调整RJLCMV的ρ参数如果ρ太大如2尝试减小到1.1-1.5之间让优化更平滑。检查天线选择数量N‘可能N‘设置得太小空间自由度不足。尝试逐步增加N‘观察性能是否饱和。用户角度分布过于接近如果下行和上行用户的空间角度非常接近空间分辨能力达到极限性能下降是固有的。需要考虑调度策略避免将角度相近的用户配对在全双工时隙。算法收敛慢增大δs在HTP-JGAS中增大稀疏度增量。放松收敛标准适当增大ϵ。采用更简单的初始波束成形在HTP-JGAS的早期迭代中可以用梯度下降法代替完整的RJLCMV来快速更新波束成形仅在稀疏度接近目标时再用RJLCMV精细优化。对硬件误差敏感在算法中考虑误差模型如果已知增益/相位的误差范围可以在优化问题中加入稳健性约束或在使用RJLCMV解后用一个本地搜索算法在有限的量化值中寻找最佳匹配。增加系统冗余选择比理论需求更多一些的天线 (N‘)为波束成形提供额外的自由度来补偿硬件误差。5.3 扩展与未来方向宽带与多径场景本文主要关注窄带或主导路径。对于宽带系统自干扰信道可能是频率选择性的。一个扩展方向是将RJLCMV扩展到多子带版本在每个子带上独立或联合设计波束成形并在频域施加一致性约束。与数字域联合优化本文聚焦模拟波束成形。将模拟波束成形 (F,W) 与基带预编码/合并 (B_T,B_R) 以及数字自干扰对消 (G_SIC) 进行全局联合优化有望进一步提升系统容量。动态场景与在线学习在用户快速移动或环境变化时频繁运行完整算法开销大。可以探索基于深度学习的轻量级网络根据历史信道信息或部分观测快速预测波束成形权重和天线选择策略。更灵活的硬件架构分组连接是一种折中。未来可研究可重构智能表面或动态元表面天线等更灵活的硬件它们能以更低的功耗实现类似的动态波束成形功能。全双工大规模MIMO是6G使能技术之一而联合波束成形与天线选择是将其推向实用的关键。RJLCMV与HTP-JGAS的组合提供了一条兼顾高性能、低复杂度和强鲁棒性的技术路径。从仿真到实际部署中间还有工程实现的挑战例如高速开关的插入损耗、通道间的幅相一致性校准、算法的硬件加速等。但这项研究清晰地表明通过智能的信号处理算法我们能够有效驾驭Massive MIMO提供的巨大空间自由度在抑制强自干扰的同时服务多用户让频谱效率翻倍的梦想照进现实。在实际系统设计中需要根据具体的硬件能力、场景需求和功耗约束对文中参数和架构进行细致的调整与权衡。
