1. 毫米波全双工中继系统为何需要混合预编码与鲁棒设计毫米波通信这个听起来有点“硬核”的技术名词其实离我们并不遥远。当你用5G手机下载一部高清电影或者未来体验VR/AR带来的沉浸感时背后很可能就有毫米波技术的支撑。简单来说毫米波是指频率在30GHz到300GHz之间的电磁波其波长在1毫米到10毫米之间。它最大的优势就是“带宽大”好比一条拥有几十条车道的超级高速公路能同时承载海量数据轻松实现每秒数吉比特Gbps的传输速率是满足未来超高速率需求的关键。然而这条“高速公路”有个天生的短板信号衰减非常严重。高频电磁波在空气中传播时容易被氧气、水蒸气吸收也容易被建筑物、树叶甚至人体阻挡导致传输距离短、覆盖能力弱。为了克服这个短板工程师们祭出了“大规模天线阵列”Massive MIMO这个法宝。通过部署几十甚至上百根天线形成高度定向的波束将能量集中“照射”到目标用户从而补偿路径损耗这被称为波束成形。传统的波束成形方案是“全数字”的即每一根天线都对应一条独立的射频RF链路包含完整的数模/模数转换器、混频器、功率放大器等。对于64根天线的阵列就需要64套这样的射频链路。这不仅成本高昂、功耗巨大在毫米波频段其硬件复杂度和实现难度更是呈指数级增长几乎不具备工程可行性。于是“混合预编码”技术成为了破局的关键。它的核心思想是“分而治之”将波束成形任务拆分成模拟和数字两部分。模拟部分通常由移相器网络实现负责在模拟域进行粗略的、宽波束的指向数字部分在基带处理则进行精细的、多数据流的处理和干扰消除。这样一来所需的射频链路数量可以大幅减少到与数据流数量相当通常远少于天线数从而在性能损失可控的前提下极大地降低了系统的硬件复杂度和功耗。这好比从为每辆车配备一个专属司机全数字转变为几个调度员数字预编码指挥一群自动驾驶巴士模拟波束成形按固定路线运行效率和经济性显著提升。当我们把场景扩展到更复杂的“中继”系统时挑战进一步升级。中继就像通信网络中的“驿站”可以转发信号扩展覆盖范围。而“全双工”中继则更激进它能像人类对话一样在同一频段上同时进行接收和发送。这理论上能将频谱效率提升一倍但带来了一个致命问题自干扰。中继自己发出的强大信号会淹没它试图接收的微弱信号。此外在实际系统中我们永远无法获得完美的信道状态信息CSI信道估计误差总是存在。在毫米波大规模MIMO场景下这些不完美的CSI会严重影响波束成形的准确性导致性能急剧下降。因此一个面向实际应用的毫米波全双工中继系统设计必须同时解决三个核心矛盾高频谱效率全双工、低硬件复杂度混合架构、以及对现实不完美因素信道误差、自干扰的强韧性鲁棒性。本文要探讨的正是如何将混合预编码与鲁棒优化设计深度融合为这类系统提供一个从理论到仿真都经得起推敲的工程化解决方案。我们的目标很明确用大约一半的硬件复杂度实现接近理想全数字系统的性能并且让系统在面对信道误差时依然“稳如泰山”。2. 系统模型与核心问题建模要设计一个系统首先得把它“画”出来并明确我们要解决的具体数学问题。我们考虑一个典型的双向全双工中继通信场景有两个用户设备U1和U2希望通过一个中继站Relay进行通信。这个中继工作在“带内全双工”模式意味着它在相同的毫米波频段上同时接收来自两个用户的信号并同时向两个用户发送处理后的信号。2.1 信号传输的完整链条整个通信过程发生在连续的时隙中。在每个时隙τ发生以下事件用户发送用户U1和U2分别生成自己的数据流向量s1和s2。这些数据流经过各自的数字预编码器 V1,τ和V2,τ处理然后通过数量有限的射频链路上变频到毫米波频段再经过模拟预编码器 FRF由移相器阵列实现形成模拟波束最后从大规模天线阵列发射出去。这里Vk,τ是数字部分FRF是模拟部分两者共同构成混合预编码Fk FRF Vk,τ。中继接收与自干扰中继的天线阵列同时接收到来自两个用户的信号。但与此同时中继自己正在发射的、功率很强的信号也会泄漏到自己的接收端这就是自干扰SI。尽管中继会进行自干扰消除但由于硬件非理想性和信道估计误差总会残留一部分称为残留自干扰RSI。中继的接收信号可以建模为y_r H1,τ F1 s1 H2,τ F2 s2 α G_r x_r n_r。其中Hk,τ是用户k到中继的信道矩阵G_r是中继的环回自干扰信道x_r是中继当前发射的信号α是一个缩放因子与中继放大功率有关n_r是接收噪声。中继处理与转发中继对接收到的混合信号有用信号残留自干扰噪声进行放大和处理。它首先使用一个模拟合并器 WRF同样是移相器网络在模拟域进行接收波束成形然后经过射频链路下变频到基带由数字接收滤波器 R_r进行进一步处理。处理后的信号再经过一个数字发射预编码器 V_r和模拟发射预编码器 FRF_t通常与接收模拟部分共享硬件或独立设计形成新的发射波束放大后转发出去。整个中继的处理矩阵可以表示为F FRF_t V_r R_r WRF^H它是一个混合架构的滤波器。用户接收用户U1和U2分别接收到中继转发的信号以及来自另一用户的直接干扰在系统模型中通常假设用户间无直接链路或将其视为噪声的一部分。用户端同样采用混合架构进行接收先通过模拟合并器WRF,k再经过数字接收滤波器Rk恢复出发送给自己的数据流估计值ŝk。2.2 不完美信道状态信息CSI的建模在实际系统中我们无法获得完美的信道矩阵H和G。通过信道估计得到的只是一个带有误差的版本。常用的建模方法是误差矩阵模型Ĥk,τ Hk,τ Ek,τ其中Ĥk,τ是估计得到的信道矩阵Hk,τ是真实的信道矩阵Ek,τ是信道估计误差矩阵。通常假设误差矩阵的元素是独立同分布的复高斯随机变量均值为零方差为σ_e^2。这个方差σ_e^2的大小反映了信道估计的精度是衡量系统鲁棒性挑战的关键参数。鲁棒设计的核心就是在已知误差方差统计特性即知道 CSI 不完美但不知道具体误差值的前提下设计预编码和接收滤波器使得在最差的误差情况下系统性能也能得到保障而不是针对某个看似完美实则错误的CSI进行优化。2.3 优化目标最小化和均方误差SMSE我们的设计目标是让用户恢复出的数据ŝk尽可能接近原始发送的数据sk。一个广泛使用的衡量标准是和均方误差Sum Mean-Square Error, SMSE即两个用户估计误差的均方值之和SMSE E[ ||s1 - ŝ1||^2 ] E[ ||s2 - ŝ2||^2 ]中E[·]表示求期望。这个值越小说明整体恢复的准确性越高。我们的优化问题可以表述为在给定中继总发射功率P_T的约束下联合优化所有用户的数字预编码器{Vk,τ}、数字接收滤波器{Rk}、中继的混合处理矩阵F包含模拟和数字部分以及功率缩放因子α使得系统的 SMSE 最小化。同时我们必须考虑信道估计误差Ek,τ的影响因此这是一个鲁棒优化问题。数学上我们需要最小化在最坏情况信道误差下的 SMSE 上界或者最小化在误差统计特性下的平均 SMSE。注意这里有一个关键技巧。直接联合优化所有变量包括模拟部分那堆受限于恒定模约束的移相器是一个非常难解的非凸问题。因此常见的策略是采用交替优化Alternating Optimization框架。即先固定其他变量优化其中一个然后固定刚优化的这个去优化下一个如此迭代直至收敛。虽然不能保证找到全局最优解但通常能收敛到一个性能优良的局部最优解且计算上可行。3. 核心算法迭代优化与混合分解面对上述复杂的联合优化问题我们采用一种分步迭代、层层递进的策略来求解。整个过程分为两大步首先求解在给定架构下的“全数字”最优解忽略模拟部分的硬件约束然后再通过算法将全数字解“拟合”到混合架构上。3.1 鲁棒全数字滤波器的迭代求解这一步我们暂时假设中继和用户端都可以使用全数字波束成形即每个天线对应一个射频链路。虽然这不现实但它给出了性能的理论上界并且其解是后续混合分解的基础。基于交替优化框架和随机优化理论针对信道误差我们可以推导出各个滤波器在固定其他变量时的闭合形式解Closed-form Solution。这些解看起来复杂但都有清晰的物理意义和迭代逻辑。固定中继滤波器F和接收滤波器Rk优化用户预编码器Vk,τ 以用户1的预编码器V1,τ为例其最优解的形式如原文式(37)所示。这个公式可以直观理解为预编码器的设计目标是在增强期望信号方向H1^H F^H G2^H R2的同时抑制由信道误差σ_H^2, σ_G^2项和残留自干扰/噪声σ_n^2项带来的不确定性。公式中的大逆矩阵[...]^{-1}起到了“归一化”和“功率分配”的作用确保在总功率约束下将能量有效地分配到信道的强特征模上。λ是与中继功率约束相关的拉格朗日乘子。固定中继滤波器F和用户预编码器Vk,τ优化用户接收滤波器Rk 用户1的接收滤波器R1的解如原文式(38)。接收滤波器的任务是从收到的混合信号有用信号、来自另一用户的干扰、残留自干扰和噪声中最大限度地提取出目标信号。其解是一个典型的最小均方误差MMSE接收机形式。分子项G1 F H2,τ V2,τ是期望信号的路径分母中的求和项分别代表了噪声功率、信道误差引起的干扰协方差以及由另一用户信号和自干扰构成的干扰协方差。R1的设计本质上是在“放大信号”和“抑制干扰与噪声”之间取得最佳平衡。固定用户端的预编码和接收滤波器优化中继滤波器F 这是最复杂的一步因为F同时影响所有链路。通过构造拉格朗日函数并求导我们可以得到关于vec(F)将矩阵F向量化的一个线性方程O * vec(F) f如原文附录所示。其中矩阵O包含了所有用户信道、预编码、接收滤波器以及误差方差的信息。求解这个线性方程组即可得到当前迭代下的最优中继滤波器F。这个解协调了双向通信的需求旨在同时最小化两个方向上的均方误差。更新功率缩放因子α和拉格朗日乘子λ 根据中继的总功率约束P_T可以更新缩放因子α sqrt( P_T / tr(F Z_r F^H) )其中Z_r是与中继端信号协方差相关的矩阵。λ也随之更新它像一个“价格”反映了功率约束的紧程度。迭代算法流程可以概括如下步骤1初始化随机生成或根据信道估计初始化用户预编码器Vk、接收滤波器Rk和中继滤波器F并计算初始SMSE。步骤2迭代优化 a. 固定Rk,F利用式(37)更新Vk,τ。 b. 固定Vk,τ,F利用式(38)更新Rk。 c. 固定Vk,τ,Rk求解线性方程组更新F和α。 d. 计算新的SMSE。步骤3判断收敛如果本次迭代与上一次迭代的SMSE变化量小于一个预设的极小阈值例如1e-4则认为算法收敛停止迭代否则返回步骤2继续。这个迭代过程通常收敛很快仿真表明在5次迭代内就能达到稳定这保证了算法的实用性。3.2 从全数字到混合架构正交匹配追踪OMP分解上一步我们得到了最优的全数字预编码/接收滤波器矩阵例如用户端的F_k,opt尺寸为天线数 N_t × 数据流数 N_s和中继端的F_opt尺寸为中继发射天线数 N_rel × 中继接收天线数 N_rel。现在我们需要将它们分解为模拟RF和数字Baseband两部分即F_k,opt ≈ F_RF,k * F_BB,kF_opt ≈ F_RF * F_BB其中F_RF是模拟波束成形矩阵其每个元素都是一个移相器必须满足恒定模约束即每个元素的模长为1仅改变相位。F_BB是数字波束成形矩阵可以进行任意幅值和相位的调整但尺寸较小RF链数 × 数据流数。如何找到一组F_RF和F_BB使得它们的乘积尽可能接近最优的全数字解F_opt这是一个稀疏表示或矩阵近似问题。正交匹配追踪Orthogonal Matching Pursuit, OMP算法因其简单有效而被广泛采用。其核心思想是将模拟波束成形矩阵F_RF的每一列看作是从一个预先定义好的“字典矩阵”A中选出的一个“原子”即一个候选波束向量。字典矩阵A的每一列代表一个可能的模拟波束方向例如覆盖整个空间的一组离散角度。常用的字典包括离散傅里叶变换DFT矩阵其列向量对应均匀空间角度是最常用的选择。特征波束成形Eigen Beamforming基于信道协方差矩阵的特征向量构建性能最优但计算量大。离散余弦变换DCT/离散哈达玛变换DHT矩阵在某些场景下可作为替代。天线选择矩阵最简单即每次只激活一根天线。OMP分解算法的步骤如下以分解中继滤波器 F_opt 为例初始化设置残差矩阵R F_opt初始化空的模拟矩阵F_RF和选中的原子索引集为空。原子选择对于当前残差R在字典A的所有列原子中找到与R的每一列相关性最强内积最大的那个原子。选择能最大程度代表R整体结构的原子例如计算A的每一列与R的所有列的内积和取最大值。更新集合将选中的子即A的某一列添加到F_RF中作为新的一列并更新索引集。求解数字部分在已选定的原子集即当前的F_RF下求解最小二乘问题min || F_opt - F_RF * F_BB ||_F^2得到当前最优的数字预编码矩阵F_BB (F_RF^H F_RF)^{-1} F_RF^H F_opt。更新残差计算新的残差R F_opt - F_RF * F_BB。循环判断如果已选中的原子数量达到了射频链路的数目N_rf则停止否则返回步骤2。通过OMP算法我们用一个由少量RF链对应N_rf个原子支持的模拟矩阵F_RF和一个低维的数字矩阵F_BB近似了高维的全数字矩阵F_opt。N_rf通常等于数据流数N_s或略大于它远小于天线数N_t从而实现了硬件复杂度的降低。实操心得字典的选择与性能权衡字典的选择直接影响混合预编码的性能。DFT字典因其均匀覆盖和易于硬件实现对应均匀线性阵列而成为最普遍的选择。特征波束字典性能最好因为它与信道结构最匹配但需要实时计算信道协方差矩阵并做特征分解计算开销大。在仿真中如果计算资源允许可以优先测试特征波束字典的性能作为上界参考。在实际系统设计中DFT字典是兼顾性能和复杂度的稳妥选择。天线选择字典性能最差仅适用于对成本极端敏感的场景。4. 仿真实验设计与结果深度分析理论推导和算法设计是否有效必须通过仿真来验证。我们依据原文的仿真参数设置深入解读其结果背后的工程意义。4.1 仿真参数设置与对比方案为了全面评估所提方案我们设定一个典型的毫米波中继场景载波频率28 GHz属于5G毫米波主流频段。天线配置用户端发射/接收天线数N_t8中继端天线数N_rel16。用户端RF链数N_rf^t4中继端RF链数N_rf^rel8。这意味着混合架构的硬件复杂度RF链数是全数字架构的一半用户端8-4中继端16-8。信道模型采用经典的Saleh-Valenzuela几何信道模型模拟毫米波信道的稀疏多径特性。假设有4个散射簇N_cl4每个簇有5条射线N_ray5。功率与噪声所有节点发射功率相同P0.5W。噪声方差与信噪比SNR相关定义为σ_n^2 P / SNR。残留自干扰的强度用干扰噪声比INR来衡量其方差设为σ_l^2 INR * σ_n^2。信道误差为评估鲁棒性设定信道估计误差方差σ_e^2为一个固定值如0.2或在实验中变化。我们对比以下四种方案NR-HY非鲁棒混合本文提出的混合预编码方案但假设已知完美CSI进行设计。这是性能的理想化参考但实际无法实现。R-HY鲁棒混合本文提出的核心方案在已知CSI误差统计信息σ_e^2的前提下进行鲁棒设计并采用混合架构。NR-FC非鲁棒全数字采用全数字架构且假设完美CSI。这是性能的理论上界但硬件复杂度最高。R-FC鲁棒全数字采用全数字架构并进行鲁棒设计。这是鲁棒性能的理论上界。4.2 关键性能指标解读仿真主要观察两个指标和速率Sum-Rate与和均方误差SMSE。和速率单位是比特/秒/赫兹bps/Hz直观反映了系统每秒每赫兹带宽能传输的总信息量是衡量频谱效率的核心指标。值越高越好。SMSE如前所述反映了信号恢复的总体失真程度。值越低越好。4.3 结果分析与工程启示图2和速率随SNR变化不同方案对比这张图是核心结论的直观展示。随着SNR增加所有方案的和速率都上升。我们可以清晰地看到鲁棒性的价值在存在信道误差σ_e^20.2时R-HY鲁棒混合和R-FC鲁棒全数字的性能显著优于它们对应的非鲁棒版本NR-HY和NR-FC。这说明当CSI不完美时采用非鲁棒设计即使假设完美CSI会导致严重的性能损失而鲁棒设计能有效抵御这种损失保持系统稳定。混合架构的效率R-HY曲线的性能非常接近R-FC而NR-HY也接近NR-FC。这意味着用一半的硬件复杂度RF链数减半我们通过混合预编码获得了与全数字方案近乎相同的性能。这是混合预编码技术价值的直接证明。性能间隙R-HY与NR-FC之间可能存在一个小的性能间隙。这个间隙由两部分构成一是从全数字到混合架构的近似损失OMP分解引入的二是从非鲁棒到鲁棒设计因保守优化而付出的固有代价“鲁棒性代价”。仿真结果表明这个总代价在大多数SNR下是可接受的。图3/图4算法收敛性与干扰分析迭代算法的收敛速度至关重要。图3和图4显示无论信道误差方差σ_e^2或自干扰强度INR如何变化所提的迭代算法通常在5次迭代以内就能收敛到一个稳定的SMSE值。这证明了交替优化框架在实际应用中的高效性满足了实时或准实时处理的需求。 此外图4表明更低的INR即更好的自干扰消除能力能带来更高的和速率。这强调了在实际全双工系统中开发高效的自干扰消除技术包括模拟域抵消和数字域抵消是与预编码设计同等重要的课题。图5硬件复杂度对性能的影响此图深入探讨了“用多少复杂度换取多少性能”这一工程权衡。我们固定天线数N_t16, N_rel32改变RF链的数量。1/2复杂度N_rf^t8, N_rf^rel16此时和速率能达到全数字系统N_rf^t16, N_rf^rel32的94%以上。这意味着仅用一半的昂贵射频硬件就获得了94%的性能性价比极高。1/4复杂度N_rf^t4, N_rf^rel8性能仍有全数字系统的83%。这在一些对成本极度敏感、对峰值速率要求不极致的场景如某些物联网回传链路中是一个非常有吸引力的折衷方案。图6数据流数的影响增加并行传输的数据流数N_s理论上可以线性提升和速率空间复用增益。仿真验证了这一点N_s越大和速率越高。但在低SNR区域所有曲线的性能趋近这是因为信号功率不足无法有效支持多流传输此时分集增益比复用增益更重要。这提示我们在实际系统中需要根据实时的信道条件SNR自适应地选择传输的流数。图8/图9不同字典对性能的影响这两张图揭示了OMP算法中字典选择的重要性。在SMSE和和速率指标上特征波束字典Eigen性能最好最接近全数字方案因为它利用了信道的二阶统计信息。DFT字典性能次之但非常接近特征波束且硬件实现简单是工程上的首选。DCT、DHT字典性能稍逊于DFT。天线选择字典性能最差。 选择字典时需要在性能、计算复杂度和硬件实现简易度之间权衡。对于大多数毫米波系统基于均匀线性阵列ULA的DFT码本已能提供足够好的性能。5. 实际部署考量与挑战将上述设计从仿真平台推向实际部署还会面临一系列挑战。5.1 信道估计与误差建模鲁棒设计的前提是已知信道误差的统计特性方差σ_e^2。这个方差如何获取基于导频的估计通过发送已知的导频信号来估计信道。误差方差σ_e^2可以从估计的信道协方差矩阵、或者根据导频功率、噪声功率以及信道时变特性如多普勒频移理论推导出来。自适应估计系统可以初期采用一个保守的误差方差值进行设计然后在实际运行中通过监测接收信号的误差向量幅度EVM或误码率BER来反向估计和更新σ_e^2实现动态鲁棒优化。模型失配我们的鲁棒设计基于加性高斯误差模型。实际误差可能具有更复杂的统计特性如相关性、非高斯性。虽然高斯假设是常见且易于处理的近似但在极端场景下可能需要更精细的误差模型。5.2 混合架构的硬件实现与非理想因素模拟移相器网络这是混合预编码的物理核心。需要实现一个能快速、精确配置大量移相器对应F_RF矩阵中的元素的网络。移相器的分辨率位数、插入损耗、幅相不一致性都会影响最终性能。互耦效应大规模天线阵列中天线单元之间的电磁耦合会改变预期的波束方向图需要在基带数字预编码F_BB中进行预补偿。校准射频链路之间的增益、相位偏差必须进行定期校准否则模拟波束成形的精度会严重下降。这需要额外的校准电路和算法。功耗与热管理尽管RF链数量减少但工作在毫米波频段的功放、低噪放等器件本身功耗依然可观。大规模阵列的集中散热是一个工程难题。5.3 算法复杂性与实时性迭代算法的收敛时间虽然仿真中5次迭代即可收敛但每次迭代都涉及矩阵求逆、乘法等操作对于大规模天线如64x64或更大计算量依然巨大。需要研究低复杂度的近似算法或利用信道的时间相关性减少优化频率。OMP分解的实时性OMP算法需要在线执行。对于动态变化的信道需要快速完成字典原子的搜索和最小二乘求解。可以采用分层码本、压缩感知等加速技术或设计专用的硬件加速器如FPGA来处理。联合设计的扩展性本文针对两用户场景。扩展到多用户K2时联合优化问题的维度急剧增加计算将变得不可行。可能需要采用分簇、迫零ZF、正则化迫零RZF等次优但复杂度低的多用户预编码方案并与混合架构、鲁棒设计相结合。5.4 系统集成与标准兼容性最终的方案需要集成到完整的通信协议栈中与帧结构、参考信号设计、调度、 HARQ等机制协同工作。例如需要设计专门的导频图案来估计用户-中继、中继-用户以及环回信道。此外方案需要评估是否符合3GPP等标准化组织对毫米波中继和全双工技术的潜在定义和要求。踩过的坑与心得初始化的重要性交替优化算法对初始值敏感。完全随机的初始化可能导致收敛到较差的局部最优点甚至不收敛。实践中可以采用匹配滤波MF或最小均方误差MMSE的简化解作为初始值能显著加快收敛并提升最终性能。功率约束的处理文中通过拉格朗日乘子法处理中继的总功率约束。在迭代更新F和α时要确保功率计算准确否则可能导致迭代不稳定。一个技巧是在每次迭代后对F进行归一化然后再根据P_T计算α。混合分解的误差OMP分解是一种近似。当RF链数N_rf非常有限时如1/4复杂度分解误差可能较大。此时可以考虑更先进的分解算法如流形优化Manifold Optimization直接在恒定模约束下联合优化F_RF和F_BB虽然计算更复杂但能获得更好的近似性能。鲁棒性的“度”σ_e^2这个参数设置需要谨慎。如果设置得比实际误差方差大很多设计会过于保守牺牲了太多性能如果设置得偏小则鲁棒性不足。最好能根据信道估计器的实际性能进行动态标定。毫米波全双工中继系统是通向未来超高速、高容量网络的有力候选。通过混合预编码大幅降低硬件成本再通过鲁棒设计赋予系统应对现实不完美性的能力这套组合拳为解决其核心挑战提供了切实可行的思路。从仿真结果看以一半的硬件代价换取接近理想的性能并且能在信道信息不准时保持稳定这样的 trade-off 对于工程落地极具吸引力。当然从论文到产品还有很长的路要走需要通信算法工程师、射频硬件工程师和系统架构师紧密协作逐一攻克上述实现挑战。但毫无疑问这个方向的研究和探索正持续推动着毫米波技术从实验室走向千家万户。