基于simulink采用 QSHB 和 HBPS 算法的混合 MIMO 波束成形仿真

news2024/11/24 12:31:22

一、前言

本例展示了多输入多输出（MIMO）无线通信系统的 Simulink 模型。无线系统使用混合波束成形技术来提高系统吞吐量。

二、介绍

5G和其他现代无线通信系统广泛使用MIMO波束成形技术进行信噪比（SNR）增强和空间复用，以提高散射体丰富环境中的数据吞吐量。在散射体丰富的环境中，发射天线和接收天线之间可能不存在视线（LOS）路径。为了获得高吞吐量，MIMO 波束成形在发射器侧实现预编码，并在接收器侧进行组合，以提高 SNR 和独立的空间通道。全数字波束成形结构要求每个天线都有一个专用的射频到基带链，这使得整体硬件成本高昂且功耗高。作为解决方案，提出了混合MIMO波束成形[1]，其中使用较少的RF到基带链，并在RF部分实现了部分预编码和组合。通过精心选择预编码和组合的权重，混合波束成形可以实现与全波束成形相当的性能。

在本例中，我们介绍了具有混合MIMO波束成形的Simulink模型。该模型显示了两种混合波束成形算法：量化稀疏混合波束成形（QSHB） [2] 和带峰值搜索的混合波束成形（HBPS）。

下图显示了混合波束成形系统的结构。

在图中，

是信号流的数量;

是发射天线的数量;

是发射射频链的数量;

是接收天线的数量;和

是接收射频链的数量。在本例中，两个信号流、64 个发射天线、4 个发射射频链、16 个接收天线和 4 个接收射频链。

散射通道表示为

.混合波束成形权重由模拟预编码器表示

、数字预编码器

、模拟合路器

和数字合路器

.有关混合波束成形。

三、模型

Simulink 模型由四个主要组件组成：MIMO 发射器、MIMO 通道、MIMO 接收器和权重计算。

MIMO 发射器生成信号流，然后应用预码。调制信号通过MIMO信道中定义的散射信道传播，然后在接收器侧进行解码和解调。

四、MIMO 散射通道

MIMO 散射信道由信道矩阵表示。此外，本例还使用启用的子系统定期更改该矩阵，以模拟 MIMO 信道可能随时间变化的事实

五、混合波束成形权重计算

在混合波束成形系统中，预编码和相应的组合过程部分在基带完成，部分在RF频段完成。通常，在RF频段实现的波束成形仅涉及相移。因此，这种系统中的一个关键部分是如何根据信道确定基带和RF频段之间的权重分配。这是在权重计算模块中完成的，其中预编码权重、、、和组合权重和是基于通道矩阵计算的。在此示例中，我们假设信道矩阵是已知的，并提供QSHB和HBPS算法。

5.1 量化稀疏混合波束成形（QSHB）

文献[2，3]表明，给定MIMO散射信道的信道矩阵H，可以通过迭代算法[2]计算混合波束成形权重。使用正交匹配追踪算法，得到的模拟预编码/组合权重只是对应于信道矩阵主导模式的转向矢量。有关算法的详细说明，请参阅混合波束成形简介示例。

5.2 带峰值搜索的量化稀疏混合波束成形（HBPS）

HBPS是QSHB的简化版本。HBPS不是迭代地搜索信道矩阵的主要模式，而是将所有数字权重投影到方向网格中，并识别

和

峰值以形成相应的模拟波束成形权重。这尤其适用于大型阵列，例如大规模MIMO系统中使用的阵列，因为对于大型阵列，方向更有可能是正交的。

由于通道矩阵会随时间变化，因此还需要定期执行权重计算以适应通道变化。

六、结果和显示

下图显示了使用 QSHB 算法在接收器上恢复的 16 个 QAM 符号流。由此产生的星座显示，与源星座相比，恢复的符号正确位于两个流中。这意味着使用混合波束成形技术，我们可以通过同时发送两个流来提高系统容量。此外，星座图显示，由于点在第一个恢复流的星座中的分散度较小，因此第一个恢复流的方差优于第二个恢复流。这是因为第一个流使用MIMO信道的最主要模式，因此它具有最佳的SNR。

HBPS

HBPS的结果如下图所示。星座图显示，与QSHB相比，它实现了相似的性能。这意味着HBPS是模拟64x16 MIMO系统的不错选择。

七、总结

本示例提供了两种混合波束成形方法（QSHB 和 HBPS）的 Simulink 模型。MIMO 散射信道用于为大规模 MIMO 系统提供真实的信道模型。Simulink 模型根据信号流中的功能进行分区，为硬件实施提供指导。对于给定的 H，符号的数量可以变化以模拟可变相干通道长度。通过该 Simulink 模型，可以研究各种系统参数和新的混合波束成形算法。系统结构便于硬件实施。

八、参考

[1] Andreas F. Molisch, et al. "Hybrid Beamforming for Massive MIMO: A Survey", IEEE Communications Magazine, Vol. 55, No. 9, September 2017, pp. 134-141

[2] Oma El Ayach, et al. "Spatially Sparse Precoding in Millimeter wave MIMO Systems, IEEE Transactions on Wireless Communications", Vol. 13, No. 3, March 2014

[3]. Emil Bjornson, Jakob Hoydis, Luca Sanguinetti, "Massive MIMO Networks: Spectral, Energy, and Hardware Efficiency", Foundations and Trends in Signal Processing: Vol. 11, No. 3-4, 2017