1. 项目概述毫米波大规模MIMO中的混合预编码挑战在5G及未来无线通信的演进蓝图中毫米波频段因其丰富的频谱资源被视为实现超高速率数据传输的关键。然而毫米波信号路径损耗大、易受遮挡的特性使得大规模多输入多输出技术成为其不可或缺的伴侣。MIMO通过部署数十甚至数百根天线利用空间复用和波束赋形来对抗路径损耗提升系统容量。但一个直接的矛盾随之而来传统的全数字预编码架构要求每根天线都配备一条独立的射频链路这在大规模天线阵列下意味着惊人的硬件成本、电路复杂度和能耗。混合预编码技术正是在这种背景下应运而生的折中方案。其核心思想是将预编码过程拆分为模拟域和数字域两部分。数字预编码在基带进行负责处理多用户间的干扰通常复杂度较低模拟预编码则在射频端通过模拟器件如移相器实现负责在模拟域形成窄波束以补偿路径损耗。通过这种方式系统所需的昂贵且高功耗的射频链路数量得以大幅减少通常只需与同时服务的用户数相当。然而传统的基于有限分辨率移相器的混合预编码架构虽然性能接近全数字方案但其所需的移相器数量天线数×射频链数依然庞大硬件成本和功耗问题并未得到根本解决。近年来一种更具潜力的架构——基于开关和逆变器的混合预编码架构——进入了研究者的视野。它用简单的开关和数字可控的逆变器替代了复杂的移相器网络。开关仅负责信号的通断逆变器则实现简单的相位翻转即乘以1或-1。这种架构在硬件实现上更为简单、成本更低、能耗更小。但随之而来的问题是如何在这种硬件约束更强只能进行简单的相位选择而非连续相位调整的架构下设计出性能优异的预编码算法这正是本文所要深入探讨的核心。我们将聚焦于一种名为自适应交叉熵的智能算法看看它如何在这个“简陋”的硬件平台上施展魔法在系统总速率和能量效率之间找到最佳平衡点。2. 核心架构与算法原理深度解析2.1 三种混合预编码架构的对比要理解SI架构的价值我们必须先将其置于更广阔的图景中与另外两种主流架构进行对比。这就像为通信系统选择“烹饪工具”全数字架构是功能齐全但耗电巨大的专业厨房PS架构是配备了精细控温烤箱的现代厨房而SI架构则是追求极致效率的智能快餐厨房。1. 基于移相器的架构这是混合预编码的经典形态如图1(a)所示。其特点是全连接每一根射频链路都通过一个移相器网络连接到全部N根天线。这使得模拟预编码矩阵FRF是一个稠密矩阵每个元素理论上可以在单位圆上连续取值实际受限于移相器分辨率如4比特对应16个离散相位点。这种架构提供了最大的波束成形自由度能够非常精确地匹配信道因此性能最接近理想的全数字预编码。但其代价也最高需要 N × NRF 个移相器。对于一个64天线、服务8个用户的典型场景就需要512个移相器。这些移相器不仅增加了硬件面积和成本其功耗每个约40mW在系统总功耗中占比显著。2. 基于开关的架构为了极致简化硬件SW架构走向了另一个极端如图1(b)所示。它采用单连接每根射频链路仅通过一个开关连接到一根特定的天线。这意味着在任一时刻基站只能激活与射频链数量相等的天线子集NRF根进行信号发射。其模拟预编码矩阵FRF是一个每行只有一个非零元素的矩阵且该元素的值固定如1/√N用于功率归一化。这种架构的硬件复杂度极低仅需NRF个开关能耗也大幅下降。但它的性能损失是巨大的因为它完全放弃了阵列增益只能进行简单的天线选择无法形成有效的定向波束来对抗毫米波的路径损耗。3. 基于开关和逆变器的架构SI架构巧妙地找到了一个平衡点采用子连接结构如图2所示。它将N根天线平均分成NRF个小组子阵列每个小组包含 M N / NRF 根天线。每一根射频链路通过一个逆变器和M个开关连接到其专属的一个天线子集上。在这个子集内部射频信号可以通过开关选择路径并通过逆变器决定相位1或-1。因此其模拟预编码矩阵FRF是一个块对角矩阵如公式(11)所示。每个非零元素只能取两个值1/√N 或 -1/√N如公式(12)所示。注意这里的“逆变器”并非指直流转交流的电源设备而是在数字逻辑中实现信号相位翻转即乘以-1的元件通常可以用一个简单的乘法器或反相器实现功耗极低约5mW与开关相当。SI架构的优势在于第一它使用了所有N根天线因此能获得完整的阵列增益第二它用大量低功耗的开关和少量逆变器替代了高功耗的移相器总能耗介于PS和SW架构之间第三其硬件约束块对角、二值相位虽然限制了性能上限但通过智能算法设计有望在性能、复杂度和能效之间达到一个更优的均衡。2.2 自适应交叉熵算法的核心思想与流程在SI架构的硬约束下寻找最优的模拟预编码矩阵FRF即确定每个开关的状态和每个逆变器的符号是一个组合优化问题。搜索空间巨大对于N根天线每个元素有2种选择总共有2^N种可能的FRF。穷举搜索是不现实的。传统的交叉熵算法是一种用于解决组合优化问题的蒙特卡洛方法其核心思想是将优化问题转化为一个概率估计问题我们不断生成随机样本候选解根据目标函数如总速率评估这些样本的优劣然后更新一个概率模型使得下一次迭代中生成“好样本”的概率增大。然而传统CE算法在更新概率模型时对所有“精英样本”表现最好的前Selite个样本一视同仁这显然不够精细。自适应交叉熵算法ACE的核心改进就在于此它为每个精英样本分配一个自适应权重。这个权重与该样本的目标函数值即总速率成正比。表现越好的样本在更新概率模型时拥有更大的“话语权”。这使得概率模型的更新方向能更快速、更精准地收敛到高性能区域。算法1清晰地勾勒了ACE算法的流程。我们可以将其理解为一场“进化竞赛”初始化种群设定初始概率向量℘^(0)其中每个元素℘_n表示第n个天线元素取1/√N的概率初始时各为0.5因为一无所知认为正负概率均等。迭代进化步骤1产生候选根据当前概率模型℘^(i)随机生成S个候选的模拟预编码向量f并重塑为矩阵形式Fs_RF。步骤2数字匹配对于每个Fs_RF计算其等效信道Hs_eq H Fs_RF。然后采用迫零数字预编码器来消除用户间干扰计算对应的数字预编码矩阵Fs_BB并进行功率归一化。步骤3-4评估与排序根据公式(14)-(16)计算每个候选方案Fs_RF, Fs_BB所能达到的系统总速率R(Fs_RF)。然后按总速率从高到低排序。步骤5精英选拔选出前Selite个表现最好的候选作为“精英样本”。步骤6权重分配计算所有精英样本的平均速率γ然后为每个精英样本s分配权重w_s R(Fs_RF) / γ速率越高权重越大。步骤7模型更新这是ACE算法的精髓。根据精英样本的取值和其权重更新概率向量℘。更新公式(27)的本质是计算每个天线位置上所有精英样本取1/√N的加权频率并将其作为新的概率。权重高的样本对概率更新的影响更大。步骤8进入下一次迭代。收敛输出经过I次迭代后概率模型会收敛。选择表现最好的那个候选方案作为最终的模拟和数字预编码器。实操心得在实现ACE算法时有几个关键参数需要仔细调优。候选样本数S不能太小否则搜索空间覆盖不足也不能太大否则计算开销剧增。精英样本数Selite与S的比值ρ即Selite/S至关重要它控制了算法的“选择压力”。ρ太小精英太少可能导致收敛慢或陷入局部最优ρ太大精英太多则削弱了选择作用算法近似于随机搜索。后文的仿真会深入分析这个参数。3. 系统模型与性能指标定义3.1 毫米波信道模型与系统方程我们考虑一个典型的单小区下行链路毫米波大规模MIMO系统。基站装备有N根天线但只有NRF条射频链路用于同时服务K个单天线用户。这里通常假设NRF K以确保能够实现K个用户的空间复用。系统的接收信号向量y可以表示为y H F_RF F_BB x n其中H是N×K的信道矩阵其每一列h_k代表基站到第k个用户的信道向量。F_RF是N×NRF的模拟预编码矩阵受限于具体的硬件架构如SI架构的块对角和二值约束。F_BB是NRF×K的数字预编码矩阵通常需要满足总发射功率约束||F_RF F_BB||_F^2 P。x是发送给K个用户的信号向量满足E[xx^H] I_K。n是加性高斯白噪声向量每个元素服从独立同分布的CN(0, σ^2)。毫米波信道具有丰富的几何特征通常采用基于散射簇的稀疏信道模型。第k个用户的信道向量h_k可以建模为h_k √(N/L_k) * Σ_{l1}^{L_k} α_k^(l) a(ϕ_k^(l), θ_k^(l))其中L_k是该用户信道路径数通常较少体现毫米波信道的稀疏性α_k^(l)是第l条路径的复增益ϕ_k^(l)和θ_k^(l)分别是该路径的方位角和俯仰角离开角。a(ϕ, θ)是天线阵列的响应向量。对于均匀平面阵列其表达式如公式(7)所示其中d为天线间距通常取半波长λ/2以最大化阵列增益且避免栅瓣。3.2 核心性能指标总速率与能量效率评估一个预编码方案的好坏我们需要从“效果”和“代价”两个维度来衡量。1. 总速率总速率是系统频谱效率的直接体现单位为比特/秒/赫兹。它定义为所有用户的可达速率之和R Σ_{k1}^{K} log2(1 γ_k)其中γ_k是第k个用户的信干噪比。在存在多用户干扰的系统中γ_k的计算如公式(16)所示分子是期望信号的功率分母是其他用户造成的干扰功率与噪声功率之和。一个好的预编码方案其目标就是最大化这个总速率R这意味着要同时增强目标用户的信号并抑制对其他用户的干扰。2. 能量效率能量效率是衡量系统“性价比”的关键指标单位为比特/焦耳或比特/秒/瓦通常考虑每焦耳能量所能传输的比特数。它定义为系统达到的总速率与系统总功耗的比值η R / P_total其中P_total是系统的总功耗。对于不同的架构P_total的计算方式不同PS架构P_ps P N_RF * P_RF N * N_RF * P_PS P_BBSW架构P_sw P N_RF * P_RF N_RF * P_SW P_BBSI架构P_si P N_RF * P_RF N_RF * P_IN N * P_SW P_BB全数字ZFP_zf P N * P_RF P_BB其中P是发射机功率放大器消耗的功率通常正比于发射功率PP_RF、P_PS、P_SW、P_IN、P_BB分别代表单条射频链、单个移相器、单个开关、单个逆变器以及基带处理的功耗。根据文献中的典型值P_RF (≈300mW) P_PS (≈40mW) P_SW ≈ P_IN (≈5mW)。这个功耗等级的差异是驱动我们寻找低功耗替代架构的根本原因。注意能量效率的优化是一个多目标问题。单纯追求高总速率可能导致功耗剧增反而降低能效。而单纯追求低功耗又会牺牲性能。SI架构结合ACE算法的目标正是在给定的硬件约束下寻找使得η R / P_si 最大的那个操作点。4. 仿真实验设计与结果分析为了全面评估基于SI架构的ACE混合预编码算法的性能我们将其与几个基准方案进行对比全数字迫零预编码性能上界但能耗最高。基于PS架构的两阶段混合预编码传统高性能混合预编码的代表。基于SW架构的天线选择混合预编码低复杂度、低性能的基准。仿真参数设置如表1所示遵循典型的毫米波信道假设载波频率28 GHz基站天线数N36假设为6×6 UPA用户数K可变信道路径数L_k3采用均匀线性阵列响应。4.1 用户数K对系统性能的影响图3(a)和(b)分别展示了在固定天线数N36时总速率和能量效率随用户数K变化的情况。总速率分析图3a全数字ZF作为上界性能最优。**两阶段PS**方案性能紧随其后因为其模拟预编码有较高的相位调整自由度。**ACESI**方案的总速率介于PS和AS之间。当K较小时例如K12ACE方案明显优于AS方案。这是因为此时每个射频链连接的天线子集大小M N/K 较大SI架构仍有较大的子阵列增益和波束成形能力。随着K增大M减小当K接近N时M趋近于1SI架构退化为类似SW架构的天线选择模式因此其性能逐渐向AS方案靠拢。**ASSW**方案性能最差因为它始终只利用NRF根天线。能量效率分析图3b 这是SI架构结合ACE算法的亮点所在。当K较小1≤K≤12时ACESI方案的能量效率显著高于其他所有方案包括全数字ZF。这是因为在此区间内ACE方案能以相对较小的性能损失总速率低于PS但远高于AS换取硬件功耗的大幅降低用大量开关替代了大量移相器。当K2时ACE方案的能量效率达到峰值。这是一个非常重要的发现意味着在中等用户负载场景下该方案的优势最为突出。当K12后ACE方案的能量效率优势逐渐缩小甚至被全数字ZF超越。原因在于随着K增加PS架构所需的移相器数量N*K急剧增加导致其功耗P_ps飙升能效下降。而全数字ZF的功耗主要来自N个射频链是固定值。当K很大时PS架构的功耗可能超过全数字ZF而ACE方案的总速率与AS趋同但其功耗P_si高于P_sw因为多了NRF个逆变器和更多的开关导致其能效在K很大时可能不如AS甚至ZF。结论ACE混合预编码方案在**中小规模用户数特别是K2~4**的场景下能实现最佳的能效平衡。这非常契合5G中热点区域覆盖、无线回传等特定场景的需求。4.2 天线数N对系统性能的影响图4(a)和(b)分别展示了在K2和K4时能量效率随天线数N变化的情况。整体趋势对于所有方案增加天线数N通常能带来更高阵列增益和波束成形精度从而提升总速率。只要速率提升的幅度超过功耗增加的幅度能量效率就会提高。ACE方案的优势在两个图中ACE方案的能量效率曲线始终位于最上方验证了其在能效方面的普遍优越性。收敛点图4(a)K2显示当N增加到36左右时ACE方案的能量效率已接近饱和。图4(b)K4则需要N增加到64左右才接近饱和。这说明要达到最优能效并非天线越多越好。存在一个“性价比”最高的天线数量。对于K2N36已足够对于K4则需要N64。这为实际基站天线阵列的配置提供了重要参考应根据典型的服务用户数来选择合适的天线规模避免盲目增加天线带来的能耗浪费。4.3 算法参数ρ (S_elite / S) 对性能的影响ρ S_elite / S 是ACE算法内部的一个关键超参数它控制了精英选择的比例。图5分析了ρ对能量效率的影响。K2时图5aACE方案的能效在ρ从0.1到0.6的宽范围内保持稳定且高水平。当ρ0.6后性能开始轻微下降。这表明在用户数较少时算法对ρ不敏感具有较强的鲁棒性。一个适中的ρ值如0.3-0.5即可取得良好效果。K4时图5b情况发生变化。当ρ0.3后ACE方案的能效出现明显下降。这是因为用户数增多后优化问题变得更复杂需要更精细的搜索。如果精英比例ρ过高意味着更新概率模型时参考了太多“不够精英”的样本反而扰乱了搜索方向导致收敛到次优解。当ρ0.7时AS方案的能效甚至超过了ACE方案。参数选择建议综合来看将ρ设置在0.1至0.3之间是一个稳健的选择。在实际算法实现中可以采用一个较小的固定值如0.2或者设计一个随着迭代次数增加而动态减小的ρ以在初期保持多样性在后期加强收敛。5. 实现考量、挑战与未来展望5.1 从理论到实践硬件实现与算法部署的挑战尽管仿真结果令人鼓舞但将基于SI架构的ACE算法推向实际部署仍面临一系列工程挑战1. 硬件非理想特性开关插入损耗与隔离度实际射频开关并非理想器件其在“开”状态存在插入损耗会衰减信号功率“关”状态存在有限的隔离度会导致信号泄漏。这会在模拟预编码中引入误差影响波束成形精度。逆变器相位误差理想的逆变器实现180度相位翻转。但实际电路中可能存在偏差导致翻转后的相位不是精确的180度而是180±Δ度。这种相位误差会累积特别是在大规模阵列中。同步与校准大规模天线阵列要求所有射频通道在时间和相位上严格同步。SI架构中大量的开关和逆变器引入了额外的路径使得通道校准变得更加复杂。2. 算法复杂性与实时性在线计算负担ACE算法是一个迭代算法每一轮都需要生成大量候选解、计算数字预编码、评估总速率。虽然其复杂度低于穷举搜索但对于需要快速跟踪时变信道的移动通信场景相干时间内完成计算其计算延迟可能仍然是一个问题。候选数S与迭代次数I的权衡S和I直接决定了算法的性能和计算量。需要通过大量仿真和实测找到满足性能要求下的最小S和I以降低基带处理单元的功耗和成本。3. 信道信息获取 混合预编码的设计严重依赖于信道状态信息。在毫米波频段由于天线数量多、信道稀疏获取完整的CSI开销巨大。通常需要设计低开销的波束训练和信道估计方案。对于ACE算法如何利用有限的、可能含有噪声的CSI来稳定地工作是一个关键问题。5.2 性能优化与扩展方向基于本文的分析可以从以下几个方向进一步优化和扩展SI架构混合预编码技术1. 联合优化数字预编码本文采用迫零作为数字预编码。可以探索更先进的数字预编码算法如最小均方误差预编码或正则化迫零在干扰抑制和噪声增强之间取得更好平衡尤其是在低信噪比或用户信道相关性较强的场景。2. 分层或分组ACE算法对于超大规模天线阵列如256直接优化整个FRF向量维度太高。可以考虑将天线阵列分成几个大组先使用ACE算法为每个大组选择粗略的波束方向然后在组内再进行更精细的优化以降低算法复杂度。3. 与深度学习结合这是当前一个非常热门的方向。可以训练一个深度神经网络以瞬时CSI或长期信道统计特征作为输入直接输出近似的优化后的模拟预编码矩阵开关和逆变器状态。神经网络的推理速度极快一旦训练完成可以几乎零延迟地生成预编码方案非常适合实时系统。网络训练虽然离线进行时耗时但可以学习到复杂的信道环境与最优预编码之间的映射关系甚至可能发现超越传统优化算法的新颖方案。4. 考虑更实际的系统模型未来的研究可以纳入更复杂的因素如硬件功耗的精确建模包括开关驱动电路、布线损耗等、宽带频率选择性信道下的预编码设计、以及多小区场景下的干扰协调等。5.3 总结与个人体会回顾全文基于开关和逆变器的混合预编码架构配合自适应交叉熵算法为毫米波大规模MIMO系统提供了一条高能效、低成本的切实可行的技术路径。它不像PS架构那样“奢华”也不像SW架构那样“简陋”而是在性能与复杂度之间找到了一个精巧的平衡点。从我个人的仿真与研究经验来看这项技术的魅力在于其“硬件感知”的设计哲学。它不再追求在理想硬件上实现最优性能而是主动拥抱硬件的约束只能二值相位、块对角结构并在此约束下利用智能算法去逼近性能极限。这比单纯在算法层面炫技更有工程价值。在实际操作中有两点深有体会第一参数调优至关重要。无论是系统级的用户数K、天线数N还是算法级的候选数S、精英比例ρ都需要根据具体的部署场景和性能指标是追求峰值速率还是追求能效进行精细调整。本文给出的参数范围K2~12 N≈36~64 ρ0.1~0.3是一个很好的起点。第二仿真与实测的鸿沟。论文中的仿真基于许多理想假设。真正决定技术成败的是它在面对非理想硬件、不完美信道信息、复杂干扰环境时的鲁棒性。因此后续构建原型机进行实测验证是不可或缺的一步。毫米波大规模MIMO的商用之路注定不会平坦其中能耗和成本是必须翻越的两座大山。基于SI的混合预编码方案就像一把精心设计的钥匙有望为打开这座宝藏之门贡献关键力量。它的价值不在于提供最高的绝对性能而在于给出了一个在现实约束下极具竞争力的优质解。