SVD预编码：介绍和推导

什么是SVD预编码？

SVD（Singular Value Decomposition, 奇异值分解）预编码是单用户MIMO（SU-MIMO） 或点对点MIMO通信系统中的最优线性预编码技术。

核心思想：一个复杂的MIMO信道矩阵 \(H\) 会使得发送的不同数据流之间产生干扰（符号间干扰，Inter-Symbol Interference）。SVD预编码的目标是将这个复杂的MIMO信道分解成多个并行的、互不干扰的独立子信道。这样，我们就可以在这些“干净”的子信道上独立地发送数据，从而避免干扰并达到信道的最大容量（香农容量）。

它通过在发射端（预编码）和接收端（信号处理）同时进行精巧的数学变换，将原始的信道矩阵 \(H\) “对角化”，使得整个系统等效于一组平行的简单信道。

---

系统模型

首先，我们建立一个标准的单用户MIMO系统模型：

• 发射端（Tx）有 \(N_t\) 根天线。
• 接收端（Rx）有 \(N_r\) 根天线。
• 信道矩阵为 \(H\)，维度是 \(N_r \times N_t\)。
• 发射端要发送的符号向量为 \(s\)，它是一个 \(d \times 1\) 的向量，其中 \(d\) 是数据流的数量 (\(d \le \min(N_t, N_r)\))。
• 发射端使用预编码矩阵 \(P\)（维度 \(N_t \times d\)）对信号进行处理。
• 实际发射的信号为 \(x = Ps\)。
• 接收端收到的信号为 \(y = Hx + n = HPs + n\)，其中 \(n\) 是噪声。
• 接收端使用信号处理矩阵 \(W\)（维度 \(d \times N_r\)）来恢复信号。
• 最终恢复的信号为 \(\hat{s} = Wy = WHPs + Wn\)。

我们的目标是设计 \(P\) 和 \(W\)，使得 \(\hat{s}\) 尽可能地接近原始信号 \(s\)，最好能让整个系统 \(WHP\) 变成一个对角矩阵，从而消除数据流之间的干扰。

---

SVD预编码的数学推导

SVD预编码的全部魔力都源于对信道矩阵 \(H\) 的奇异值分解。

1. 对信道矩阵H进行SVD分解

根据线性代数，任何一个矩阵 \(H\) 都可以被分解为：

\[H = U \Sigma V^H \]

其中：

• \(U\) 是一个 \(N_r \times N_r\) 的酉矩阵 (\(U^H U = I\))，它的列向量称为左奇异向量。
• \(V\) 是一个 \(N_t \times N_t\) 的酉矩阵 (\(V^H V = I\))，它的列向量称为右奇异向量。
• \(\Sigma\) 是一个 \(N_r \times N_t\) 的对角矩阵，其对角线上的元素 \(\sigma_i\) 称为奇异值，并且非负。\(\Sigma\) 的形式为 \(\begin{bmatrix} \text{diag}(\sigma_1, \dots, \sigma_r) & \mathbf{0} \\ \mathbf{0} & \mathbf{0} \end{bmatrix}\)，其中 \(r = \text{rank}(H)\) 是非零奇异值的个数。
• \(H\) 表示共轭转置。

这个分解告诉我们信道的内在结构：

• \(V\) 的列向量（右奇异向量）定义了一组发射端的最佳发射方向（相互正交的波束）。
• \(U\) 的列向量（左奇异向量）定义了一组接收端的最佳接收方向（相互正交）。
• \(\sigma_i\) （奇异值）代表了第 \(i\) 个发射/接收方向对上的信道增益。奇异值越大，表示这个子信道的质量越好。

2. 设计预编码和接收矩阵

SVD分解完美地给我们指明了方向。

• 在发射端：我们应该让我们的信号沿着 \(V\) 的方向发射出去。因此，我们选择预编码矩阵 \(P\) 为 \(V\)。
• 在接收端：我们应该沿着 \(U\) 的方向来接收信号。因此，我们选择接收处理矩阵 \(W\) 为 \(U^H\)。

这里我们假设发送的数据流数量 \(d\) 等于信道的秩 \(r\)。所以我们选择 \(V\) 的前 \(r\) 列作为 \(P\)，选择 \(U\) 的前 \(r\) 列的共轭转置作为 \(W\)。为简化推导，我们暂时假设 \(P=V, W=U^H\)。

3. 推导等效信道

现在，我们将设计的 \(P=V\) 和 \(W=U^H\) 代入到最终接收信号的表达式中：

\[\hat{s} = W H P s + Wn \]

\[\hat{s} = (U^H) (U \Sigma V^H) (V) s + U^H n \]

由于 \(U\) 和 \(V\) 都是酉矩阵，我们有 \(U^H U = I\) 和 \(V^H V = I\)（单位矩阵）。因此，上式可以简化：

\[\hat{s} = (U^H U) \Sigma (V^H V) s + U^H n \]

\[\hat{s} = I \cdot \Sigma \cdot I \cdot s + U^H n \]

\[\hat{s} = \Sigma s + n' \]

其中 \(n' = U^H n\) 是经过旋转后的噪声，其统计特性（如功率）保持不变。

4. 分析结果

我们来看一下 \(\hat{s} = \Sigma s + n'\) 的具体形式：

\[\begin{bmatrix} \hat{s}_1 \\ \hat{s}_2 \\ \vdots \\ \hat{s}_r \end{bmatrix} = \begin{bmatrix} \sigma_1 & 0 & \cdots & 0 \\ 0 & \sigma_2 & \cdots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & \sigma_r \end{bmatrix} \begin{bmatrix} s_1 \\ s_2 \\ \vdots \\ s_r \end{bmatrix} + \begin{bmatrix} n'_1 \\ n'_2 \\ \vdots \\ n'_r \end{bmatrix} \]

写成标量形式就是：

\[\hat{s}_1 = \sigma_1 s_1 + n'_1 \]

\[\hat{s}_2 = \sigma_2 s_2 + n'_2 \]

\[\vdots \]

\[\hat{s}_r = \sigma_r s_r + n'_r \]

推导结论：通过SVD预编码，我们成功地将一个相互耦合的MIMO信道 \(H\) 转化为了 \(r\) 个并行的、互不干扰的AWGN（加性高斯白噪声）子信道。第 \(i\) 个子信道的增益就是奇异值 \(\sigma_i\)。

---

与信道容量和功率分配的关系

SVD预编码之所以被称为“最优”，是因为它能够达到单用户MIMO信道的香农容量。

根据香农公式，总信道容量是所有并行子信道容量的总和：

\[C = \sum_{i=1}^{r} \log_2 \left( 1 + \text{SNR}_i \right) \]

\[C = \sum_{i=1}^{r} \log_2 \left( 1 + \frac{p_i |\sigma_i|^2}{\sigma_n^2} \right) \]

其中：

• \(p_i\) 是分配给第 \(i\) 个数据流（子信道）的发射功率。
• \(|\sigma_i|^2\) 是第 \(i\) 个子信道的功率增益。
• \(\sigma_n^2\) 是噪声功率。
• 总发射功率受限：\(\sum_{i=1}^{r} p_i \le P_{\text{total}}\)。

为了最大化总容量 \(C\)，需要使用注水（Water-filling）算法来优化分配各个 \(p_i\)。基本思想是：给信道质量好（\(\sigma_i\) 大）的子信道分配更多的功率；给信道质量差的子信道分配更少的功率；如果某个子信道质量差到一定程度，则不给它分配功率（即不使用该子信道传输数据）。

SVD预编码算法总结

1. 信道估计：发射端需要通过反馈等方式获得准确的信道状态信息（CSI），即矩阵 \(H\)。
2. SVD分解：对 \(H\) 进行奇异值分解，得到 \(U, \Sigma, V\)。
3. 功率分配：根据奇异值 \(\{\sigma_i\}\) 和总功率限制 \(P_{\text{total}}\)，使用注水算法计算出分配给每个子信道的最佳功率 \(\{p_i\}\)。
4. 预编码：构建预编码矩阵 \(P = V \cdot \sqrt{P_{\text{diag}}}\)，其中 \(P_{\text{diag}} = \text{diag}(p_1, p_2, \dots, p_r)\)。发射信号为 \(x=Ps\)。
5. 接收处理：接收端使用 \(W = U^H\) 对接收信号 \(y\) 进行处理，恢复出信号 \(\hat{s}\)。

局限性

• 需要精确的CSIT：SVD预编码的性能极其依赖发射端获取的信道信息的准确性。在快速变化的移动通信环境中，获取实时精确的CSIT是一个巨大的挑战。
• 仅适用于单用户：它是一种点对点的技术，没有考虑多用户之间的干扰。对于多用户场景，需要使用如块对角化（BD）或脏纸编码（DPC）等更复杂的技术。
• 计算复杂度：对信道矩阵进行SVD分解需要一定的计算资源，尤其是在天线数量很多的情况下。