[论文解读] Adaptive Beamforming in Interference Networks via Bi-Directional Training

Changxin Shi, Randall Berry+1 more|arXiv (Cornell University)|Mar 24, 2010

Advanced MIMO Systems Optimization参考文献 7被引用 5

一句话总结

该论文提出了一种用于MIMO干扰网络的分布式、自适应波束成形算法，无需事先获取信道状态信息（CSI），通过TDD系统中的双向训练，利用最小二乘估计迭代优化发射波束成形器和接收波束成形器。关键贡献在于一种递归最小二乘（RLS）变体，在训练受限和慢衰落信道条件下性能更优，当训练足够充分时，其性能可逼近具备完整CSI的Max-SINR性能。

ABSTRACT

We study distributed algorithms for adjusting beamforming vectors and receiver filters in multiple-input multiple-output (MIMO) interference networks, with the assumption that each user uses a single beam and a linear filter at the receiver. In such a setting there have been several distributed algorithms studied for maximizing the sum-rate or sum-utility assuming perfect channel state information (CSI) at the transmitters and receivers. The focus of this paper is to study adaptive algorithms for time-varying channels, without assuming any CSI at the transmitters or receivers. Specifically, we consider an adaptive version of the recent Max-SINR algorithm for a time-division duplex system. This algorithm uses a period of bi-directional training followed by a block of data transmission. Training in the forward direction is sent using the current beam-formers and used to adapt the receive filters. Training in the reverse direction is sent using the current receive filters as beams and used to adapt the transmit beamformers. The adaptation of both receive filters and beamformers is done using a least-squares objective for the current block. In order to improve the performance when the training data is limited, we also consider using exponentially weighted data from previous blocks. Numerical results are presented that compare the performance of the algorithms in different settings.

研究动机与目标

• 设计一种适用于MIMO干扰网络的分布式波束成形算法，无需事先了解信道状态信息（CSI）。
• 仅通过训练反馈实现时变、块衰落信道中波束成形器和接收波束成形器的实时自适应调整。
• 通过递归最小二乘（RLS）更新引入指数加权的历史数据，提升在训练开销受限情况下的性能。
• 评估在实际相干块长度下，训练开销与频谱效率之间的权衡。

提出的方法

• 该算法采用时分双工（TDD）框架，每个相干块内交替进行前向和反向训练阶段。
• 在前向阶段，发射端使用当前波束成形器发送导频信号；接收端利用接收到的信号通过最小二乘（LS）方法估计并更新其接收波束成形器。
• 在反向阶段，接收端使用其当前接收波束成形器作为波束成形器发送导频信号；发射端通过LS方法利用反馈信号更新其波束成形器。
• 引入一种递归最小二乘（RLS）变体，通过指数因子（λ）对历史训练数据加权，提升在低训练开销场景下的估计精度。
• 通过一阶马尔可夫过程建模信道变化，相关系数为α，以模拟慢衰落环境。
• 通过在不同信噪比（SNR）、训练长度和信道相关性（α）下评估总速率和吞吐量指标来评估性能。

实验结果

研究问题

• RQ1 双向训练如何在无CSI条件下实现MIMO干扰网络中有效的波束成形自适应？
• RQ2 在短相干块中，训练开销与频谱效率之间存在怎样的权衡？
• RQ3 在训练受限条件下，递归最小二乘（RLS）变体相比标准LS在估计精度方面有何提升？
• RQ4 所提出的算法在多大程度上可逼近具备完整CSI的Max-SINR算法性能？
• RQ5 信道相关性（α）是否显著影响LS与RLS算法之间的性能差距？

主要发现

• 当训练足够长且信道变化可忽略（α = 1）时，双向LS算法的性能可逼近具备完整CSI的Max-SINR算法。
• 在慢衰落信道中（α = 0.99或0.999），当训练长度较短时，RLS变体在总速率方面显著优于LS，因其能更有效地利用历史数据。
• 当训练充足时，RLS带来的吞吐量增益逐渐减弱，因为此时LS已能实现更高的频谱效率。
• 在高信噪比（SNR）区域，采用双向训练的三用户系统因信道失配导致总速率趋于饱和，而两用户系统则实现了最优的高-SNR复用增益。
• 在低SNR和高信道相关性条件下，RLS算法提供更大的性能增益，因为此时估计更具挑战性。