为了在大规模多输入多输出(MIMO)系统中实现低开销、低成本的可靠通信,通过基于正交匹配追踪(OMP)算法的混合波束赋形,在低开销硬件限制下,探究了射频链路的数量、模数转换器数量、有限移相器精度的变化对混合波束赋形系统性能的影响,并与理想情况下的数字波束赋形性能进行对比.仿真结果表明,在射频链路中模数转换器数量较少和移相器精度较低时,基于此算法的波束赋形方案能够达到与理想数字波束赋形系统相近的性能指标.
In order to achieve reliable communication with low time overhead and hardware cost in multiple-input multiple-output (MIMO) systems, hybrid beamforming based on orthogonal matching pursuit algorithm(OMP) is implemented, and low-overhead hardware constraint is considered. The performance of the hybrid beamforming system with the number of radio frequency(RF) chains and the accuracy of shifters is studied. And compare it with the performance of digital beamforming. The simulation results show that the performance of hybrid beamforming can approach the performance of digital beamforming system with less RF links and lower phase shifter accuracy.
多用户毫米波大规模多输入多输出(MIMO,multiple-input and multiple-output)天线系统中可借助波束赋形来获得较高的方向性增益[1-3].混合模拟-数字波束赋形[4]能够以低硬件开销实现接近理想数字波束赋形的性能.在实际的多用户MIMO系统中,各用户之间难以对多天线信号进行联合处理,且存在多用户干扰问题.因此,需要对多用户MIMO系统中的波束赋形算法进行深入研究[2].
耿健等[2]研究了时分双工(TDD)场景下,先使用模拟波束进行多用户调度,然后使用迫零预编码进一步降低已调度用户间的干扰. Ayach、Kwon等[4-5]利用毫米波信道稀疏性特点,使用稀疏重构算法实现混合波束赋形,但只考虑了单用户场景. Bogale等[6]考虑了多用户场景的混合波束赋形,利用块对角化算法减小了多用户间的干扰,并利用压缩感知理论实现了混合波束赋形,但是没有考虑移相器精度对混合波束赋形性能的影响. Liang等[7]提出了一种低复杂度的PZF(phased-ZF)混合预编码算法,通过2 bit精度高度量化的RF相控,在基带中实现了接近传统迫零算法的线性预编码,但此方案需要大量模拟移相器,使硬件成本过高. Zhu等[8]提出了一种自适应混合波束赋形方案,降低了毫米波MIMO系统的复杂性,通过在RF链路和模拟移相器之间加入自适应连接网络,模拟预编码能够自适应地匹配下行链路信道,以提高用户的平均和速率,并为自适应连接网络和APS量化精度的联合设计提供近似最优的解决方案. Lee等[9]考虑了MIMO干扰信道中的混合波束赋形设计问题,首先选择RF预编码器/组合器以优化相应的基带预编码器/组合器,最大化信道传输速率,并采用正交匹配追踪的方法令干扰对齐以抑制干扰.
在毫米波大规模MIMO下行通信链路中,通过对块对角化波束赋形算法和注水功率分配算法的优化,给出混合模拟-数字波束赋形问题模型,实现了基于正交匹配追踪算法的混合波束赋形方法,考虑了混合波束赋形系统中低硬件开销限制,仿真探究了随射频链路中模数转换器的数量、有限移相器精度的变化对混合波束赋形系统性能的影响,并与理想情况下的数字波束赋形性能进行对比.
1 系统模型混合波束下行链路多用户大规模MIMO系统模型如图 1所示,它具有N根天线的发射端,为K位用户服务.每个用户端具有Mk根天线以复用Sk≤Mk个符号.接收机(用户)天线和符号的总数分别为M=KMk和S=KSk.全部信号可以记作数据向量d=[d1T, …, dKT]T,其中dk∈
HkH∈
$ \boldsymbol{H}_{k}=\sqrt{\frac{N M_{k}}{L_{k} \rho_{k}}} \sum\limits_{i=1}^{L_{k}} g_{k i} \boldsymbol{a}_{\mathrm{t}, k}\left(\theta_{\mathrm{t}, k}(i) \boldsymbol{a}_{\mathrm{t}, k}^{\mathrm{H}}(i)\right) $ | (1) |
其中:Lk为散射路径数,gk, i为第k个用户第i条增益路径的复增益,E{|gk|2}=1,ρk是信号在发射机和第k个接收机之间传输时所经历的路径损耗,θt(i)∈[0, 2π],θr, k(i)∈[0, 2π],∀k.假设天线为均匀线阵,发射机与接收机处的天线阵列响应向量at, k(·)和ar, k(·)为
$ {\boldsymbol{a}_{{\text{t}},k}}(\theta ) = \frac{1}{{\sqrt N }}{\left[ {1,{{\text{e}}^{\frac{{2{\text{j}}\mathtt{π}d{\text{sin}}(\theta )}}{\lambda }}}, \cdots ,{{\text{e}}^{\frac{{2{\text{j}}(N - 1)d\sin (\theta )}}{\lambda }}}} \right]^{\text{T}}} $ | (2) |
$ {\boldsymbol{a}_{{\text{r}},k}}(\theta ) = \frac{1}{{\sqrt {{M_k}} }}{\left[ {1,{{\text{e}}^{\frac{{2{\text{j}}\mathtt{π} d{\text{sin}}(\theta )}}{\lambda }}}, \cdots ,{{\text{e}}^{\frac{{2{\text{j}}(N - 1)\pi d\sin (\theta )}}{\lambda }}}} \right]^{\text{T}}} $ | (3) |
混合波束赋形器包括数字、模拟预编码器和译码器,将混合波束赋形方法[4]扩展到多用户的情形中,第k个用户的估计信号可以表示为
$ \hat{\boldsymbol{d}}_{k}^{\boldsymbol{H}_{y}}=\widetilde{\boldsymbol{W}}_{k}^{\mathrm{H}} \boldsymbol{F}_{k}^{\mathrm{H}}\left(\boldsymbol{H}_{k}^{\mathrm{H}} \sum\limits_{i=1}^{K} \boldsymbol{A} \widetilde{\boldsymbol{B}}_{i} \boldsymbol{d}_{k}+\boldsymbol{n}_{k}\right) $ | (4) |
其中:nk∈
$ R_{k}=\operatorname{lb}\left(\boldsymbol{I}_{s_{k}}+\frac{\rho}{s_{k}} \boldsymbol{U}_{n}^{-1} \widetilde{\boldsymbol{W}}_{k}^{\mathrm{H}}\boldsymbol{F}_{k}^{\mathrm{H}} \boldsymbol{H} \boldsymbol{A} \widetilde{\boldsymbol { B }}_{k} \times \widetilde{\boldsymbol{B}}_{k}^{\mathrm{H}} \boldsymbol{A}^{\mathrm{H}} \boldsymbol{H}^{\mathrm{H}} \boldsymbol{F}_{k} \widetilde{\boldsymbol{W}}_{k}\right) $ | (5) |
其中
对于每个用户,块对角波束赋形算法[6]分为3步:第1步,通过迫零部分或全部消除对其他用户的干扰;第2步,通过奇异值分解消除每个用户不同符号之间的干扰;第3步进行注水功率分配.
记用户信道矩阵为
$ \widetilde{\boldsymbol{H}}_{k} \triangleq\left[\boldsymbol{H}_{1}, \boldsymbol{H}_{2}, \cdots, \boldsymbol{H}_{k-1}, \boldsymbol{H}_{k+1}, \cdots, \boldsymbol{H}_{K}\right] $ |
第1步 迫零.
$ \boldsymbol{V}_{k} \triangleq \operatorname{null}\left(\widetilde{\boldsymbol{H}}_{k}^{\mathrm{H}}\right) $ | (6) |
第2步 奇异值分解.
$ \boldsymbol{X}_{k} \triangleq \widetilde{\boldsymbol{H}}_{k}^{\mathrm{H}} \boldsymbol{V}_{k}=\widetilde{\boldsymbol{U}}_{k} \boldsymbol{Z}_{k} \widetilde{\boldsymbol{V}}_{k}^{\mathrm{H}} $ | (7) |
其中Vk是null
块对角算法的前两步优化后,有
$ \begin{array}{c}{\hat{\boldsymbol{d}}_{k}^{D}=\boldsymbol{Z}_{k} \sqrt{\boldsymbol{Q}_{k}} \boldsymbol{d}_{k}+\widetilde{\boldsymbol{H}}_{k}^{\mathrm{H}} \boldsymbol{n}_{k}, \Rightarrow} \\ {\hat{d}_{k, i}^{D}=z_{k, i} d_{k, i}+\widetilde{\boldsymbol{u}}_{k, i}^{\mathrm{H}} \boldsymbol{n}_{k}}\end{array} $ | (8) |
其中:
在块对角波束赋形算法中,对于∀k≠i,Rkk=
$ \begin{align} & {{\xi }_{k}}=E\left\{ \left( \widehat{\boldsymbol{d}}_{k}^{{{\boldsymbol{H}}_{y}}}-\widehat{\boldsymbol{d}}_{k}^{D} \right){{\left( \widehat{\boldsymbol{d}}_{k}^{{{\boldsymbol{H}}_{y}}}-\widehat{\boldsymbol{d}}_{k}^{D} \right)}^{\text{H}}} \right\}= \\ & \left( \boldsymbol{\widetilde{H}}_{k}^{\text{H}}\boldsymbol{F}_{k}^{\text{H}}\boldsymbol{H}_{k}^{\text{H}}\boldsymbol{A}{{{\boldsymbol{\widetilde{B}}}}_{k}}-{{\boldsymbol{Z}}_{k}}\sqrt{{{\boldsymbol{Q}}_{k}}} \right)\times \\ & {{\left( \boldsymbol{\widetilde{H}}_{k}^{\text{H}}\boldsymbol{F}_{k}^{\text{H}}\boldsymbol{H}_{k}^{\text{H}}\boldsymbol{A}{{\widetilde{\boldsymbol{B}}}_{k}}-{{\boldsymbol{Z}}_{k}}\sqrt{{{\boldsymbol{Q}}_{k}}} \right)}^{\text{H}}}+ \\ & \begin{matrix} \sum\limits_{i=1,i\ne k}^{K}{\left( \boldsymbol{\widetilde{W}}_{k}^{\text{H}}\boldsymbol{F}_{k}^{\text{H}}\boldsymbol{H}_{k}^{\text{H}}\boldsymbol{A}{{{\boldsymbol{\widetilde{B}}}}_{i}} \right)}\times {{\left( \boldsymbol{\widetilde{W}}_{k}^{\text{H}}\boldsymbol{F}_{k}^{\text{H}}\boldsymbol{H}_{k}^{\text{H}}\boldsymbol{A}{{{\boldsymbol{\widetilde{B}}}}_{i}} \right)}^{\text{H}}}+ \\ {{\sigma }^{2}}\left( \boldsymbol{\widetilde{W}}_{k}^{\text{H}}\boldsymbol{F}_{k}^{\text{H}}-\boldsymbol{\widetilde{U}}_{k}^{\text{H}} \right){{\left( \boldsymbol{\widetilde{W}}_{k}^{\text{H}}\boldsymbol{F}_{k}^{\text{H}}-\boldsymbol{\widetilde{U}}_{k}^{\text{H}} \right)}^{\text{H}}} \\ \end{matrix} \\ \end{align} $ | (9) |
由于混合波束赋形和数字波束赋形之间的性能差距对于所有符号基本恒定,以此为出发点设计A,
$ \mathop {\min }\limits_{{\boldsymbol{A, }}{{\mathit{\boldsymbol{\tilde B}}}_k}, {{\mathit{\boldsymbol{\widetilde W}}}_k}, {{\mathit{\boldsymbol{\widetilde F}}}_k}} \sum\limits_{k = 1}^K {\text{tr} } \left\{ {{{\left( {{\mathit{\boldsymbol{Z}}_k}\sqrt {{\mathit{\boldsymbol{Q}}_k}} } \right)}^{ - 1}}} \right\}{\xi _k}{\left( {{\mathit{\boldsymbol{Z}}_k}\sqrt {{\mathit{\boldsymbol{Q}}_k}} } \right)^{ - 1}} \triangleq {\xi _\omega } \\ \text{s.t.}\;\;\;\; \sum\limits_{k = 1}^K {\text{tr} } \left\{ {{\boldsymbol{A}}{{\mathit{\boldsymbol{\widetilde B}}}_k}\mathit{\boldsymbol{\widetilde B}}_k^{\text{H}}{{\boldsymbol{A}}^{\text{H}}}} \right\} = {P_{\max }} \\ {\left| {{\mathit{\boldsymbol{A}}_{(i, j)}}} \right|^2} = \kappa , {\left| {{\mathit{\boldsymbol{F}}_{k(i, j)}}} \right|^2} = {\kappa _k} \\ $ | (10) |
其中引入约束条件
$ {{\xi }_{\omega }}=\left\| {{{\widetilde{\widetilde{W}}}}^{\text{H}}}{{\boldsymbol{H}}^{\text{H}}}\boldsymbol{A\widetilde{B}}-\boldsymbol{I} \right\|_{\text{F}}^{2}+\sum\limits_{k=1}^{K}{\left\| \boldsymbol{\widetilde{\widetilde{W}}}_{k}^{\text{A}}\boldsymbol{F}_{k}^{\text{H}}-\boldsymbol{\widetilde{U}}_{k}^{\text{H}} \right\|_{\text{F}}^{2}}$ | (11) |
其中
$ \begin{align} & \underset{_{\boldsymbol{A,}{{{\boldsymbol{\widetilde{B}}}}_{k}},{{\widetilde{\boldsymbol{W}}}_{k}},{{\widetilde{\boldsymbol{F}}}_{k}}}}{\mathop{\min }}\,\left\| {{(\boldsymbol{F\widetilde{\widetilde{W}}})}^{\text{H}}}{{\boldsymbol{H}}^{\text{H}}}\boldsymbol{A\widetilde{B}}-\boldsymbol{I} \right\|_{\text{F}}^{2}+ \\ & \sum\limits_{k=1}^{K}{\left\| \boldsymbol{\widetilde{\widetilde{W}}}_{k}^{\text{H}}\boldsymbol{F}_{k}^{\text{H}}-\boldsymbol{\widetilde{\widetilde{U}}}_{k}^{\text{H}} \right\|_{\text{F}}^{2}} \\ & \text{s}\text{.t}\text{.}\ \ \ \text{tr}\left\{ \boldsymbol{A}\widetilde{\boldsymbol{B}}{{\widetilde{\boldsymbol{B}}}^{\text{H}}}{{\boldsymbol{A}}^{\text{H}}} \right\}={{P}_{\max }}, \\ & {{\left| {{\boldsymbol{A}}_{(i,j)}} \right|}^{2}}=\kappa ,{{\left| {{\boldsymbol{F}}_{k(i,j)}} \right|}^{2}}={{\kappa }_{k}} \\ \end{align} $ | (12) |
为求解式(11),采取2个步骤.第1步,联合优化每个用户的
第1步 第k个用户的
$ \mathop {\min }\limits_{\boldsymbol{{\widetilde{\widetilde{W}}}}_k,{\boldsymbol{F}_k}} \left\|\boldsymbol{F}_{k} \widetilde{\widetilde{\boldsymbol{W}}}_{k}-\widetilde{\widetilde{\boldsymbol{U}}}_{k}\right\|_{\mathrm{F}}^{2} \quad \text { s.t. }\left|\boldsymbol{F}_{k(i, j)}\right|^{2}=\kappa_{k} $ | (13) |
由于式(13)约束函数是非凸的,其全局最优解无法预判,所以可利用压缩感知技术提供次优解(接近最佳)解决方案[10].
由
$ \mathop {\min }\limits_{\boldsymbol{{\widetilde{\widetilde{W}}}}_k,{\boldsymbol{F}_k}} \left\|\boldsymbol{F}_{k} \widetilde{\widetilde{\boldsymbol{W}}}_{k}-\widetilde{\widetilde{\boldsymbol{U}}}_{k}\right\|_{\mathrm{F}}^{2} \quad \text { s.t. }\left|\boldsymbol{F}_{k(:, t)}\right|={\mathscr{F}_{k\left( {:\;,\forall j} \right)}} $ | (14) |
式(14)仍然是非凸的.为了简化这个问题,引入变量
$ \min \limits_{\overline{\boldsymbol{W}}_{k}}\left\|\overline{\boldsymbol{F}}_{k} \overline{\boldsymbol{W}}_{k}-\widetilde{\widetilde{\boldsymbol{U}}}_{k}\right\|_{\mathrm{F}}^{2}, \text { s.t. } \quad\left\|\operatorname{diag}\left(\widetilde{\boldsymbol{W}}_{k}^{\mathrm{H}}\right)\right\|_{0}=P_{\mathrm{r}, k} $ | (15) |
其中等式约束确保
1) 初始: set Fk=[],
2) for i=1: Pr, k
i=arg max (diag(ΦΦH))
Fk=[Fk|F(:, i)]
end for
第2步 式(15)中
$ \min \limits_{\boldsymbol{A}, \widetilde{\boldsymbol{B}}}\left\|\widetilde{\boldsymbol{\widetilde{W}}}^{\mathrm{H}} \boldsymbol{F}^{\mathrm{H}} \boldsymbol{H}^{\mathrm{H}} \boldsymbol{A} \widetilde{\boldsymbol{B}}-\boldsymbol{I}\right\|_{\mathrm{F}}^{2}\\ \text{s.t.}\sum\limits_{k=1}^{K} \operatorname{tr}\left\{\boldsymbol{A} \widetilde{\boldsymbol{B}} \widetilde{\boldsymbol{B}}^{\mathrm{H}} \boldsymbol{A}^{\mathrm{H}}\right\} \leqslant P_{\max },\left|\boldsymbol{A}_{(i, j)}\right|^{2}=1 $ | (16) |
可以注意到,A和HH的右奇异向量具有很高的相关性.根据这种特性,假设A的每一列取自于字典集Aτ中的某一列,其中Aτ=[at(φ)]∈
$ \min\limits _{\widetilde{\boldsymbol{B}}}\|(\boldsymbol{H} \boldsymbol{F} \widetilde{\widetilde{\boldsymbol{W}}}) \overline{\boldsymbol{A}} \boldsymbol{B}-\boldsymbol{I}\|_{\mathrm{F}}^{2}\\ \begin{array}{l}{\text { s.t. } \sum\limits_{k=1}^{K} \operatorname{tr}\left\{\overline{\boldsymbol{A}} \overline{\boldsymbol{B}} \overline{\boldsymbol{B}}^{\mathrm{H}} \overline{\boldsymbol{A}}^{\mathrm{H}}\right\}=P_{\mathrm{max}}} \\ {\left\|\operatorname{diag}\left(\overline{\boldsymbol{B}} \overline{\boldsymbol{B}}^{\mathrm{H}}\right)\right\|_{0}=P_{\mathrm{t}}}\end{array} $ | (17) |
式(17)可用正交匹配追踪算法求解,伪码如下:
1) 初始: set A=[],
2) for i=1:Prk do
i=arg max (diag(ΦΦH))
A=[A|A(:, i)]
end for
3)
仿真中散射路径数Lk=16,发射端天线间隔为半波长d=λ/2,天线数N=128,用户数K=4,用户k天线数Mk=32,复用符号数Sk=8.射频链个数Pt=KPrk,总发射功率Pmax=KSk mW,平均信噪比为
基于正交匹配追踪算法的混合波束赋形与理想波束赋形[14-15]的性能对比结果如图 2所示.在多用户大规模MIMO系统中,假设发射机信道状态信息已知,可利用块对角对算法有效地降低多用户干扰.设仿真参数不变,对数字和混合波束赋形系统中的发射端分别进行平均及注水功率分配[16],探究和用户速率随信噪比(SNR)的变化(见图 3),使用迭代算法实现注水功率分配,以提高和用户速率.
从图 2可以看出,混合波束赋形的性能在低信噪比阶段与理想数字波束赋形之间差距小,随着信噪比的增加,差距逐渐增大.从图 3可以看出,通过功率注水分配后,数字和混合波束赋形的和用户速率都得到提高,混合波束赋形能够更好地接近数学波束赋形的和用户速率.
考虑到RF射频链路数、模数转换器个数、移相器精度等对混合波束赋形系统性能影响大,因此,针对RF链路中模数转换器个数对混合波束赋形性能的影响进行了仿真,并与理想情况下的数字波束赋形性能进行对比,仿真结果如图 4所示.针对移相器精度对混合波束赋形性能的影响进行了仿真,并与理想情况下的数字波束赋形性能进行对比,仿真结果如图 5所示.可以看到在大规模MIMO系统中,在一定的条件下,通过选择合适的模数转换器个数和移相器精度可以实现低开销的可靠通信.
从图 4中可以看出,在信噪比为-4 dB和6 dB时,随着RF链路中模数转换器数量的增加,混合波束赋形的性能迅速提升,并在模数转换器的数量为16时趋于稳定,与理想数字波束赋形的性能几乎一致.
从图 5可以看出,信噪比为-4 dB时,随着移相器精度增高,混合波束赋形与理想数字波束赋形之间的性能差距不断减小,并在模数转换器数量为10时趋于稳定,可以较好地接近理想数字波束赋形.在信噪比为-4 dB和6 dB时具有相同的趋势,但在性能差距趋于稳定后,信噪比为6 dB时的性能差距大于信噪比为-4 dB时的性能差距.
5 结束语波束赋形可以为毫米波系统提供所需的天线增益,传统数字波束赋形在大规模MIMO系统中硬件开销大,而混合波束赋形通过合理设计可接近于传统波束赋形性能,因此广泛应用于毫米波大规模MIMO系统,虽然其射频链路数减少,但对模拟移相器的数量及精度有高的要求.笔者探究了具有大规模MIMO的毫米波通信系统中下行链路的多用户混合波束赋形,实现了基于OMP算法的有效混合波束赋形预编码解决方案,并对RF链路中模数转换器数量、移相器精度对混合波束赋形性能的影响进行了探究及分析,以达到与理想数字波束赋形系统相近的性能,实现低开销的可靠通信.
[1] |
洪翠云. MIMO系统中唯相位波束赋形算法的研究与性能分析[D].北京: 北京邮电大学, 2014.
|
[2] |
耿健.基于TDD的较大规模天线系统发端关键技术研究[D].北京: 北京邮电大学, 2014.
|
[3] |
朱晨.毫米波通信中波束赋形性能仿真平台的设计与实现[D].北京: 北京邮电大学, 2015.
|
[4] |
Ayach O E, Rajagopal S, Abu-Surra S, et al. Spatially sparse precoding in millimeter wave MIMO systems[J]. IEEE Transactions on Wireless Communications, 2014, 13(3): 1499-1513. DOI:10.1109/TWC.2014.011714.130846 |
[5] |
Kwon G, Shim Y, Park H, et al. Design of millimeter wave hybrid beamforming systems[C]//Vehicular Technology Conference. Seoul: IEEE, 2014: 1-5.
|
[6] |
Bogale T E, Le L B. Beamforming for multiuser massive MIMO systems: digital versus hybrid analog-digital[C]//Global Communications Conference. Austin: IEEE, 2015: 4066-4071.
|
[7] |
Liang L, Xu W, Dong X. Low-complexity hybrid precoding in massive multiuser MIMO systems[J]. IEEE Wireless Communications Letters, 2014, 3(6): 653-656. DOI:10.1109/LWC.2014.2363831 |
[8] |
Zhu X, Wang Z, Dai L, et al. Adaptive hybrid precoding for multiuser massive MIMO[J]. IEEE Communications Letters, 2016, 20(4): 776-779. DOI:10.1109/LCOMM.2016.2532334 |
[9] |
Lee J H, Kim M J, Ko Y C. IA-based hybrid beamforming design in MIMO interference channel[C]//International Conference on Advanced Communication Technology. Bongpyeong: IEEE, 2017: 358-361.
|
[10] |
Yang J, Wei Z, Zhang X, et al. Correlation based adaptive compressed sensing for millimeter wave channel estimation[C]//Wireless Communications and Networking Conference. San Francisco: IEEE, 2017: 1-6.
|
[11] |
Mallat S G, Zhang Z. Matching pursuits with time-frequency dictionaries[J]. IEEE Trans on Signal Processing, 1993, 41(12): 3397-3415. DOI:10.1109/78.258082 |
[12] |
Tropp J, Gilbert A C. Signal recovery from random measurements via orthogonal matching pursuit[J]. IEEE Transactions on Information Theory, 2007, 53(12): 4655-4666. DOI:10.1109/TIT.2007.909108 |
[13] |
Donoho D L, Tsaig Y, Drori I, et al. Sparse solution of underdetermined systems of linear equations by stagewise orthogonal matching pursuit[J]. IEEE Transactions on Information Theory, 2012, 58(2): 1094-1121. DOI:10.1109/TIT.2011.2173241 |
[14] |
Spencer Q H, Swindlehurst A L, Haardt M. Zero-forcing methods for downlink spatial multiplexing in multiuser MIMO channels[J]. IEEE Transactions on Signal Processing, 2004, 52(2): 461-471. DOI:10.1109/TSP.2003.821107 |
[15] |
Stankovic V, Haardt M. Generalized design of multi-user MIMO precoding matrices[J]. IEEE Trans Wireless Commun, 2008, 7(3): 953-961. DOI:10.1109/LCOMM.2008.060709 |
[16] |
Palomar D P, Lagunas M A, Cioffi J M. Optimum linear joint transmit-receive processing for MIMO channels with QoS constraints[J]. IEEE Transactions on Signal Processing, 2004, 52(5): 1179-1197. DOI:10.1109/TSP.2004.826164 |