1. 项目概述当大规模MIMO遇上有限分辨率硬件的现实挑战在5G和未来6G的蓝图中大规模多输入多输出Massive MIMO技术无疑是实现超高速率、超高可靠性和海量连接的核心支柱。其原理听起来很美好通过在基站侧部署数十甚至数百根天线利用空间维度同时服务多个用户理论上信道容量和频谱效率能获得线性甚至超线性的提升。然而当我们从理论模型走向实际硬件尤其是在毫米波mmWave频段部署时一个巨大的鸿沟便显现出来——那就是“完全数字预编码”方案的不可行性。完全数字预编码要求每一根天线都连接一条独立的射频RF链每条链都包含完整的数模转换器DAC、混频器、功率放大器等组件。在毫米波频段随着天线数量的激增这套方案的硬件成本、系统功耗和计算复杂度会变得极其高昂甚至不切实际。为了解决这个矛盾学术界和工业界提出了混合模拟-数字预编码架构。简单来说它用一个低维的数字预编码器在基带处理和一个高维的模拟预编码器在射频端通过移相器实现的级联来近似高维的完全数字预编码。这样只需要少量的RF链远少于天线数就能驱动庞大的天线阵列在性能和复杂度之间取得了巧妙的平衡。但故事到这里并没有结束。大多数关于混合预编码的早期研究都做了一个“理想化”的假设模拟端的移相器可以产生任意精度的相位旋转即无限分辨率。现实是为了控制成本、功耗和硬件复杂度实际可用的移相器通常是低分辨率的比如只能产生2^b种离散的相位状态b1,2,3...。这意味着我们无法精确实现理论计算出的连续相位只能从有限的几个离散值中挑选这必然引入量化误差导致波束成形增益下降和用户间干扰增加。另一个常被忽视的“现实约束”来自系统架构。在集中式无线接入网C-RAN或开放无线接入网O-RAN架构中基带处理单元BBU和远端射频单元RRU之间通过前传链路连接。这条链路的容量是有限的。传统的做法是将数字预编码后的信号即F_BB * x量化后通过前传发送。但当天线数NT和子载波数S很大时数据量会爆炸式增长成为瓶颈。一个更高效的思路是分别传输数据符号x和数字预编码矩阵F_BB。由于x来自有限的调制星座点无需额外量化而F_BB的每个元素则必须从一个有限的量化标签集合中选取以匹配前传的有限容量。这相当于给数字预编码器也加上了离散约束。因此我们面临的核心问题是一个双重的离散优化难题既要为模拟预编码器在离散的相位集合中寻找最优解又要为数字预编码器在离散的量化标签集合中寻找最优解同时还要确保两者的乘积能最好地逼近那个理想的、无限分辨率的完全数字预编码器。传统的“先连续优化后逐元素量化”的启发式方法由于忽略了离散变量之间的耦合关系会导致量化误差累积性能损失严重。本文的工作正是要直面这一挑战为有限分辨率硬件和有限前传容量下的混合预编码设计提供一套系统性的、接近最优的解决方案。2. 核心思路从MIMO检测中借来的“火种”面对这个离散优化问题一个最直接的想法是暴力搜索穷举法。但稍微计算一下就会知道这是灾难性的假设基站有64根天线NT648条RF链MT8模拟移相器分辨率b24种相位那么模拟预编码矩阵F_RF的搜索空间大小是(2^b)^(NT*MT) 4^(64*8) ≈ 10^616这完全超出了任何计算设备的处理能力。显然我们需要更聪明的算法。我们的核心洞察来源于一个看似不相关的领域MIMO符号检测。在多天线通信的接收端检测算法要从受到噪声和干扰污染的接收信号中恢复出从离散星座点如QAM发送的原始符号向量。这本质上也是一个在高维离散空间中搜索最优解的问题。其中球面解码Sphere Decoding, SD和期望传播Expectation Propagation, EP是两种经典且高效的算法。球面解码SD可以看作是“聪明的”穷举法。它并不搜索整个空间而是以一个初始解为中心设定一个“球面”半径只搜索落在这个球面内的候选点。一旦找到更优的解就缩小半径不断迭代。SD能保证找到全局最优解即最大似然解但其复杂度在最坏情况下仍是指数级的只是平均来看远低于穷举法。期望传播EP这是一种基于概率图模型的消息传递算法。它将离散变量的后验概率分布用一个易于处理的高斯分布来近似并通过迭代更新这个高斯分布的参数均值和方差来逼近真实后验。最终将高斯分布的均值投影到离散集合上得到近似最优解。EP的复杂度是多项式级别的远低于SD尤其适合大规模问题。我们的核心创新就是将混合预编码的离散优化问题巧妙地转化为MIMO检测问题的形式从而能够直接调用SD和EP这两把“利器”。2.1 问题转化从矩阵分解到向量搜索我们设计的起点是一个经典的矩阵分解思路首先我们忽略硬件限制利用成熟的算法如加权最小均方误差WMMSE设计出一个最优的、无限分辨率的完全数字预编码器F_FD*。我们的目标是找到有限分辨率的模拟预编码器F_RF和数字预编码器F_BB使得它们的乘积F_RF * F_BB在Frobenius范数意义下最接近F_FD*。同时还需要满足每个子载波上的总发射功率约束。数学上我们求解如下优化问题minimize ||F_FD* - F_RF * F_BB||_F^2, subject to F_RF ∈ D, F_BB ∈ B, and power constraints.这里D是单位模的离散相位集合由移相器分辨率b决定B是离散的复数量化标签集合由前传容量决定的量化电平L决定。这个联合优化问题非常复杂变量耦合且带有离散约束。我们采用交替优化的策略将其分解固定数字优化模拟当F_BB固定时问题可以按列分解。令人惊喜的是分解后的每一个子问题都具有标准MIMO检测的形式minimize ||a_n - B * x_n||^2。这里a_n类似于“接收信号向量”B F_BB^T类似于“信道矩阵”而x_n即F_RF的第n列就是我们要从离散集合D中检测出的“发送符号向量”。固定模拟优化数字当F_RF固定时利用拉格朗日对偶法处理功率约束后问题同样可以按用户和子载波分解为多个独立的子问题。每个子问题经过变形后也化归为minimize ||d_k,s - R * b_k,s||^2的形式其中b_k,s即F_BB的列是需要从离散集合B中检测的“符号向量”。至此我们成功地将两个棘手的离散矩阵优化问题转化为了大量并行的、结构相同的离散向量搜索问题。而这类问题正是SD和EP算法所擅长的。2.2 算法框架交替优化与MIMO检测的融合基于上述转化我们提出了两种算法框架算法1基于球面解码SD的混合预编码设计这是一个保证最优性的方案。在交替优化的每一轮迭代中对于模拟预编码器我们为每一根天线对应一个子问题运行SD算法从离散相位集合D中找全局最优的相位配置向量x_n。对于数字预编码器我们为每个用户在每个子载波上的预编码向量运行SD算法需转化为实值形式从离散标签集合B中找出在给定功率约束下的全局最优解。交替执行上述两步直到目标函数||F_FD* - F_RF * F_BB||_F^2收敛。算法2基于期望传播EP的混合预编码设计这是一个低复杂度的近似方案。其交替优化的流程与算法1完全相同唯一的区别在于将内层求解每个离散向量子问题的SD算法替换为EP算法。EP通过高斯近似和消息传递以多项式复杂度快速得到一个接近最优的解。关键选择为什么是SD和EP选择SD是因为它能提供性能基准全局最优。选择EP是因为它在MIMO检测领域已被证明能在复杂度和性能之间取得极佳的平衡。对于我们的问题当RF链数量MT较大时SD的指数复杂度将成为瓶颈而EP的二次复杂度则显得非常可扩展。这为我们提供了从“最优但昂贵”到“接近最优且高效”的灵活选择。3. 算法实现细节与实操要点理解了核心思路我们深入到算法的具体实现和工程细节。这里有很多“魔鬼”处理好了才能让算法从公式走向代码从仿真走向实用。3.1 基于球面解码SD的精确求解SD算法的核心是构建和搜索一棵树。在我们的问题中这棵树的深度等于待优化向量的维度对于模拟预编码是MT对于数字预编码是2MT因为实部虚部分开。树上的每个节点代表一个离散变量相位或量化电平的选择。实现步骤分解QR分解与三角化对于子问题min ||a - Bx||^2我们首先对矩阵B进行QR分解或对B^H B进行Cholesky分解得到上三角矩阵R。这样距离度量可以重写为||d - Rx||^2其中d (a^H B R^{-1})^H。上三角矩阵的特性使得我们可以从最后一个变量开始反向递归地计算部分距离这是SD高效剪枝的基础。初始化半径一个关键的技巧是初始搜索半径r的设置。如果r太大搜索空间几乎没被裁剪如果r太小可能找不到任何解。通常我们可以先用一个简单的线性检测器如迫零ZF或最小均方误差MMSE得到一个初始解x_zf然后计算初始半径r ||d - R x_zf||。也可以将其乘以一个安全系数如1.2。Schnorr-Euchner枚举我们采用Schnorr-Euchner SDSESD变体它比经典SD更高效。它不在每个层级上简单地按顺序枚举所有可能值而是根据当前部分距离动态地选择下一个要尝试的候选值按距离递增的顺序这能更快地找到优质解从而更早地触发剪枝。剪枝策略在树的每一层我们都计算累积的部分欧氏距离Partial Euclidean Distance, PED。如果当前节点的PED已经超过了当前搜索半径r那么以该节点为根的所有子树都可以被安全地“剪掉”丢弃因为继续向下搜索只会增加距离。这是SD减少计算量的核心。半径更新一旦我们搜索到一个叶子节点即一个完整的候选向量x_cand并且其总距离小于当前半径r我们就用这个更小的距离更新r。更新后搜索空间被进一步缩小。实操心得与陷阱复杂度波动SD的实际运行时间高度依赖于信道条件矩阵B的条件数和初始半径。在信道条件好B近似正交时搜索树会很快被剪枝复杂度接近多项式时间。在信道条件差时可能接近穷举。因此在系统设计时需要对最坏情况下的计算延迟有所预估。数值稳定性QR分解或Cholesky分解的数值精度至关重要特别是当B接近病态时。建议使用带列主元Pivoting的QR分解来增强稳定性。并行化潜力注意模拟预编码的NT个子问题是完全独立的数字预编码的K*S个子问题在给定拉格朗日乘子后也是独立的。这是一个天然的并行结构。可以在多核CPU或GPU上并行运行大量的SD实例极大加速整体算法。这是工程实现时必须考虑的优化点。3.2 基于期望传播EP的高效近似EP算法的核心思想是用高斯分布去近似离散变量的后验分布并通过迭代的“消息传递”矩匹配来优化这个近似。算法流程拆解对于每个形如min ||c - G z||^2, z ∈ A^M的子问题建模我们将z视为随机向量假设观测c由c G z w产生w是方差为σ^2的高斯噪声。后验概率P(z|c) ∝ N(c: Gz, σ^2I) * Π_m I(z_m ∈ A)。其中指示函数I(z_m ∈ A)是离散的、非高斯的难以处理。高斯近似EP用一个指数族分布X(z) ∝ N(z: Λ^{-1}γ, Λ^{-1})其中Λ是对角阵来近似这个离散先验。这样整个后验就被近似为一个高斯分布Q(z) N(z: μ, Σ)。迭代矩匹配计算腔分布Cavity Distribution对于第m个变量从当前近似后验Q(z)中移除其对应的近似先验X(z_m)的影响得到“腔边际分布”Q\m(z_m)。构造倾斜分布Tilted Distribution将真实的离散先验I(z_m ∈ A)与腔分布结合P̂(z_m) ∝ Q\m(z_m) * I(z_m ∈ A)。这是一个一维离散分布其均值和方差可以精确计算。矩匹配更新更新近似先验X(z_m)的参数γ_m和λ_m使得新的近似后验Q(z)的边际分布均值和方差与倾斜分布P̂(z_m)匹配。这是EP的核心步骤最小化了两个分布间的KL散度。平滑更新为了避免迭代震荡通常采用阻尼更新γ_new (1-α)*γ_update α*γ_oldλ同理。阻尼因子α通常取0.5到0.9。噪声方差估计在我们的问题中σ^2并非真实的噪声方差而是一个模型参数。我们在每次迭代中用“预言机估计器”更新它σ^2_new ||c - G * ρ||^2 / M其中ρ是当前倾斜分布的均值向量。收敛与硬判决迭代上述步骤直至μ和Σ收敛。最后对每个变量进行硬判决z_m* argmin_{z∈A} |z - μ_m|^2即选择离高斯均值最近的离散点。实操心得与调参经验初始化至关重要σ^2初始值通常设为1。γ初始化为零向量Λ初始化为单位阵。一个好的初始均值μ例如用MMSE解初始化可以加速收敛。阻尼因子α这是EP稳定性的关键。如果算法振荡或不收敛尝试增大α如从0.5调到0.8。这相当于让每次更新更“保守”更依赖历史值。复杂度优势EP的主要计算量在于每次迭代中计算和求逆矩阵Σ (σ^{-2} G^H G Λ)^{-1}。这是一个M×M矩阵的求逆复杂度为O(M^3)。但由于Λ是对角阵且G^H G可以预先计算实际效率很高。更重要的是这个复杂度是多项式级的且与离散集合的大小2^b或L无关这使得它在高分辨率或大规模问题上优势巨大。次优性EP得到的是近似解。其性能损失主要来自于用单峰的高斯分布去近似可能是多峰的离散后验分布。在问题条件数大或离散集合非对称时失可能稍大。但在我们预编码的上下文中仿真表明其性能非常接近最优的SD。3.3 整体算法流程与初始化技巧无论是SD还是EP版本整体算法都遵循以下交替优化框架输入信道矩阵H初始模拟预编码F_RF_init离散集合D和B。步骤一计算理想全数字预编码。使用WMMSE等算法求解问题(13)得到F_FD*。这是我们的逼近目标。步骤二优化数字预编码固定模拟。对于每个子载波s使用对偶分解和二分法搜索最优的拉格朗日乘子μ_s以满足该子载波的功率约束。对于每个用户k在给定μ_s和当前F_RF下构建形如(30)的实值最小二乘问题。调用SD或EP求解器从集合PB的实/虚部中找出最优的b_k,s。聚合所有用户和子载波的结果得到当前轮次的数字预编码F_BB。步骤三优化模拟预编码固定数字。对于每根天线n构建形如(20)的复值最小二乘问题或其实值等效形式。调用SD或EP求解器从离散相位集合D中找出最优的x_n即F_RF的第n行。聚合所有天线的结果得到更新后的模拟预编码F_RF。步骤四判断收敛。计算目标函数值||F_FD* - F_RF * F_BB||_F^2。如果相对于上一次迭代的变化小于阈值如1e-3或达到最大迭代次数则停止。否则跳回步骤二。一个至关重要的技巧初始化糟糕的初始化会导致算法收敛慢甚至陷入糟糕的局部最优。我们对比了两种策略随机初始化F_RF的每个元素相位在[0, 2π)均匀随机选取。简单但性能不稳定。基于奇异值分解SVD的初始化对理想全数字预编码F_FD*进行SVD取前MT个左奇异向量构成矩阵U取前MT个奇异值构成对角阵Σ。然后令初始F_RF exp(j * angle(U * Σ))。这相当于用F_FD*的主成分相位来初始化。 我们的仿真表明SVD初始化策略能 consistently 获得更低更好的最终目标函数值意味着它能找到一个更接近理想全数字预编码的起点。因此在实际应用中强烈推荐使用这种初始化方法。4. 性能评估与深度分析理论再优美也需要实验的验证。我们通过大量的蒙特卡洛仿真在典型的毫米波大规模MIMO场景下评估了所提方案的性能。系统基本参数为基站天线数NT64RF链数MT8用户数K2子载波数S64采用莱斯衰落信道模型。模拟移相器分辨率b12比特4种相位数字预编码量化电平L2每实部/虚部2电平共4个复数值。4.1 收敛性与复杂度对比首先看算法的收敛性。图3论文中显示无论是SD-based还是EP-based设计其目标函数与全数字预编码的均方误差MSE都能在10-20次交替迭代内收敛到一个稳定值。SD方案由于每一步都求最优解收敛略快约13次且最终的MSE更低。EP方案收敛稍慢约18次最终MSE略高但差距很小。这验证了交替优化框架的有效性和EP作为近似算法的可靠性。复杂度是核心关切点。我们实测了运行时间见表1。当MT8时SD方案的单次迭代耗时是EP方案的10倍以上。随着RF链数MT增加SD的复杂度呈指数趋势上升O(2^{bτMT})而EP的复杂度仅呈二次方增长O(MT^2)。这意味着在面向未来的超大规模MIMO系统中MT可能达到16甚至32SD将变得计算上不可行而EP则依然可处理。性能-复杂度权衡启示SD提供了性能上界适用于对性能极致追求、且RF链数不多的场景如MT≤8。EP提供了实用的高效选择在RF链数较多时能以微小的性能损失在我们的仿真中和速率损失通常在5%以内换取几个数量级的计算加速。在实际系统设计中这给了工程师一个清晰的权衡工具。4.2 与主流基准方案的性能对比我们对比了两种广泛引用的混合预编码基准方案AltMin 1来自文献[1]的经典交替最小化方案用流形优化处理模拟预编码单位模约束用最小二乘处理数字预编码。这是无限分辨率下的强基准。AltMin 2一种更简单的交替最小化模拟和数字预编码都用最小二乘求解模拟预编码只取相位。我们的对比分两步第一步图4假设数字预编码是无限分辨率的只对模拟预编码进行量化。结果显示无论是SD还是EP方案其性能都大幅优于直接将“AltMin 1”或“AltMin 2”的连续解进行“最近点映射”Nearest Point, NP量化的方案。在发射功率35 dBm时SD/EP方案的频谱效率比NP量化方案高出近30%。这证明了联合优化离散变量的必要性。逐元素量化忽略了变量间的耦合误差会累积导致波束方向图严重畸变。第二步图5同时考虑模拟和数字预编码的有限分辨率。此时性能差距进一步拉大。SD/EP方案的优势更加明显。这凸显了在双重离散约束下传统连续优化后量化的方法已完全无法满足要求。4.3 关键因素影响分析数字 vs. 模拟预编码谁更重要图7我们设计了一组“混合”方案用EP设计模拟预编码NP量化数字预编码EP Analog - NP Digital以及用NP量化模拟预编码EP设计数字预编码NP Analog - EP Digital。结果清晰地表明后者的性能远优于前者。这说明在混合架构中数字预编码的优化比模拟预编码的优化对系统性能的影响更大。原因在于数字预编码可以同时调整信号的幅度和相位具有更强的干扰消除和波束成形能力而模拟预编码只能调整相位。因此在资源有限时应优先保证数字预编码的设计精度。分辨率的影响图8数字预编码分辨率L增加数字预编码的量化电平数L能带来显著的性能提升尤其是在L从2增加到8的阶段。即使模拟预编码分辨率很低b1提高L也能有效提升和速率。模拟预编码分辨率b当数字预编码分辨率很低L2时提高模拟移相器比特数b收益甚微。只有当数字预编码有足够精度L较大时提高b才有明显效果。这再次印证了数字预编码的主导地位。一个实用结论在硬件成本约束下优先投资于高精度的DAC和高速前传链路以支持高分辨率数字预编码比追求高精度移相器更具性价比。系统规模扩展性图9增加RF链数MT和子载波数S都能提升总容量Gbps但存在边际收益递减。当MT或S足够大后系统性能逐渐逼近由信道条件和干扰决定的理论上限。EP方案在此类大规模参数扫描中展现了其价值因为它能在可接受的时间内完成仿真而SD方案可能已无法运行。5. 工程实现中的挑战与对策将这套算法应用于实际系统还会遇到一些论文中未提及的挑战。5.1 信道状态信息CSI的获取我们的算法假设拥有完美的CSI。在实际中尤其是在频分双工FDD系统或高速移动场景下获取准确的下行CSI非常困难。通常需要通过上行信道估计、利用信道互易性TDD、或基于有限反馈的码本设计来获取。不完美CSI下的鲁棒设计文中提到可以将WMMSE步骤替换为鲁棒WMMSE设计如基于信道误差统计模型。我们的混合预编码框架SD/EP部分本身是与信道获取方式解耦的。只要给框架输入一个预编码矩阵F_FD*无论它是如何得到的我们的算法就会去逼近它。因此可以很方便地与各种先进的信道估计或鲁棒预编码技术结合。基于码本的简化方案对于极端低复杂度的需求可以考虑将模拟预编码的离散集合D与一个模拟波束成形码本绑定。这样优化问题就变成了从码本中选择最优的波束。SD/EP算法依然适用只是搜索空间变成了码本索引。5.2 动态连接架构的扩展论文第III-D节简要讨论了动态连接混合预编码其中模拟部分由对角移相器矩阵F̃_RF和开关连接矩阵F_SW组成F_RF F̃_RF F_SW。这更贴近一些先进的硬件平台。开关矩阵的离散优化F_SW是一个0-1矩阵优化问题(35)本质上是一个二元整数规划。令人欣喜的是经过变形后它同样可以分解为多个独立的、形如MIMO检测的子问题只是此时的“星座”是{0, 1}。SD和EP算法可以直接迁移过来求解。EP需要稍作修改因为其高斯近似对于二元变量需要采用不同的“倾斜分布”计算。相位与开关的联合优化算法流程变为三步交替固定相位和数字优化开关固定开关和数字优化相位此时退化为简单的单变量搜索固定相位和开关优化数字。这增加了迭代的维度但核心的离散优化思想不变。5.3 算法加速与硬件部署热启动Warm Start在时分双工TDD系统中信道变化相对缓慢。可以将上一时刻收敛的预编码矩阵作为当前时刻算法的初始值能极大减少迭代次数。定点化与硬件友好实现SD和EP的核心操作是矩阵乘法、QR/Cholesky分解、以及搜索/概率计算。这些算法可以很好地映射到FPGA或ASIC上。特别是EP中涉及的大量矩阵运算可以通过脉动阵列等硬件架构高效实现。需要关注数值精度低精度定点运算可能就足够了这能进一步降低功耗。分层优化策略对于超大规模系统可以采用“分而治之”的思想。例如将天线阵列划分为几个子阵列每个子阵列独立运行较小规模的混合预编码算法然后再用一个高层数字预编码器进行协调。这可以大幅降低单次优化的维度。6. 总结与展望这项工作为应对大规模MIMO系统特别是毫米波通信中混合预编码硬件分辨率限制和前传容量限制这一对孪生挑战提供了一套坚实而灵活的解决方案。其核心贡献在于创新性地建立了混合预编码离散优化与成熟MIMO检测算法之间的桥梁。对于追求极致性能的场景基于球面解码SD的设计提供了性能基准证明了在离散约束下逼近全数字性能是可能的。对于大规模和实际部署场景基于期望传播EP的设计展示了其卓越的实用价值它以微小的性能代价换来了计算复杂度的巨大降低使得在RF链数较多的系统中进行实时预编码计算成为可能。从我个人的仿真和实践经验来看这套方法最大的优势在于其通用性和模块化。SD/EP求解器可以作为一个“黑盒”模块嵌入到任何基于矩阵分解的混合预编码框架中。无论是处理模拟移相器的量化、数字预编码的量化还是开关网络的优化都可以归结为同一个形式的子问题然后用同一个求解器去处理。未来的工作可以沿着几个方向深入与深度学习的结合能否用神经网络来学习SD或EP的搜索策略或者用图神经网络来建模EP中的消息传递过程这可能带来进一步的加速。更广泛的硬件损伤模型除了相位量化还可以考虑移相器幅度误差、功放非线性、I/Q不平衡等更全面的硬件损伤模型并将其纳入离散优化的框架。系统级联合设计将有限分辨率预编码设计与用户调度、资源分配、信道估计等模块进行联合优化以实现系统整体效能的最大化。这项研究从一个具体的工程问题出发通过深刻的数学转化找到了一个优雅且高效的算法解决方案。它再次证明通信系统中那些最棘手的离散组合优化问题其答案往往隐藏在另一个看似遥远的领域。跨领域的知识迁移是推动技术前进的重要动力。
大规模MIMO混合预编码：基于球面解码与期望传播的离散优化方案
发布时间：2026/5/28 2:39:22
1. 项目概述当大规模MIMO遇上有限分辨率硬件的现实挑战在5G和未来6G的蓝图中大规模多输入多输出Massive MIMO技术无疑是实现超高速率、超高可靠性和海量连接的核心支柱。其原理听起来很美好通过在基站侧部署数十甚至数百根天线利用空间维度同时服务多个用户理论上信道容量和频谱效率能获得线性甚至超线性的提升。然而当我们从理论模型走向实际硬件尤其是在毫米波mmWave频段部署时一个巨大的鸿沟便显现出来——那就是“完全数字预编码”方案的不可行性。完全数字预编码要求每一根天线都连接一条独立的射频RF链每条链都包含完整的数模转换器DAC、混频器、功率放大器等组件。在毫米波频段随着天线数量的激增这套方案的硬件成本、系统功耗和计算复杂度会变得极其高昂甚至不切实际。为了解决这个矛盾学术界和工业界提出了混合模拟-数字预编码架构。简单来说它用一个低维的数字预编码器在基带处理和一个高维的模拟预编码器在射频端通过移相器实现的级联来近似高维的完全数字预编码。这样只需要少量的RF链远少于天线数就能驱动庞大的天线阵列在性能和复杂度之间取得了巧妙的平衡。但故事到这里并没有结束。大多数关于混合预编码的早期研究都做了一个“理想化”的假设模拟端的移相器可以产生任意精度的相位旋转即无限分辨率。现实是为了控制成本、功耗和硬件复杂度实际可用的移相器通常是低分辨率的比如只能产生2^b种离散的相位状态b1,2,3...。这意味着我们无法精确实现理论计算出的连续相位只能从有限的几个离散值中挑选这必然引入量化误差导致波束成形增益下降和用户间干扰增加。另一个常被忽视的“现实约束”来自系统架构。在集中式无线接入网C-RAN或开放无线接入网O-RAN架构中基带处理单元BBU和远端射频单元RRU之间通过前传链路连接。这条链路的容量是有限的。传统的做法是将数字预编码后的信号即F_BB * x量化后通过前传发送。但当天线数NT和子载波数S很大时数据量会爆炸式增长成为瓶颈。一个更高效的思路是分别传输数据符号x和数字预编码矩阵F_BB。由于x来自有限的调制星座点无需额外量化而F_BB的每个元素则必须从一个有限的量化标签集合中选取以匹配前传的有限容量。这相当于给数字预编码器也加上了离散约束。因此我们面临的核心问题是一个双重的离散优化难题既要为模拟预编码器在离散的相位集合中寻找最优解又要为数字预编码器在离散的量化标签集合中寻找最优解同时还要确保两者的乘积能最好地逼近那个理想的、无限分辨率的完全数字预编码器。传统的“先连续优化后逐元素量化”的启发式方法由于忽略了离散变量之间的耦合关系会导致量化误差累积性能损失严重。本文的工作正是要直面这一挑战为有限分辨率硬件和有限前传容量下的混合预编码设计提供一套系统性的、接近最优的解决方案。2. 核心思路从MIMO检测中借来的“火种”面对这个离散优化问题一个最直接的想法是暴力搜索穷举法。但稍微计算一下就会知道这是灾难性的假设基站有64根天线NT648条RF链MT8模拟移相器分辨率b24种相位那么模拟预编码矩阵F_RF的搜索空间大小是(2^b)^(NT*MT) 4^(64*8) ≈ 10^616这完全超出了任何计算设备的处理能力。显然我们需要更聪明的算法。我们的核心洞察来源于一个看似不相关的领域MIMO符号检测。在多天线通信的接收端检测算法要从受到噪声和干扰污染的接收信号中恢复出从离散星座点如QAM发送的原始符号向量。这本质上也是一个在高维离散空间中搜索最优解的问题。其中球面解码Sphere Decoding, SD和期望传播Expectation Propagation, EP是两种经典且高效的算法。球面解码SD可以看作是“聪明的”穷举法。它并不搜索整个空间而是以一个初始解为中心设定一个“球面”半径只搜索落在这个球面内的候选点。一旦找到更优的解就缩小半径不断迭代。SD能保证找到全局最优解即最大似然解但其复杂度在最坏情况下仍是指数级的只是平均来看远低于穷举法。期望传播EP这是一种基于概率图模型的消息传递算法。它将离散变量的后验概率分布用一个易于处理的高斯分布来近似并通过迭代更新这个高斯分布的参数均值和方差来逼近真实后验。最终将高斯分布的均值投影到离散集合上得到近似最优解。EP的复杂度是多项式级别的远低于SD尤其适合大规模问题。我们的核心创新就是将混合预编码的离散优化问题巧妙地转化为MIMO检测问题的形式从而能够直接调用SD和EP这两把“利器”。2.1 问题转化从矩阵分解到向量搜索我们设计的起点是一个经典的矩阵分解思路首先我们忽略硬件限制利用成熟的算法如加权最小均方误差WMMSE设计出一个最优的、无限分辨率的完全数字预编码器F_FD*。我们的目标是找到有限分辨率的模拟预编码器F_RF和数字预编码器F_BB使得它们的乘积F_RF * F_BB在Frobenius范数意义下最接近F_FD*。同时还需要满足每个子载波上的总发射功率约束。数学上我们求解如下优化问题minimize ||F_FD* - F_RF * F_BB||_F^2, subject to F_RF ∈ D, F_BB ∈ B, and power constraints.这里D是单位模的离散相位集合由移相器分辨率b决定B是离散的复数量化标签集合由前传容量决定的量化电平L决定。这个联合优化问题非常复杂变量耦合且带有离散约束。我们采用交替优化的策略将其分解固定数字优化模拟当F_BB固定时问题可以按列分解。令人惊喜的是分解后的每一个子问题都具有标准MIMO检测的形式minimize ||a_n - B * x_n||^2。这里a_n类似于“接收信号向量”B F_BB^T类似于“信道矩阵”而x_n即F_RF的第n列就是我们要从离散集合D中检测出的“发送符号向量”。固定模拟优化数字当F_RF固定时利用拉格朗日对偶法处理功率约束后问题同样可以按用户和子载波分解为多个独立的子问题。每个子问题经过变形后也化归为minimize ||d_k,s - R * b_k,s||^2的形式其中b_k,s即F_BB的列是需要从离散集合B中检测的“符号向量”。至此我们成功地将两个棘手的离散矩阵优化问题转化为了大量并行的、结构相同的离散向量搜索问题。而这类问题正是SD和EP算法所擅长的。2.2 算法框架交替优化与MIMO检测的融合基于上述转化我们提出了两种算法框架算法1基于球面解码SD的混合预编码设计这是一个保证最优性的方案。在交替优化的每一轮迭代中对于模拟预编码器我们为每一根天线对应一个子问题运行SD算法从离散相位集合D中找全局最优的相位配置向量x_n。对于数字预编码器我们为每个用户在每个子载波上的预编码向量运行SD算法需转化为实值形式从离散标签集合B中找出在给定功率约束下的全局最优解。交替执行上述两步直到目标函数||F_FD* - F_RF * F_BB||_F^2收敛。算法2基于期望传播EP的混合预编码设计这是一个低复杂度的近似方案。其交替优化的流程与算法1完全相同唯一的区别在于将内层求解每个离散向量子问题的SD算法替换为EP算法。EP通过高斯近似和消息传递以多项式复杂度快速得到一个接近最优的解。关键选择为什么是SD和EP选择SD是因为它能提供性能基准全局最优。选择EP是因为它在MIMO检测领域已被证明能在复杂度和性能之间取得极佳的平衡。对于我们的问题当RF链数量MT较大时SD的指数复杂度将成为瓶颈而EP的二次复杂度则显得非常可扩展。这为我们提供了从“最优但昂贵”到“接近最优且高效”的灵活选择。3. 算法实现细节与实操要点理解了核心思路我们深入到算法的具体实现和工程细节。这里有很多“魔鬼”处理好了才能让算法从公式走向代码从仿真走向实用。3.1 基于球面解码SD的精确求解SD算法的核心是构建和搜索一棵树。在我们的问题中这棵树的深度等于待优化向量的维度对于模拟预编码是MT对于数字预编码是2MT因为实部虚部分开。树上的每个节点代表一个离散变量相位或量化电平的选择。实现步骤分解QR分解与三角化对于子问题min ||a - Bx||^2我们首先对矩阵B进行QR分解或对B^H B进行Cholesky分解得到上三角矩阵R。这样距离度量可以重写为||d - Rx||^2其中d (a^H B R^{-1})^H。上三角矩阵的特性使得我们可以从最后一个变量开始反向递归地计算部分距离这是SD高效剪枝的基础。初始化半径一个关键的技巧是初始搜索半径r的设置。如果r太大搜索空间几乎没被裁剪如果r太小可能找不到任何解。通常我们可以先用一个简单的线性检测器如迫零ZF或最小均方误差MMSE得到一个初始解x_zf然后计算初始半径r ||d - R x_zf||。也可以将其乘以一个安全系数如1.2。Schnorr-Euchner枚举我们采用Schnorr-Euchner SDSESD变体它比经典SD更高效。它不在每个层级上简单地按顺序枚举所有可能值而是根据当前部分距离动态地选择下一个要尝试的候选值按距离递增的顺序这能更快地找到优质解从而更早地触发剪枝。剪枝策略在树的每一层我们都计算累积的部分欧氏距离Partial Euclidean Distance, PED。如果当前节点的PED已经超过了当前搜索半径r那么以该节点为根的所有子树都可以被安全地“剪掉”丢弃因为继续向下搜索只会增加距离。这是SD减少计算量的核心。半径更新一旦我们搜索到一个叶子节点即一个完整的候选向量x_cand并且其总距离小于当前半径r我们就用这个更小的距离更新r。更新后搜索空间被进一步缩小。实操心得与陷阱复杂度波动SD的实际运行时间高度依赖于信道条件矩阵B的条件数和初始半径。在信道条件好B近似正交时搜索树会很快被剪枝复杂度接近多项式时间。在信道条件差时可能接近穷举。因此在系统设计时需要对最坏情况下的计算延迟有所预估。数值稳定性QR分解或Cholesky分解的数值精度至关重要特别是当B接近病态时。建议使用带列主元Pivoting的QR分解来增强稳定性。并行化潜力注意模拟预编码的NT个子问题是完全独立的数字预编码的K*S个子问题在给定拉格朗日乘子后也是独立的。这是一个天然的并行结构。可以在多核CPU或GPU上并行运行大量的SD实例极大加速整体算法。这是工程实现时必须考虑的优化点。3.2 基于期望传播EP的高效近似EP算法的核心思想是用高斯分布去近似离散变量的后验分布并通过迭代的“消息传递”矩匹配来优化这个近似。算法流程拆解对于每个形如min ||c - G z||^2, z ∈ A^M的子问题建模我们将z视为随机向量假设观测c由c G z w产生w是方差为σ^2的高斯噪声。后验概率P(z|c) ∝ N(c: Gz, σ^2I) * Π_m I(z_m ∈ A)。其中指示函数I(z_m ∈ A)是离散的、非高斯的难以处理。高斯近似EP用一个指数族分布X(z) ∝ N(z: Λ^{-1}γ, Λ^{-1})其中Λ是对角阵来近似这个离散先验。这样整个后验就被近似为一个高斯分布Q(z) N(z: μ, Σ)。迭代矩匹配计算腔分布Cavity Distribution对于第m个变量从当前近似后验Q(z)中移除其对应的近似先验X(z_m)的影响得到“腔边际分布”Q\m(z_m)。构造倾斜分布Tilted Distribution将真实的离散先验I(z_m ∈ A)与腔分布结合P̂(z_m) ∝ Q\m(z_m) * I(z_m ∈ A)。这是一个一维离散分布其均值和方差可以精确计算。矩匹配更新更新近似先验X(z_m)的参数γ_m和λ_m使得新的近似后验Q(z)的边际分布均值和方差与倾斜分布P̂(z_m)匹配。这是EP的核心步骤最小化了两个分布间的KL散度。平滑更新为了避免迭代震荡通常采用阻尼更新γ_new (1-α)*γ_update α*γ_oldλ同理。阻尼因子α通常取0.5到0.9。噪声方差估计在我们的问题中σ^2并非真实的噪声方差而是一个模型参数。我们在每次迭代中用“预言机估计器”更新它σ^2_new ||c - G * ρ||^2 / M其中ρ是当前倾斜分布的均值向量。收敛与硬判决迭代上述步骤直至μ和Σ收敛。最后对每个变量进行硬判决z_m* argmin_{z∈A} |z - μ_m|^2即选择离高斯均值最近的离散点。实操心得与调参经验初始化至关重要σ^2初始值通常设为1。γ初始化为零向量Λ初始化为单位阵。一个好的初始均值μ例如用MMSE解初始化可以加速收敛。阻尼因子α这是EP稳定性的关键。如果算法振荡或不收敛尝试增大α如从0.5调到0.8。这相当于让每次更新更“保守”更依赖历史值。复杂度优势EP的主要计算量在于每次迭代中计算和求逆矩阵Σ (σ^{-2} G^H G Λ)^{-1}。这是一个M×M矩阵的求逆复杂度为O(M^3)。但由于Λ是对角阵且G^H G可以预先计算实际效率很高。更重要的是这个复杂度是多项式级的且与离散集合的大小2^b或L无关这使得它在高分辨率或大规模问题上优势巨大。次优性EP得到的是近似解。其性能损失主要来自于用单峰的高斯分布去近似可能是多峰的离散后验分布。在问题条件数大或离散集合非对称时失可能稍大。但在我们预编码的上下文中仿真表明其性能非常接近最优的SD。3.3 整体算法流程与初始化技巧无论是SD还是EP版本整体算法都遵循以下交替优化框架输入信道矩阵H初始模拟预编码F_RF_init离散集合D和B。步骤一计算理想全数字预编码。使用WMMSE等算法求解问题(13)得到F_FD*。这是我们的逼近目标。步骤二优化数字预编码固定模拟。对于每个子载波s使用对偶分解和二分法搜索最优的拉格朗日乘子μ_s以满足该子载波的功率约束。对于每个用户k在给定μ_s和当前F_RF下构建形如(30)的实值最小二乘问题。调用SD或EP求解器从集合PB的实/虚部中找出最优的b_k,s。聚合所有用户和子载波的结果得到当前轮次的数字预编码F_BB。步骤三优化模拟预编码固定数字。对于每根天线n构建形如(20)的复值最小二乘问题或其实值等效形式。调用SD或EP求解器从离散相位集合D中找出最优的x_n即F_RF的第n行。聚合所有天线的结果得到更新后的模拟预编码F_RF。步骤四判断收敛。计算目标函数值||F_FD* - F_RF * F_BB||_F^2。如果相对于上一次迭代的变化小于阈值如1e-3或达到最大迭代次数则停止。否则跳回步骤二。一个至关重要的技巧初始化糟糕的初始化会导致算法收敛慢甚至陷入糟糕的局部最优。我们对比了两种策略随机初始化F_RF的每个元素相位在[0, 2π)均匀随机选取。简单但性能不稳定。基于奇异值分解SVD的初始化对理想全数字预编码F_FD*进行SVD取前MT个左奇异向量构成矩阵U取前MT个奇异值构成对角阵Σ。然后令初始F_RF exp(j * angle(U * Σ))。这相当于用F_FD*的主成分相位来初始化。 我们的仿真表明SVD初始化策略能 consistently 获得更低更好的最终目标函数值意味着它能找到一个更接近理想全数字预编码的起点。因此在实际应用中强烈推荐使用这种初始化方法。4. 性能评估与深度分析理论再优美也需要实验的验证。我们通过大量的蒙特卡洛仿真在典型的毫米波大规模MIMO场景下评估了所提方案的性能。系统基本参数为基站天线数NT64RF链数MT8用户数K2子载波数S64采用莱斯衰落信道模型。模拟移相器分辨率b12比特4种相位数字预编码量化电平L2每实部/虚部2电平共4个复数值。4.1 收敛性与复杂度对比首先看算法的收敛性。图3论文中显示无论是SD-based还是EP-based设计其目标函数与全数字预编码的均方误差MSE都能在10-20次交替迭代内收敛到一个稳定值。SD方案由于每一步都求最优解收敛略快约13次且最终的MSE更低。EP方案收敛稍慢约18次最终MSE略高但差距很小。这验证了交替优化框架的有效性和EP作为近似算法的可靠性。复杂度是核心关切点。我们实测了运行时间见表1。当MT8时SD方案的单次迭代耗时是EP方案的10倍以上。随着RF链数MT增加SD的复杂度呈指数趋势上升O(2^{bτMT})而EP的复杂度仅呈二次方增长O(MT^2)。这意味着在面向未来的超大规模MIMO系统中MT可能达到16甚至32SD将变得计算上不可行而EP则依然可处理。性能-复杂度权衡启示SD提供了性能上界适用于对性能极致追求、且RF链数不多的场景如MT≤8。EP提供了实用的高效选择在RF链数较多时能以微小的性能损失在我们的仿真中和速率损失通常在5%以内换取几个数量级的计算加速。在实际系统设计中这给了工程师一个清晰的权衡工具。4.2 与主流基准方案的性能对比我们对比了两种广泛引用的混合预编码基准方案AltMin 1来自文献[1]的经典交替最小化方案用流形优化处理模拟预编码单位模约束用最小二乘处理数字预编码。这是无限分辨率下的强基准。AltMin 2一种更简单的交替最小化模拟和数字预编码都用最小二乘求解模拟预编码只取相位。我们的对比分两步第一步图4假设数字预编码是无限分辨率的只对模拟预编码进行量化。结果显示无论是SD还是EP方案其性能都大幅优于直接将“AltMin 1”或“AltMin 2”的连续解进行“最近点映射”Nearest Point, NP量化的方案。在发射功率35 dBm时SD/EP方案的频谱效率比NP量化方案高出近30%。这证明了联合优化离散变量的必要性。逐元素量化忽略了变量间的耦合误差会累积导致波束方向图严重畸变。第二步图5同时考虑模拟和数字预编码的有限分辨率。此时性能差距进一步拉大。SD/EP方案的优势更加明显。这凸显了在双重离散约束下传统连续优化后量化的方法已完全无法满足要求。4.3 关键因素影响分析数字 vs. 模拟预编码谁更重要图7我们设计了一组“混合”方案用EP设计模拟预编码NP量化数字预编码EP Analog - NP Digital以及用NP量化模拟预编码EP设计数字预编码NP Analog - EP Digital。结果清晰地表明后者的性能远优于前者。这说明在混合架构中数字预编码的优化比模拟预编码的优化对系统性能的影响更大。原因在于数字预编码可以同时调整信号的幅度和相位具有更强的干扰消除和波束成形能力而模拟预编码只能调整相位。因此在资源有限时应优先保证数字预编码的设计精度。分辨率的影响图8数字预编码分辨率L增加数字预编码的量化电平数L能带来显著的性能提升尤其是在L从2增加到8的阶段。即使模拟预编码分辨率很低b1提高L也能有效提升和速率。模拟预编码分辨率b当数字预编码分辨率很低L2时提高模拟移相器比特数b收益甚微。只有当数字预编码有足够精度L较大时提高b才有明显效果。这再次印证了数字预编码的主导地位。一个实用结论在硬件成本约束下优先投资于高精度的DAC和高速前传链路以支持高分辨率数字预编码比追求高精度移相器更具性价比。系统规模扩展性图9增加RF链数MT和子载波数S都能提升总容量Gbps但存在边际收益递减。当MT或S足够大后系统性能逐渐逼近由信道条件和干扰决定的理论上限。EP方案在此类大规模参数扫描中展现了其价值因为它能在可接受的时间内完成仿真而SD方案可能已无法运行。5. 工程实现中的挑战与对策将这套算法应用于实际系统还会遇到一些论文中未提及的挑战。5.1 信道状态信息CSI的获取我们的算法假设拥有完美的CSI。在实际中尤其是在频分双工FDD系统或高速移动场景下获取准确的下行CSI非常困难。通常需要通过上行信道估计、利用信道互易性TDD、或基于有限反馈的码本设计来获取。不完美CSI下的鲁棒设计文中提到可以将WMMSE步骤替换为鲁棒WMMSE设计如基于信道误差统计模型。我们的混合预编码框架SD/EP部分本身是与信道获取方式解耦的。只要给框架输入一个预编码矩阵F_FD*无论它是如何得到的我们的算法就会去逼近它。因此可以很方便地与各种先进的信道估计或鲁棒预编码技术结合。基于码本的简化方案对于极端低复杂度的需求可以考虑将模拟预编码的离散集合D与一个模拟波束成形码本绑定。这样优化问题就变成了从码本中选择最优的波束。SD/EP算法依然适用只是搜索空间变成了码本索引。5.2 动态连接架构的扩展论文第III-D节简要讨论了动态连接混合预编码其中模拟部分由对角移相器矩阵F̃_RF和开关连接矩阵F_SW组成F_RF F̃_RF F_SW。这更贴近一些先进的硬件平台。开关矩阵的离散优化F_SW是一个0-1矩阵优化问题(35)本质上是一个二元整数规划。令人欣喜的是经过变形后它同样可以分解为多个独立的、形如MIMO检测的子问题只是此时的“星座”是{0, 1}。SD和EP算法可以直接迁移过来求解。EP需要稍作修改因为其高斯近似对于二元变量需要采用不同的“倾斜分布”计算。相位与开关的联合优化算法流程变为三步交替固定相位和数字优化开关固定开关和数字优化相位此时退化为简单的单变量搜索固定相位和开关优化数字。这增加了迭代的维度但核心的离散优化思想不变。5.3 算法加速与硬件部署热启动Warm Start在时分双工TDD系统中信道变化相对缓慢。可以将上一时刻收敛的预编码矩阵作为当前时刻算法的初始值能极大减少迭代次数。定点化与硬件友好实现SD和EP的核心操作是矩阵乘法、QR/Cholesky分解、以及搜索/概率计算。这些算法可以很好地映射到FPGA或ASIC上。特别是EP中涉及的大量矩阵运算可以通过脉动阵列等硬件架构高效实现。需要关注数值精度低精度定点运算可能就足够了这能进一步降低功耗。分层优化策略对于超大规模系统可以采用“分而治之”的思想。例如将天线阵列划分为几个子阵列每个子阵列独立运行较小规模的混合预编码算法然后再用一个高层数字预编码器进行协调。这可以大幅降低单次优化的维度。6. 总结与展望这项工作为应对大规模MIMO系统特别是毫米波通信中混合预编码硬件分辨率限制和前传容量限制这一对孪生挑战提供了一套坚实而灵活的解决方案。其核心贡献在于创新性地建立了混合预编码离散优化与成熟MIMO检测算法之间的桥梁。对于追求极致性能的场景基于球面解码SD的设计提供了性能基准证明了在离散约束下逼近全数字性能是可能的。对于大规模和实际部署场景基于期望传播EP的设计展示了其卓越的实用价值它以微小的性能代价换来了计算复杂度的巨大降低使得在RF链数较多的系统中进行实时预编码计算成为可能。从我个人的仿真和实践经验来看这套方法最大的优势在于其通用性和模块化。SD/EP求解器可以作为一个“黑盒”模块嵌入到任何基于矩阵分解的混合预编码框架中。无论是处理模拟移相器的量化、数字预编码的量化还是开关网络的优化都可以归结为同一个形式的子问题然后用同一个求解器去处理。未来的工作可以沿着几个方向深入与深度学习的结合能否用神经网络来学习SD或EP的搜索策略或者用图神经网络来建模EP中的消息传递过程这可能带来进一步的加速。更广泛的硬件损伤模型除了相位量化还可以考虑移相器幅度误差、功放非线性、I/Q不平衡等更全面的硬件损伤模型并将其纳入离散优化的框架。系统级联合设计将有限分辨率预编码设计与用户调度、资源分配、信道估计等模块进行联合优化以实现系统整体效能的最大化。这项研究从一个具体的工程问题出发通过深刻的数学转化找到了一个优雅且高效的算法解决方案。它再次证明通信系统中那些最棘手的离散组合优化问题其答案往往隐藏在另一个看似遥远的领域。跨领域的知识迁移是推动技术前进的重要动力。
