[论文解读] Matrix-Monotonic Optimization for MIMO Systems

Chengwen Xing, Shaodan Ma+1 more|arXiv (Cornell University)|Dec 6, 2013

Advanced MIMO Systems Optimization参考文献 42被引用 4

一句话总结

本文提出矩阵单调优化作为统一框架，以简化MIMO系统中高复杂度的矩阵变量优化问题。通过利用矩阵单调性与majorization理论，推导出矩阵变量（如预编码器、均衡器）的最优结构，将矩阵变量问题降维为变量数量极少的低维向量优化，实现在线性与非线性收发器设计、训练序列及雷达波形优化在鲁棒性约束下的最优性能。

ABSTRACT

For MIMO systems, due to the deployment of multiple antennas at both the transmitter and the receiver, the design variables e.g., precoders, equalizers, training sequences, etc. are usually matrices. It is well known that matrix operations are usually more complicated compared to their vector counterparts. In order to overcome the high complexity resulting from matrix variables, in this paper we investigate a class of elegant multi-objective optimization problems, namely matrix-monotonic optimization problems (MMOPs). In our work, various representative MIMO optimization problems are unified into a framework of matrix-monotonic optimization, which includes linear transceiver design, nonlinear transceiver design, training sequence design, radar waveform optimization, the corresponding robust design and so on as its special cases. Then exploiting the framework of matrix-monotonic optimization the optimal structures of the considered matrix variables can be derived first. Based on the optimal structure, the matrix-variate optimization problems can be greatly simplified into the ones with only vector variables. In particular, the dimension of the new vector variable is equal to the minimum number of columns and rows of the original matrix variable. Finally, we also extend our work to some more general cases with multiple matrix variables.

研究动机与目标

• 解决涉及预编码器、均衡器和训练序列等矩阵变量的MIMO优化问题的高计算复杂度问题。
• 将线性与非线性收发器设计、训练序列、雷达波形及鲁棒设计等多种MIMO设计问题统一于单一分析框架下。
• 利用矩阵单调性与majorization理论推导矩阵变量的最优结构，实现从矩阵优化到向量优化的维数降阶。
• 将该框架扩展至多矩阵变量问题，并提供闭式最优对齐条件。

提出的方法

• 提出一种名为矩阵单调优化（MMOP）的新框架，利用正半定矩阵中的单调性特性，用于MIMO系统设计。
• 利用majorization理论将性能度量与矩阵表达式的特征值关联，通过特征值排序实现结构推导。
• 应用Schur凸性及矩阵不等式界（如迹与对数行列式不等式）推导目标函数的上下界。
• 推导出最优酉矩阵（如Q），通过特征值配对规则对齐系统矩阵的特征向量，以极值化性能。
• 通过固定最优结构，将矩阵变量问题降维为向量优化，新向量维度等于原矩阵的行数与列数的最小值。
• 将该框架应用于多种场景：信干噪比（SINR）最大化、均方误差（MSE）最小化，以及在信道不确定性下的鲁棒设计。

实验结果

研究问题

• RQ1 能否系统性地利用矩阵单调性，推导出MIMO系统中矩阵变量的最优结构？
• RQ2 如何通过统一框架降低涉及矩阵变量的多种MIMO优化问题的复杂度？
• RQ3 矩阵变量之间特征向量的最优对齐方式为何，可使系统性能度量最大化或最小化？
• RQ4 该框架能否扩展至具有多个相互依赖矩阵变量的多矩阵优化问题？
• RQ5 特征值配对规则（如升序与降序）如何影响MIMO系统的性能界？

主要发现

• 对于对数行列式目标函数，最优酉矩阵Q的结构为Q = U_FHF U_A^H，可实现上界。
• 对于基于迹的目标函数，最优Q为Q = U_FHF U_A^H，通过将最大奇异值与最小奇异值配对，实现下界。
• 在第五类情况中，对数行列式最大化问题的最优Q为Q = U_ANA U_FHF^H，通过特征向量对齐以最小化逆MSE矩阵的迹。
• 该框架将优化变量的维度从矩阵降为向量，对于M×N矩阵，新向量维度等于min(M, N)。
• 对数行列式与迹函数的推导界为紧界，当相关矩阵的特征向量按特定顺序对齐时可达到。
• 该方法在多种MIMO问题中实现最优性能——包括收发器设计、训练序列、雷达波形及鲁棒设计——且无需KKT条件或问题特异性推导。