Этот пример вводит фундаментальное понятие гибрида beamforming и показывает, как моделировать такую систему.
Современные системы радиосвязи используют пространственное мультиплексирование, чтобы улучшить пропускную способность в системе в рассеивателе богатая среда. В порядке отправить несколько потоков данных через канал, набор предварительного кодирования и объединения весов выведен из матрицы канала. Затем каждый поток данных может быть независимо восстановлен. Те веса содержат и значение и условия фазы и обычно применяются в цифровой области. Один пример симуляции такой системы может быть найден в Улучшить ОСШ и Способности Радиосвязи Используя пример Антенных решеток. В системной схеме, показанной ниже, каждая антенна соединяется с уникальной передачей, и получите (TR) модуль.
Когда-либо растущий спрос на высокую скорость передачи данных и больше пользовательской способности увеличивает потребность использовать спектр более эффективно. В результате следующее поколение, 5G, беспроводные системы будут использовать волну миллиметра (mmWave) полоса, чтобы использовать в своих интересах ее более широкую пропускную способность. Кроме того, системы 5G развертывают крупномасштабные антенные решетки, чтобы смягчить серьезную потерю распространения в mmWave полосе. Однако эти настройки приносят свои уникальные технические проблемы.
По сравнению с текущими беспроводными системами длина волны в mmWave полосе намного меньше. Несмотря на то, что это позволяет массиву содержать больше элементов с той же физической размерностью, становится намного более дорого обеспечить один модуль TR для каждого элемента антенны. Следовательно, как компромисс, переключатель TR часто используется, чтобы предоставить несколько элементов антенны. Это - та же концепция как настройка подмассива, используемая в радарном сообществе. Одну такую настройку показывают в следующей фигуре.
Фигура выше показов это на стороне передачи, количестве переключателей TR, , меньше, чем количество элементов антенны, . Чтобы обеспечить больше гибкости, каждый элемент антенны может быть соединен с одним или несколькими модулями TR. Кроме того, аналоговые фазовращатели могут быть вставлены между каждым модулем TR и антенной, чтобы предусмотреть некоторым ограниченную держащуюся возможность.
Настройка на стороне получателя подобна, как показано в фигуре. Максимальное количество потоков данных, , это может поддерживаться этой системой, меньший из и .
В этой настройке более не возможно применить цифровые веса на каждый элемент антенны. Вместо этого цифровые веса могут только быть применены в каждой цепочке РФ. На уровне элемента сигнал настроен аналоговыми фазовращателями, который только изменяет фазу сигнала. Таким образом предварительное кодирование или объединение на самом деле сделаны на двух этапах. Поскольку этот подход выполняет beamforming и в цифровых и в аналоговых областях, это упоминается как гибрид beamforming.
Этот раздел моделирует 64 x 16 гибридов MIMO beamforming система с квадратным массивом с 64 элементами с 4 цепочками РФ на стороне передатчика и квадратным массивом с 16 элементами с 4 цепочками РФ на стороне получателя.
Nt = 64; NtRF = 4; Nr = 16; NrRF = 4;
В этой симуляции это принято, что каждая антенна соединяется со всеми цепочками РФ. Таким образом каждая антенна соединяется с 4 фазовращателями. Такой массив может быть смоделирован путем разделения апертуры массивов в 4 абсолютно связанных подмассива.
rng(4096); c = 3e8; fc = 28e9; lambda = c/fc; txarray = phased.PartitionedArray(... 'Array',phased.URA([sqrt(Nt) sqrt(Nt)],lambda/2),... 'SubarraySelection',ones(NtRF,Nt),'SubarraySteering','Custom'); rxarray = phased.PartitionedArray(... 'Array',phased.URA([sqrt(Nr) sqrt(Nr)],lambda/2),... 'SubarraySelection',ones(NrRF,Nr),'SubarraySteering','Custom');
Чтобы максимизировать спектральную эффективность, каждая цепочка РФ может использоваться, чтобы отправить независимый поток данных. В этом случае система может поддержать до 4 потоков.
Затем, примите рассеивающуюся среду с 6 рассеивающимися кластерами, случайным образом распределенными на пробеле. В каждом кластере существует 8 тесно расположенных рассеивателей с угловым распространением 5 градусов для в общей сложности 48 рассеивателей. Усиление пути для каждого рассеивателя получено из комплексного кругового симметричного Распределения Гаусса.
Ncl = 6; Nray = 8; Nscatter = Nray*Ncl; angspread = 5; % compute randomly placed scatterer clusters txclang = [rand(1,Ncl)*120-60;rand(1,Ncl)*60-30]; rxclang = [rand(1,Ncl)*120-60;rand(1,Ncl)*60-30]; txang = zeros(2,Nscatter); rxang = zeros(2,Nscatter); % compute the rays within each cluster for m = 1:Ncl txang(:,(m-1)*Nray+(1:Nray)) = randn(2,Nray)*sqrt(angspread)+txclang(:,m); rxang(:,(m-1)*Nray+(1:Nray)) = randn(2,Nray)*sqrt(angspread)+rxclang(:,m); end g = (randn(1,Nscatter)+1i*randn(1,Nscatter))/sqrt(Nscatter);
Матрица канала может быть сформирована как
txpos = getElementPosition(txarray)/lambda; rxpos = getElementPosition(rxarray)/lambda; H = scatteringchanmtx(txpos,rxpos,txang,rxang,g);
В пространственной системе мультиплексирования со всем цифровым beamforming сигнал модулируется набором предварительного кодирования весов, распространил через канал и восстановился набором объединяющихся весов. Математически, этот процесс может быть описан Y = (X*F*H+N)*W, где X является Ns - матрица столбца, столбцы которой являются потоками данных, F является Ns Матрица Nt представление весов перед кодированием, W является Nr Матрица Ns представление объединяющихся весов, N является Nr - матрица столбца, столбцы которой являются шумом получателя в каждом элементе, и Y является Ns - матрица столбца, столбцы которой являются восстановленными потоками данных. Поскольку цель системы состоит в том, чтобы достигнуть лучшей спектральной эффективности, получив предварительное кодирование, и объединение весов может быть рассмотрено как задачу оптимизации, где оптимальное предварительное кодирование и объединение весов делают продукт F*H*W' диагональной матрицей, таким образом, каждый поток данных может быть восстановлен независимо.
В гибриде beamforming система, поток сигналов подобен. И веса перед кодированием и объединяющиеся веса являются комбинациями основополосных цифровых весов и аналоговых весов полосы РФ. Основополосные цифровые веса преобразовывают входящие потоки данных во входные сигналы в каждой цепочке РФ, и аналоговые веса затем преобразовывают сигнал в каждой цепочке РФ к сигналу, излученному или собранному в каждом элементе антенны. Обратите внимание на то, что аналоговые веса могут только содержать сдвиги фазы.
Математически, это может быть записано как F=Fbb*Frf и W=Wbb*Wrf, где Fbb является Ns Матрица NtRF, Frf NtRF Матрица Nt, Wbb NrRF Матрица Ns и Wrf Nr Матрица NrRF. И начиная с Frf и начиная с Wrf могут только использоваться, чтобы изменить фазу сигнала, существуют дополнительные ограничения в процессе оптимизации, чтобы идентифицировать оптимальное предварительное кодирование и объединение весов. Идеально, получившаяся комбинация Fbb*Frf и Wrf*Wbb является близкими приближениями F и W, которые получены без тех ограничений.
К сожалению, оптимизация всех четырех матричных переменных одновременно является довольно трудной. Поэтому много алгоритмов предложены, чтобы прибыть в субоптимальные веса с разумной вычислительной загрузкой. Этот пример использует подход, предложенный в [1], который разъединяет оптимизацию для предварительного кодирования и объединения весов. Это сначала использует ортогональный алгоритм преследования соответствия, чтобы вывести веса перед кодированием. Если веса перед кодированием вычисляются, результат затем используется, чтобы получить соответствующие веса объединения.
Принятие канала известно, неограниченные оптимальные веса перед кодированием могут быть получены diagonalizing матрица канала и извлечение первых режимов доминирования NtRF. Диаграмма направленности передачи может быть построена как.
F = diagbfweights(H); F = F(1:NtRF,:); pattern(txarray,fc,-90:90,-90:90,'Type','efield',... 'ElementWeights',F','PropagationSpeed',c);
Шаблон ответа выше показов, что даже в лучевой среде, существует ограниченное количество доминирующих направлений.
Гибридные веса, с другой стороны, могут быть вычислены как
At = steervec(txpos,txang); Ar = steervec(rxpos,rxang); Ns = NtRF; [Fbb,Frf] = helperOMPHybridPrecodingWeights(H,NtRF,Ns,At);
Диаграмму направленности гибридных весов показывают ниже
pattern(txarray,fc,-90:90,-90:90,'Type','efield',... 'ElementWeights',Frf'*Fbb','PropagationSpeed',c);
По сравнению с диаграммой направленности, полученной с помощью оптимальных весов, диаграмма направленности с помощью гибридных весов подобна, специально для доминирующих лучей. Это означает, что потоки данных могут быть успешно переданы через те лучи с помощью гибридных весов.
Один из показателей производительности уровня системы системы 5G является спектральной эффективностью. Следующий раздел выдерживает сравнение, спектральная эффективность достигла использования оптимальных весов с тем из предложенного гибрида beamforming веса. Симуляция принимает 1 или 2 потока данных, как обрисовано в общих чертах в [1]. Антенная решетка передачи принята, чтобы быть в базовой станции с фокусируемой шириной луча 60 градусов в области азимута и 20 градусов в области повышения. Сигнал может прибыть в получить массив от любого направления. Получившаяся спектральная кривая КПД получена из 50 испытаний Монте-Карло за каждый ОСШ.
snr_param = -40:5:0; Nsnr = numel(snr_param); Ns_param = [1 2]; NNs = numel(Ns_param); NtRF = 4; NrRF = 4; Ropt = zeros(Nsnr,NNs); Rhyb = zeros(Nsnr,NNs); Niter = 50; for m = 1:Nsnr snr = db2pow(snr_param(m)); for n = 1:Niter % Channel realization txang = [rand(1,Nscatter)*60-30;rand(1,Nscatter)*20-10]; rxang = [rand(1,Nscatter)*180-90;rand(1,Nscatter)*90-45]; At = steervec(txpos,txang); Ar = steervec(rxpos,rxang); g = (randn(1,Nscatter)+1i*randn(1,Nscatter))/sqrt(Nscatter); H = scatteringchanmtx(txpos,rxpos,txang,rxang,g); for k = 1:NNs Ns = Ns_param(k); % Compute optimal weights and its spectral efficiency [Fopt,Wopt] = helperOptimalHybridWeights(H,Ns,1/snr); Ropt(m,k) = Ropt(m,k)+helperComputeSpectralEfficiency(H,Fopt,Wopt,Ns,snr); % Compute hybrid weights and its spectral efficiency [Fbb,Frf,Wbb,Wrf] = helperOMPHybridWeights(H,NtRF,NrRF,Ns,At,Ar,1/snr); Rhyb(m,k) = Rhyb(m,k)+helperComputeSpectralEfficiency(H,Fbb*Frf,Wrf*Wbb,Ns,snr); end end end Ropt = Ropt/Niter; Rhyb = Rhyb/Niter; plot(snr_param,Ropt(:,1),'--sr',... snr_param,Ropt(:,2),'--b',... snr_param,Rhyb(:,1),'-sr',... snr_param,Rhyb(:,2),'-b'); xlabel('SNR (dB)'); ylabel('Spectral Efficiency (bits/s/Hz'); legend('Ns=1 optimal','Ns=2 optimal','Ns=1 hybrid', 'Ns=2 hybrid',... 'Location','best'); grid on;
Эти данные показывают, что спектральная эффективность улучшается значительно, когда мы увеличиваем число потоков данных. Кроме того, гибрид beamforming может выполнить близко к тому, что оптимальные веса могут предложить использованию меньшего количества оборудования.
Этот пример вводит фундаментальное понятие гибрида beamforming и показывает, как разделить предварительное кодирование и объединение весов с помощью ортогонального алгоритма преследования соответствия. Это показывает, что гибрид beamforming может тесно совпадать с производительностью, предлагаемой оптимальными цифровыми весами.
[1] Oma El Ayach, и др. Пространственно Разреженное Предварительное кодирование в волне Миллиметра Системы MIMO, Транзакции IEEE на Радиосвязях, Издании 13, № 3, март 2014.
