【mimo-硬件损伤-预编码】融合预编码与优化算法 —— 从“选最优”到“加权组合”及仿真验证

第九节：融合预编码与优化算法 —— 从“选最优”到“加权组合”及仿真验证

本系列第九节，也是最后一节，我们将最终进入论文的核心创新——加权融合预编码的优化算法。从问题转化到权重求解，从理论推导到仿真验证，我们将完整走一遍这个框架的“灵魂”所在。对应论文：“Mitigating Hardware Impairments in Multi-User Multi-Layer MIMO Systems via Weighted Fusion Precoding”（Zixia Shang, IEEE CL 2026）论文链接：https://ieeexplore.ieee.org/abstract/document/11498349/

📌 引言：当“选择”变成“组合”

在之前的八节中，我们完成了三件事：

认识了各种预编码算法：ZF、MRT、RZF、BD、SLNR、WMMSE——每个都是特定场景下的“单项冠军”。

理解了硬件损伤的挑战：现实中的硬件不完美导致速率存在硬上限，单一算法无法在所有条件下保持最优。

建立了统一的系统模型：把硬件损伤、干扰、噪声全部装进一个协方差矩阵，为优化提供了数学基础。

现在，是时候把所有这些串起来了。

论文的核心思想其实只有一句话：不重新发明轮子，而是把现有的轮子组合起来。

具体来说，就是取一组现成的基预编码器（ZF、MRT、RZF、WMMSE 等），给每个分配一个权重，然后优化这些权重，使加权组合后的系统性能达到最优。

这个思路的美妙之处在于：它将一个高维的非凸预编码优化问题，转化为一个低维的权重优化问题。权重个数

$B$ 通常只有 4 或 5，远小于预编码矩阵中的元素数量。

今天，我们就来拆解这个优化算法的每一步。

一、问题转化：从“优化矩阵”到“优化权重”

1.1 原始问题的困境

在第八节中，我们定义了系统的优化目标：

max

⁡

{

}

∑

s.t.

∑

(

)

≤

max

⁡

\\max_{\\{\\mathbf{V}_{i,k}\\}} \\sum_{i=1}^{I} \\sum_{k=1}^{K} R_{i,k} \\quad \\text{s.t.} \\quad \\sum_{i,k} \\text{tr}(\\mathbf{V}_{i,k} \\mathbf{V}_{i,k}^H) \\leq P_{\\max}

${V_{i, k}} max i = 1 \sum I k = 1 \sum K R_{i, k} s.t. i, k \sum tr (V_{i, k} V_{i, k}^{H}) \leq P_{m a x}$

这个问题的优化变量是所有用户所有层的预编码矩阵

{

}

\\{\\mathbf{V}_{i,k}\\}

${V_{i, k}}$ 。如果

I=2, K=2, N_t=8, d=2

$I = 2, K = 2, N_{t} = 8, d = 2$ ，那么

\\mathbf{V}_{i,k}

$V_{i, k}$ 的总元素数量是

2 \\times 2 \\times 8 \\times 2 = 64

$2 \times 2 \times 8 \times 2 = 64$ 个复数——这还是一个小规模系统。当

N_t

$N_{t}$ 达到 64 或 128 时，变量数量轻松突破千量级。

而且这个优化问题是高度非凸的——速率

R_{i,k}

$R_{i, k}$ 对

\\mathbf{V}_{i,k}

$V_{i, k}$ 的依赖关系极其复杂，涉及矩阵求逆、行列式、对数等运算。直接求解几乎不可能。

1.2 融合的核心思想

论文的核心洞察是：不直接优化

\\mathbf{V}_{i,k}

$V_{i, k}$ ，而是把它表示为多个基预编码器的加权和。

(

)

∑

(

)

\\mathbf{V}_{i,k}(\\boldsymbol{\\alpha}) = \\sum_{b=1}^{B} \\alpha_b \\mathbf{V}_{i,k}^{(b)}

$V_{i, k} (α) = b = 1 \sum B α_{b} V_{i, k}^{(b)}$

其中：

$\\mathbf{V}_{i,k}^{(b)} Vi,k(b) 是第 b b b 个基预编码器（如 ZF、MRT、RZF、WMMSE 等）；$
$\\alpha_b αb 是对应的融合权重；$
$\\boldsymbol{\\alpha} = [\\alpha_1, \\ldots, \\alpha_B] α=[α1,…,αB] 是待优化的权重向量。$

这样做的好处是：

维度直接优化

\\mathbf{V}_{i,k} Vi,k​优化 α \\boldsymbol{\\alpha} α

变量数量	数千甚至数万	4~5 个
问题性质	高度非凸	低维、可近似凸
计算复杂度	极高	可接受
工程可行性	低	高

1.3 约束条件

权重向量

\\boldsymbol{\\alpha}

$α$ 需要满足两个约束：

非负性：

\\alpha_b \\geq 0 αb​≥0 —— 权重不能为负，否则没有物理意义。

归一化：

\\sum_{b=1}^{B} \\alpha_b = 1 ∑b=1B​αb​=1 —— 所有权重之和为 1，形成一个凸组合（Convex Combination）。

这两个约束保证了融合后的预编码矩阵

(

)

\\mathbf{V}_{i,k}(\\boldsymbol{\\alpha})

$V_{i, k} (α)$ 位于基预编码器的凸包内。论文指出，在这种约束下，发射功率约束可以通过对基预编码器的预先归一化来间接满足，因此权重优化环节可以聚焦于最大化系统和速率。

这样一来，

\\boldsymbol{\\alpha}

$α$ 就位于一个

$B$ 维空间的单纯形（Simplex）上，优化问题变成了一个带线性约束的低维优化问题。

1.4 关于“加权”的含义

值得注意的是，这里的“加权”有两层含义：

融合权重

\\boldsymbol{\\alpha} α：控制不同基预编码器在最终预编码中的贡献比例。

用户/层权重：在系统和速率的求和

\\sum_{i,k} R_{i,k} ∑i,k​Ri,k​ 中，每个用户和每层的权重默认为 1。

如果未来需要支持差异化服务质量（QoS），也可以给不同用户赋予不同的权重，但论文为了聚焦于融合机制本身，采用等权重。

二、优化算法的核心挑战

现在的问题变成了：如何找到最优的

\\boldsymbol{\\alpha}

$α$ ？

目标函数

(

)

∑

(

)

f(\\boldsymbol{\\alpha}) = \\sum_{i,k} R_{i,k}(\\boldsymbol{\\alpha})

$f (α) = \sum_{i, k} R_{i, k} (α)$ 是

\\boldsymbol{\\alpha}

$α$ 的非线性函数——速率

R_{i,k}

$R_{i, k}$ 通过

(

)

\\mathbf{V}_{i,k}(\\boldsymbol{\\alpha})

$V_{i, k} (α)$ 依赖于

\\boldsymbol{\\alpha}

$α$ ，而

(

)

\\mathbf{V}_{i,k}(\\boldsymbol{\\alpha})

$V_{i, k} (α)$ 是

\\boldsymbol{\\alpha}

$α$ 的线性组合，但速率计算中涉及矩阵求逆、行列式、对数等运算，所以

(

)

f(\\boldsymbol{\\alpha})

$f (α)$ 是高度非线性的。

直接对

(

)

f(\\boldsymbol{\\alpha})

$f (α)$ 做全局优化仍然困难。

论文的策略是：在“平均工作点”附近对

(

)

f(\\boldsymbol{\\alpha})

$f (α)$ 做局部近似，然后求解近似问题。

这个思路类似于机器学习中的泰勒展开优化——在某个点附近，用一阶和二阶信息来近似目标函数，然后求解近似问题的最优解。

三、平均工作点：近似的锚点

3.1 什么是“平均工作点”？

平均工作点（Average Operating Point）定义为所有基预编码器等权重融合时的状态：

avg

∑

(

)

\\mathbf{V}_{i,k}^{\\text{avg}} = \\frac{1}{B} \\sum_{b=1}^{B} \\mathbf{V}_{i,k}^{(b)}

$V_{i, k}^{avg} = \frac{1}{B} b = 1 \sum B V_{i, k}^{(b)}$

也就是说，在平均工作点，

[

…

]

\\boldsymbol{\\alpha} = [1/B, 1/B, \\ldots, 1/B]

$α = [1/ B, 1/ B, \dots, 1/ B]$ 。

3.2 为什么选这个点？

这个选择不是随意的，而是有充分的工程直觉：

中立性：等权重融合不偏向任何一个基预编码器，是一个“公平”的起点。

可行性：等权重融合天然满足

\\alpha_b \\geq 0 αb​≥0 和 ∑ α b = 1 \\sum \\alpha_b = 1 ∑αb​=1，是一个合法的可行解。

稳定性：在所有基预编码器的凸包内部，等权重点通常远离边界，具有良好的数值稳定性。

代表性：如果所有基预编码器都“各有千秋”，等权重融合已经能获得不错的性能，可以作为进一步优化的良好起点。

论文指出，选择等权重点作为参考，是因为它提供了一个“中立且可行的参考点”，在此基础上进行一阶和二阶近似，能够在不偏向任何单一预编码器的情况下捕获系统目标的局部行为。

3.3 在平均工作点计算辅助矩阵

在平均工作点，论文计算两个关键的协方差矩阵：

期望信号协方差：

avg

[

]

avg

[

]

avg

[

]

\\mathbf{S}_{\\text{avg}}[i,k] = \\mathbf{H}_{i,k,i} \\mathbf{V}_{\\text{avg}}[i,k] \\mathbf{V}_{\\text{avg}}[i,k]^H \\mathbf{H}_{i,k,i}^H

$S_{avg} [i, k] = H_{i, k, i} V_{avg} [i, k] V_{avg} [i, k]^{H} H_{i, k, i}^{H}$

干扰加噪声协方差：

avg

[

]

∑

≠

avg

[

]

avg

[

]

avg

[

]

\\boldsymbol{\\Sigma}_{\\text{avg}}[i,k] = \\sigma^2 \\mathbf{I} + \\sum_{j \\neq i} \\mathbf{H}_{i,k,j} \\mathbf{V}_{\\text{avg}}[j,k] \\mathbf{V}_{\\text{avg}}[j,k]^H \\mathbf{H}_{i,k,j}^H + \\kappa \\mathbf{S}_{\\text{avg}}[i,k]

$Σ_{avg} [i, k] = σ^{2} I + j \neq = i \sum H_{i, k, j} V_{avg} [j, k] V_{avg} [j, k]^{H} H_{i, k, j}^{H} + κ S_{avg} [i, k]$

其中

\\kappa

$κ$ 是硬件损伤因子（对应第七节中的

\\kappa_{tx}

$κ_{t x}$ ）。

这两个矩阵构成了在平均工作点计算速率梯度的基础。

3.4 辅助矩阵 $M_{\\text{avg}} Mavg$

论文还定义了一个辅助矩阵：

avg

[

]

avg

[

]

avg

[

]

−

\\mathbf{M}_{\\text{avg}}[i,k] = \\mathbf{I} + \\mathbf{S}_{\\text{avg}}[i,k] \\boldsymbol{\\Sigma}_{\\text{avg}}[i,k]^{-1}

$M_{avg} [i, k] = I + S_{avg} [i, k] Σ_{avg} [i, k]^{- 1}$

这个矩阵直接对应速率表达式中

log

⁡

det

⁡

(

−

)

\\log_2 \\det(\\mathbf{I} + \\mathbf{S} \\boldsymbol{\\Sigma}^{-1})

$lo g_{2} det (I + S Σ^{- 1})$ 的内部结构。它的作用有两个：

梯度计算：速率的导数可以通过

\\mathbf{M}_{\\text{avg}}^{-1} Mavg−1​ 来表达。

二阶近似：

\\mathbf{M}_{\\text{avg}} Mavg​ 的变化率用于构造 Hessian 矩阵的近似。

四、一阶梯度：知道往哪个方向走

有了平均工作点的辅助矩阵，论文计算速率

(

)

f(\\boldsymbol{\\alpha})

$f (α)$ 对每个权重

\\alpha_m

$α_{m}$ 的一阶偏导数（梯度）。

4.1 梯度的物理意义

梯度

∇

(

)

\\nabla f(\\boldsymbol{\\alpha})

$\nabla f (α)$ 的第

$m$ 个分量

g_m

$g_{m}$ 告诉我们：如果稍微增加

\\alpha_m

$α_{m}$ （同时相应减少其他权重以保持归一化），系统和速率会如何变化。

如果 $g_m > 0 gm>0，增加 α m \\alpha_m αm 会提升速率；$
如果 $g_m < 0 gm<0，增加 α m \\alpha_m αm 会降低速率。$

梯度信息告诉我们优化的方向。

4.2 梯度的数学形式

论文推导出梯度的表达式为：

⁡

(

avg

[

]

−

∂

avg

[

]

∂

)

g_m = \\frac{1}{\\ln 2} \\text{tr}\\left( \\mathbf{M}_{\\text{avg}}[i,k]^{-1} \\frac{\\partial \\mathbf{M}_{\\text{avg}}[i,k]}{\\partial \\alpha_m} \\right)

$g_{m} = \frac{1}{ln 2} tr (M_{avg} [i, k]^{- 1} \frac{\partial M _{avg} [ i , k ]}{\partial α _{m}})$

其中

∂

avg

[

]

∂

\\frac{\\partial \\mathbf{M}_{\\text{avg}}[i,k]}{\\partial \\alpha_m}

$\frac{\partial M _{avg} [ i , k ]}{\partial α _{m}}$ 是辅助矩阵对

\\alpha_m

$α_{m}$ 的偏导数。

这个表达式的核心是：速率对权重的梯度，可以通过辅助矩阵的逆和导数来计算。由于

avg

\\mathbf{M}_{\\text{avg}}

$M_{avg}$ 的维度是

N_r \\times N_r

$N_{r} \times N_{r}$ （接收天线数），通常远小于

N_t

$N_{t}$ ，所以计算是高效的。

4.3 信号协方差的导数

在计算

∂

avg

∂

\\frac{\\partial \\mathbf{M}_{\\text{avg}}}{\\partial \\alpha_m}

$\frac{\partial M _{avg}}{\partial α _{m}}$ 时，需要用到信号协方差对权重的导数：

∂

avg

[

]

∂

(

)

[

]

avg

[

]

avg

[

]

(

)

[

]

)

\\frac{\\partial \\mathbf{S}_{\\text{avg}}[i,k]}{\\partial \\alpha_m} = \\mathbf{H}_{i,k,i} \\left( \\mathbf{V}^{(m)}[i,k] \\mathbf{V}_{\\text{avg}}[i,k]^H + \\mathbf{V}_{\\text{avg}}[i,k] \\mathbf{V}^{(m)}[i,k]^H \\right) \\mathbf{H}_{i,k,i}^H

$\frac{\partial S _{avg} [ i , k ]}{\partial α _{m}} = H_{i, k, i} (V^{(m)} [i, k] V_{avg} [i, k]^{H} + V_{avg} [i, k] V^{(m)} [i, k]^{H}) H_{i, k, i}^{H}$

这里的

(

)

[

]

\\mathbf{V}^{(m)}[i,k]

$V^{(m)} [i, k]$ 是第

$m$ 个基预编码器在用户

$i$ 第

$k$ 层的预编码矩阵。

这个公式的直觉是：信号协方差对权重的变化率，取决于基预编码器与平均预编码器之间的“对齐程度”。如果某个基预编码器的方向与平均方向一致，增加它的权重会显著改变信号协方差；反之则影响较小。

五、二阶近似：从“方向”到“步长”

梯度告诉我们往哪个方向走，但没告诉我们走多远。二阶信息（Hessian 矩阵）则回答了这个问题。

5.1 为什么要二阶近似？

如果只使用梯度信息（一阶近似），我们只能做梯度上升——每次朝梯度方向走一小步，需要多次迭代才能收敛。

论文的目标是直接求解最优权重，而不是迭代逼近。因此，需要在平均工作点附近对

(

)

f(\\boldsymbol{\\alpha})

$f (α)$ 做二阶泰勒展开，构造一个二次近似问题，然后一步到位求出最优解。

5.2 线性系统的构造

通过对

(

)

f(\\boldsymbol{\\alpha})

$f (α)$ 做二阶近似，论文将优化问题转化为一个线性系统：

\\mathbf{A} \\boldsymbol{\\alpha} = \\mathbf{b}

$A α = b$

其中：

矩阵 $\\mathbf{A} A 由二阶项（Hessian 近似）和预编码器相似性惩罚项组成；$
向量 $\\mathbf{b} b 由一阶梯度项组成。$

此外，还需要考虑归一化约束

∑

\\sum_{b=1}^{B} \\alpha_b = 1

$\sum_{b = 1}^{B} α_{b} = 1$ 。论文通过拉格朗日乘子法将约束融入线性系统：

[

]

[

]

[

]

\\begin{bmatrix} \\mathbf{A} & \\mathbf{1} \\\\ \\mathbf{1}^T & 0 \\end{bmatrix} \\begin{bmatrix} \\boldsymbol{\\alpha} \\\\ \\lambda \\end{bmatrix} = \\begin{bmatrix} \\mathbf{b} \\\\ 1 \\end{bmatrix}

$[A 1^{T} 10] [α λ] = [b 1]$

其中

\\lambda

$λ$ 是拉格朗日乘子。

5.3 惩罚项的作用

矩阵

\\mathbf{A}

$A$ 中包含一个预编码器相似性惩罚项。它的作用是：

当两个基预编码器高度相关时（例如 ZF 和 RZF 在

\\beta

$β$ 很小时非常相似），它们对应的权重可能会产生数值不稳定性——因为相似的预编码器对速率的贡献也相似，导致 Hessian 矩阵接近奇异。

惩罚项通过在

\\mathbf{A}

$A$ 的对角线或相关位置添加小的正则化量，改善矩阵的条件数，保证线性系统可解。这类似于 Ridge 回归中的

ℓ

\\ell_2

$ℓ_{2}$ 正则化。

六、兜底方案：当线性系统“生病”时

6.1 什么时候需要兜底？

虽然论文在 10,000 次蒙特卡洛仿真中没有触发兜底机制，但在理论上，以下情况可能导致线性系统无法求解：

矩阵奇异：

\\mathbf{A} A 的条件数过大，求逆不稳定。

数值溢出：在极端信道条件下（如深度衰落），矩阵元素可能过大或过小。

基预编码器高度冗余：多个基预编码器的行为几乎相同，导致

\\mathbf{A} A 接近奇异。

6.2 基于 SINR 的启发式权重

当解析解不可行时，论文提供了一个基于 SINR 的启发式方法。

基本思想是：给那些在给定信道条件下表现更好的基预编码器分配更高的权重。

具体来说，对于第

$b$ 个基预编码器，计算它在所有用户和所有层上的平均 SINR：

SINR

(

)

∥

(

)

∥

∑

≠

∥

(

)

∥

\\text{SINR}_{i,k}^{(b)} = \\frac{\\| \\mathbf{H}_{i,k,i} \\mathbf{V}_{i,k}^{(b)} \\|_F^2}{\\sigma^2 + \\sum_{j \\neq i} \\| \\mathbf{H}_{i,k,j} \\mathbf{V}_{i,k}^{(b)} \\|_F^2}

$SINR_{i, k}^{(b)} = \frac{∥ H _{i, k, i} V _{i, k}^{(b)} ∥ _{F}^{2}}{σ ^{2} + \sum _{j \neq = i} ∥ H _{i, k, j} V _{i, k}^{(b)} ∥ _{F}^{2}}$

然后，第

$b$ 个基预编码器的权重为：

∑

log

⁡

(

SINR

(

)

∑

′

∑

log

⁡

(

SINR

(

′

)

\\alpha_b = \\frac{\\sum_{i,k} \\log_2\\left(1 + \\text{SINR}_{i,k}^{(b)}\\right)}{\\sum_{b'} \\sum_{i,k} \\log_2\\left(1 + \\text{SINR}_{i,k}^{(b')}\\right)}

$α_{b} = \frac{\sum _{i, k} lo g _{2} ( 1 + SINR _{i, k}^{(b)} )}{\sum _{b^{'}} \sum _{i, k} lo g _{2} ( 1 + SINR _{i, k}^{(b^{'})} )}$

这个方法的优点是：

无需矩阵求逆，计算复杂度极低；
快速生成可行解，保证算法在任何情况下都能输出结果；
性能合理，虽然不是最优，但通常优于等权重融合。

论文指出，虽然 Bussgang 模型是一个近似模型，实际的硬件失真通常更复杂，但融合权重是通过最大化整体性能指标获得的，而不是依赖于精确的失真分布，因此对失真模型的偏差具有一定的容忍度。

七、完整算法流程

现在我们可以把整个算法串起来了。

7.1 算法步骤

输入：

所有用户的信道矩阵 $\\mathbf{H}_{i,k,j} Hi,k,j$
所有基预编码器 $\\mathbf{V}_{i,k}^{(b)} Vi,k(b)$
噪声功率 $\\sigma^2 σ2$
硬件损伤因子 $\\kappa κ$

输出：

融合权重 $\\boldsymbol{\\alpha} = [\\alpha_1, \\ldots, \\alpha_B] α=[α1,…,αB]$
融合后的预编码矩阵 $\\mathbf{V}_{i,k} Vi,k$

步骤：

计算平均工作点：

avg

[

]

∑

(

)

\\mathbf{V}_{\\text{avg}}[i,k] = \\frac{1}{B} \\sum_{b=1}^{B} \\mathbf{V}_{i,k}^{(b)}

$V_{avg} [i, k] = \frac{1}{B} b = 1 \sum B V_{i, k}^{(b)}$

计算辅助矩阵：

信号协方差 $\\mathbf{S}_{\\text{avg}}[i,k] Savg[i,k]$
干扰加噪声协方差 $\\boldsymbol{\\Sigma}_{\\text{avg}}[i,k] Σavg[i,k]$
辅助矩阵 $\\mathbf{M}_{\\text{avg}}[i,k] = \\mathbf{I} + \\mathbf{S}_{\\text{avg}}[i,k] \\boldsymbol{\\Sigma}_{\\text{avg}}[i,k]^{-1} Mavg[i,k]=I+Savg[i,k]Σavg[i,k]−1$

计算梯度

g_m

$g_{m}$ ：

(

avg

[

]

−

∂

avg

[

]

∂

)

g_m = \\text{tr}\\left( \\mathbf{M}_{\\text{avg}}[i,k]^{-1} \\frac{\\partial \\mathbf{M}_{\\text{avg}}[i,k]}{\\partial \\alpha_m} \\right)

$g_{m} = tr (M_{avg} [i, k]^{- 1} \frac{\partial M _{avg} [ i , k ]}{\partial α _{m}})$

构造线性系统：

用二阶项和惩罚项构造 $\\mathbf{A} A$
用梯度构造 $\\mathbf{b} b$
加入归一化约束

求解线性系统：

如果稳定，得到解析解 $\\boldsymbol{\\alpha} α$
如果不稳定，使用 SINR 启发式方法

构造融合预编码器：

∑

(

)

\\mathbf{V}_{i,k} = \\sum_{b=1}^{B} \\alpha_b \\mathbf{V}_{i,k}^{(b)}

$V_{i, k} = b = 1 \sum B α_{b} V_{i, k}^{(b)}$

7.2 算法的关键特征

特征说明

单次求解	不需要迭代，一次线性系统求解即得结果
低维优化	优化变量只有
闭式解	在正常情况下，权重有解析表达式
兜底机制	数值不稳定时有 SINR 启发式保底
模块化	基预编码器可随时替换或扩充

八、复杂度分析

8.1 三个计算环节

论文将算法的计算复杂度分解为三个部分【Response Letter, Reviewer 4, Comment 1】：

环节复杂度说明

基预编码器生成	$\\cdot N_t^3) O(B⋅Nt3)$
权重优化	$\\cdot K \\cdot B^2 \\cdot N_r^2 + B^3) O(I⋅K⋅B2⋅Nr2+B3)$	构造 $\\mathbf{A} A + 求解 B B B 维线性系统$
辅助矩阵构造	$\\cdot K \\cdot N_r^3) O(I⋅K⋅Nr3)$	干扰协方差、等效信道矩阵等

总复杂度：

(

⋅

)

O(B \\cdot N_t^3 + I \\cdot K \\cdot B^2 \\cdot N_r^2 + I \\cdot K \\cdot N_r^3 + B^3)

$O (B \cdot N_{t}^{3} + I \cdot K \cdot B^{2} \cdot N_{r}^{2} + I \cdot K \cdot N_{r}^{3} + B^{3})$

8.2 与 WMMSE 的对比

作为对比，WMMSE 每次迭代的复杂度为：

(

⋅

)

O(N_t^3 + I \\cdot K \\cdot N_r^3)

$O (N_{t}^{3} + I \cdot K \cdot N_{r}^{3})$

假设 WMMSE 需要

iter

T_{\\text{iter}}

$T_{iter}$ 次迭代（通常 10~50 次），其总复杂度为：

(

iter

⋅

(

⋅

)

O(T_{\\text{iter}} \\cdot (N_t^3 + I \\cdot K \\cdot N_r^3))

$O (T_{iter} \cdot (N_{t}^{3} + I \cdot K \cdot N_{r}^{3}))$

关键对比：

维度融合预编码WMMSE

单次复杂度	$\\cdot N_t^3 + \\text{低阶项}) O(B⋅Nt3+低阶项)$	$O(N_t^3 + \\text{低阶项}) O(Nt3+低阶项)$
是否迭代	否（单次求解）	是（10~50 次）
总复杂度	较低（	较高（迭代累乘）
收敛保证	解析解（无条件）	需监控收敛

论文的结论是：虽然融合预编码的复杂度高于单一闭式方案（如 ZF 或 MRT），但与 WMMSE 等迭代算法处于同一数量级，且由于无需迭代，实际运行时间通常更短。

8.3 仿真中的复杂度验证

论文通过仿真测量了各算法的实际运行时间，并计算了归一化复杂度：

norm

alg

max

⁡

C_{\\text{norm}}^{\\text{alg}} = \\frac{T_{\\text{alg}}}{\\max_i T_i}

$C_{norm}^{alg} = \frac{T _{alg}}{max _{i} T _{i}}$

其中

alg

T_{\\text{alg}}

$T_{alg}$ 是某算法的运行时间，

max

⁡

\\max_i T_i

$max_{i} T_{i}$ 是所有算法中的最大运行时间。

结果显示，融合预编码的归一化复杂度虽然高于单一闭式方案，但与 WMMSE/RWMMSE 相当，验证了其工程可行性。

九、仿真结果解读

9.1 仿真配置

论文的仿真参数如下：

参数值说明

	2	用户数
	2	每用户层数
	2	每层流数
$N_r Nr$	2	每用户接收天线数
$N_t Nt$	5~16	发射天线数（扫描）
$\\alpha_{\\text{ADC}}, \\alpha_{\\text{DAC}} αADC,αDAC$	0.8	量化增益
$\\kappa_{tx} κtx$	0~1	残余损伤因子（扫描）
蒙特卡洛次数	10,000	独立信道实现
收敛阈值 $\\epsilon ϵ$	$10^{-3} 10−3$	用于判断数值稳定性

9.2 四组关键结果

在这里插入图片描述论文通过四组仿真全面验证了融合预编码的优势：

图 2：CDF 曲线（速率分布）

累积分布函数（CDF）展示了不同方案下速率的统计分布。融合方案的曲线最陡峭且集中在最高速率区域，说明它不仅平均性能好，而且性能波动小、可靠性高。相比之下，单一方案的曲线更分散，等权重融合虽然优于部分单一方案，但仍不及优化后的融合。

图 3：速率 vs. SNR（

\\kappa_{tx}=1

$κ_{t x} = 1$ ）

在从低 SNR 到高 SNR 的整个范围内，融合方案的速率始终高于所有单一方案和等权重融合。这说明融合不是只在某个特定 SNR 下有效，而是具有全场景的普适性。

图 4：速率 vs. 发射天线数（SNR=15dB）

当发射天线数

N_t

$N_{t}$ 增加时，所有方案的速率都上升。但融合方案的增益斜率更大——当天线数不是系统瓶颈时（即

N_t

$N_{t}$ 足够大），融合的优势更加明显。这验证了融合能够更有效地利用天线冗余带来的空间自由度。

图 5：速率 vs. 硬件损伤强度（SNR=15dB,

N_t=8

$N_{t} = 8$ ）

这是最关键的一张图。随着

\\kappa_{tx}

$κ_{t x}$ 增大（硬件损伤加重），所有方案的性能都下降。但融合方案的下降曲线最平缓——当

0.3

\\kappa_{tx} > 0.3

$κ_{t x} > 0.3$ 时，融合的优势愈发明显。

这说明：硬件损伤越严重，融合预编码的相对优势越大。这正是论文标题中“Mitigating Hardware Impairments”的底气所在——不同基预编码器在硬件损伤下的失真模式不同，加权组合可以部分抵消各自的偏差，使融合后的结果更接近理想状态。

9.3 兜底机制的触发情况

论文在 10,000 次蒙特卡洛仿真中，没有观察到兜底机制被触发——在所有仿真中，线性系统都成功求解，没有出现奇异或数值不稳定的情况。

但这并不意味着兜底机制是多余的。论文指出，在不同系统设置或更极端的场景下，兜底机制仍然是有价值的保障。其存在意义在于：保证算法在任何情况下都能输出可行解，而非仅仅在“正常”情况下工作。

十、总结：融合预编码的完整图景

10.1 从“单项冠军”到“全能战队”

回顾整个系列，我们走过了一条从“单一算法”到“系统融合”的完整路径：

阶段核心内容对应章节

认识工具	ZF、MRT、RZF、BD、SLNR、WMMSE	第二~六节
理解挑战	硬件损伤、速率硬上限	第七节
建立模型	协方差矩阵、速率下界	第八节
系统融合	权重优化、线性系统求解	第九节（本文）

加权融合预编码的完整优势可以概括为：

优势维度核心内涵

性能超越	加权融合 > 最优单一选择 > 等权重融合
环境鲁棒	通过权重自适应应对 SNR、天线数、硬件损伤的变化
误差校正	多预编码器的不同失真模式相互抵消
框架开放	可持续吸纳新的单一预编码方案
复杂度可控	低维权重优化，单次求解，与 WMMSE 同阶

10.2 未来展望

加权融合预编码框架的开放性是其最宝贵的工程价值之一：

即插即用：未来任何新提出的预编码算法（如基于深度学习的方案、可重构智能表面辅助方案等），都可以作为新的基预编码器直接加入框架。

持续进化：随着学术界不断推出新方案，融合框架可以持续吸纳这些成果。

降低风险：系统设计者不需要押注某一种“未来最优”算法，而是通过融合多种方案来分散风险。

这正是融合预编码超越传统“选最优”思路的根本所在——它不是寻找一把“万能钥匙”，而是构建了一个能不断吸纳新锁匠、自我进化的“开锁系统”。

写在最后

九节内容，从 MIMO 基础到融合预编码，我们完整走了一遍这篇论文的技术路径。

如果你一路跟到了这里，恭喜你——你已经掌握了当前 MIMO 预编码领域从经典算法到前沿融合方案的核心知识体系。

希望这个系列能成为你理解 MIMO 预编码的“导航地图”。技术之路没有终点，融合预编码的框架开放性也意味着——未来还会有更多优秀的基预编码器加入这个“战队”。

期待你在自己的研究和工程中，也能找到属于自己的“融合之道”。

系列完结，感谢陪伴！🚀

系列导航（共九节 + 两间章）：

第一节：重温 MIMO 基础 —— 从 SISO 到 MU-MIMO ✅
第二节：预编码是什么？—— 从迫零（ZF）开始 ✅
第三节：最大比传输（MRT）与匹配滤波（MF）—— 让信号“指哪儿打哪儿” ✅
第四节：正则化迫零（RZF）与 MMSE 预编码 —— ZF 与 MRT 的优雅折中 ✅
第五节：块对角化（BD）与信漏噪比（SLNR）预编码 —— 多天线多流用户的干扰管理 ✅
第六节：WMMSE 与 RWMMSE —— 从 MSE 最小化到和速率最大化 ✅
间章一：预编码算法的仿真闭环 —— 从理论到代码的完整映射 ✅
间章二：加权融合预编码 —— 从“单项冠军”到“全能战队” ✅
第七节：硬件损伤 —— 从理想到现实的“降维打击” ✅
第八节：系统建模 —— 把损伤“写进”数学公式 ✅
第九节：融合预编码与优化算法 —— 从“选最优”到“加权组合”及仿真验证 ✅（本文）

第九节：融合预编码与优化算法 —— 从“选最优”到“加权组合”及仿真验证

📌 引言：当“选择”变成“组合”

一、问题转化：从“优化矩阵”到“优化权重”

1.1 原始问题的困境

1.2 融合的核心思想

1.3 约束条件

1.4 关于“加权”的含义

二、优化算法的核心挑战

三、平均工作点：近似的锚点

3.1 什么是“平均工作点”？

3.2 为什么选这个点？

3.3 在平均工作点计算辅助矩阵

3.4 辅助矩阵 M avg M_{\\text{avg}} Mavg​

四、一阶梯度：知道往哪个方向走

4.1 梯度的物理意义

4.2 梯度的数学形式

4.3 信号协方差的导数

五、二阶近似：从“方向”到“步长”

5.1 为什么要二阶近似？

5.2 线性系统的构造

5.3 惩罚项的作用

六、兜底方案：当线性系统“生病”时

6.1 什么时候需要兜底？

6.2 基于 SINR 的启发式权重

七、完整算法流程

7.1 算法步骤

7.2 算法的关键特征

八、复杂度分析

8.1 三个计算环节

8.2 与 WMMSE 的对比

8.3 仿真中的复杂度验证

九、仿真结果解读

9.1 仿真配置

9.2 四组关键结果

9.3 兜底机制的触发情况

十、总结：融合预编码的完整图景

10.1 从“单项冠军”到“全能战队”

10.2 未来展望

写在最后

相关推荐

评论 抢沙发

评论前必须登录！

热门标签

置顶推荐

热门文章

最新文章

3.4 辅助矩阵 $M_{\\text{avg}} Mavg$

评论抢沙发