第 11 章 MIMO 与空时编码

10.1 概述：为什么需要 MIMO

传统单天线通信系统面临一个根本矛盾：频谱资源有限，数据需求无限增长。提高速率的经典手段——增加带宽或提高发射功率——在工程实践中代价高昂。多输入多输出（Multiple-Input Multiple-Output, MIMO）技术提供了一条截然不同的路径：通过在发射端和接收端同时部署多根天线，在不增加带宽和功率的前提下，利用空间维度大幅提升系统性能。

MIMO 技术的三大核心增益：

增益类型英文核心思想典型应用
空间复用增益Spatial Multiplexing Gain同频同时传输多个独立数据流高吞吐量数据传输
空间分集增益Spatial Diversity Gain利用多天线对抗衰落提升链路可靠性
波束赋形增益Beamforming Gain将能量集中于目标方向覆盖增强、干扰抑制
graph TB
    A["MIMO 技术体系"] --> B["空间复用
Spatial Multiplexing"]
    A --> C["空间分集
Spatial Diversity"]
    A --> D["波束赋形
Beamforming"]
    B --> B1["提升频谱效率"]
    B --> B2["V-BLAST / Layered
Architecture"]
    C --> C1["对抗信道衰落"]
    C --> C2["Alamouti STBC"]
    D --> D1["阵列增益"]
    D --> D2["干扰抑制"]
    style A fill:#1a1a2e,color:#fff
    style B fill:#16213e,color:#fff
    style C fill:#16213e,color:#fff
    style D fill:#16213e,color:#fff
    style B1 fill:#0f3460,color:#fff
    style B2 fill:#0f3460,color:#fff
    style C1 fill:#0f3460,color:#fff
    style C2 fill:#0f3460,color:#fff
    style D1 fill:#0f3460,color:#fff
    style D2 fill:#0f3460,color:#fff

从工程角度看，MIMO 的发展历程可以概括为：理论研究（1990s）→ 标准化（2000s，WiMAX/802.11n）→ 大规模部署（2010s，LTE-A）→ Massive MIMO（2020s，5G NR）。

10.2 MIMO 信道模型与矩阵描述

10.2.1 信道矩阵 $\mathbf{H}$

考虑一个配备 $M$ 根发射天线（Transmit antennas）、$N$ 根接收天线（Receive antennas）的 MIMO 系统。在窄带平坦衰落（Flat Fading）假设下，基带等效模型为：

$$ \mathbf{y} = \mathbf{H}\mathbf{x} + \mathbf{n} $$

其中：

  • $\mathbf{y} \in \mathbb{C}^{N \times 1}$：接收信号向量
  • $\mathbf{x} \in \mathbb{C}^{M \times 1}$：发射信号向量
  • $\mathbf{H} \in \mathbb{C}^{N \times M}$：信道矩阵，第 $(j,i)$ 个元素 $h_{ji}$ 表示第 $i$ 根发射天线到第 $j$ 根接收天线的复增益
  • $\mathbf{n} \in \mathbb{C}^{N \times 1}$：加性白高斯噪声（AWGN），$\mathbf{n} \sim \mathcal{CN}(\mathbf{0}, \sigma^2 \mathbf{I}_N)$

信道矩阵 $\mathbf{H}$ 的每个元素 $h_{ji}$ 通常建模为零均值复高斯随机变量：$h_{ji} \sim \mathcal{CN}(0, 1)$（归一化瑞利衰落）。

10.2.2 奇异值分解（SVD）

奇异值分解（Singular Value Decomposition, SVD）是理解 MIMO 信道的核心数学工具。对信道矩阵 $\mathbf{H}$ 进行 SVD：

$$ \mathbf{H} = \mathbf{U} \boldsymbol{\Sigma} \mathbf{V}^H $$

其中：

  • $\mathbf{U} \in \mathbb{C}^{N \times N}$：左奇异矩阵（酉矩阵）
  • $\mathbf{V} \in \mathbb{C}^{M \times M}$：右奇异矩阵（酉矩阵）
  • $\boldsymbol{\Sigma} \in \mathbb{R}^{N \times M}$：对角矩阵，对角线元素 $\sigma_1 \geq \sigma_2 \geq \cdots \geq \sigma_r > 0$ 为奇异值，$r = \text{rank}(\mathbf{H})$

SVD 的工程意义在于：通过在发射端预编码（右乘 $\mathbf{V}$）和接收端成形（左乘 $\mathbf{U}^H$），MIMO 信道可以被分解为 $r$ 个并行的、互不干扰的标量子信道。

$$ \tilde{\mathbf{y}} = \mathbf{U}^H \mathbf{y} = \boldsymbol{\Sigma} \tilde{\mathbf{x}} + \tilde{\mathbf{n}} $$

每个等效子信道的增益由对应的奇异值 $\sigma_i$ 决定。这一分解为后续的功率分配（如注水算法，Water-filling）和容量分析奠定了基础。

graph LR
    X["发射信号
x"] --> V["预编码
V"]
    V --> H["信道
H"]
    H --> U["接收成形
Uᴴ"]
    U --> Y["等效输出
Σx̃ + ñ"]
    style X fill:#1a1a2e,color:#fff
    style V fill:#0f3460,color:#fff
    style H fill:#e94560,color:#fff
    style U fill:#0f3460,color:#fff
    style Y fill:#1a1a2e,color:#fff

10.3 MIMO 系统容量

10.3.1 确定性信道容量（CSI 在接收端已知）

当接收端已知信道状态信息（Channel State Information at the Receiver, CSIR），发射端未知 CSI 时，等功率分配下的 MIMO 信道容量为：

$$ C = \log_2 \det\left(\mathbf{I}_N + \frac{\rho}{M} \mathbf{H}\mathbf{H}^H\right) \quad \text{[bps/Hz]} $$

其中 $\rho = P/\sigma^2$ 为总信噪比（SNR）。

利用特征值分解 $\mathbf{H}\mathbf{H}^H = \mathbf{U}\boldsymbol{\Lambda}\mathbf{U}^H$，容量可改写为：

$$ C = \sum_{i=1}^{r} \log_2\left(1 + \frac{\rho}{M}\lambda_i\right) $$

其中 $\lambda_i$ 为 $\mathbf{H}\mathbf{H}^H$ 的第 $i$ 个特征值，$r = \text{rank}(\mathbf{H})$。

10.3.2 高 SNR 近似与自由度

在高 SNR 区域，容量近似为：

$$ C \approx r \cdot \log_2\left(\frac{\rho}{M}\right) + \sum_{i=1}^{r} \log_2(\lambda_i) $$

当 $\mathbf{H}$ 满秩时，$r = \min(M, N)$，因此空间自由度（Spatial Degrees of Freedom, DoF）为 $\min(M, N)$。这意味着 MIMO 系统的容量随天线数线性增长——这是 MIMO 最核心的结论：

$$ C \approx \min(M, N) \cdot \log_2(1 + \text{SNR}) $$

对比单天线系统（SISO）容量 $C_{\text{SISO}} = \log_2(1+\text{SNR})$，MIMO 在相同带宽和功率下实现了 $\min(M,N)$ 倍的容量增益。

10.3.3 发射端已知 CSI（CSIT）与注水功率分配

当发射端也已知信道状态信息（CSIT）时，可通过注水算法（Water-filling）优化功率分配，进一步提升容量：

$$ C_{\text{CSIT}} = \max_{{P_i}} \sum_{i=1}^{r} \log_2\left(1 + \frac{P_i \lambda_i}{\sigma^2}\right) \quad \text{s.t.} \quad \sum_{i=1}^{r} P_i = P $$

最优解满足：

$$ P_i^* = \left(\mu - \frac{\sigma^2}{\lambda_i}\right)^+, \quad \mu \text{ 为注水水位} $$

其中 $(x)^+ = \max(0, x)$。注水的直觉是：将更多功率分配给信道条件好的子信道（$\lambda_i$ 大），差的子信道少分配甚至不分配。

10.4 空时分组码（STBC）

10.4.1 分集的基本概念

在衰落信道中，分集（Diversity）是提升可靠性的关键手段。空间分集利用多天线提供的独立衰落路径来降低同时经历深度衰落的概率。分集阶数（Diversity Order）定义为：

$$ d = -\lim_{\text{SNR} \to \infty} \frac{\log P_e(\text{SNR})}{\log \text{SNR}} $$

对于 $M$ 发 $N$ 收天线系统，最大可实现的分集阶数为 $M \times N$。

10.4.2 Alamouti 方案

1998 年 Alamouti 提出的两天线发射分集方案是最经典的空时分组码（Space-Time Block Code, STBC），因其简洁高效而成为工程标配。

编码规则： 在两个连续时隙内，发射天线 1 和天线 2 发送的符号如下：

时隙天线 1天线 2
$t$$s_1$$s_2$
$t+T$$-s_2^*$$s_1^*$

其中 $s_1, s_2$ 为待发送的两个调制符号，$T$ 为符号周期，$(\cdot)^*$ 表示复共轭。

接收端解码： 假设接收端有 1 根天线（$N=1$），信道在两个时隙内保持恒定（$h_1, h_2$），接收信号为：

$$ y_1 = h_1 s_1 + h_2 s_2 + n_1 $$ $$ y_2 = -h_1 s_2^* + h_2 s_1^* + n_2 $$

通过线性组合即可实现正交分离：

$$ \tilde{s}_1 = h_1^* y_1 + h_2 y_2^* = (|h_1|^2 + |h_2|^2)s_1 + h_1^* n_1 + h_2 n_2^* $$ $$ \tilde{s}_2 = h_2^* y_1 - h_1 y_2^* = (|h_1|^2 + |h_2|^2)s_2 + h_2^* n_1 - h_1 n_2^* $$

Alamouti 方案的关键性质：

  • 全分集： 实现了 $2 \times N$ 的分集阶数
  • 正交性： 编码矩阵行内积为零，实现简单的最大比合并（MRC）
  • 速率 1： 两个时隙发送两个符号，没有速率损失（相比未编码 SISO）
  • 解码复杂度低： 线性最大似然解码
graph TD
    S1["s₁"] --> T1A["天线1
时隙1: s₁"]
    S1 --> T2B["天线2
时隙2: s₁*"]
    S2["s₂"] --> T1B["天线2
时隙1: s₂"]
    S2 --> T2A["天线1
时隙2: -s₂*"]
    T1A --> CH["信道 H"]
    T1B --> CH
    T2A --> CH
    T2B --> CH
    CH --> RX["接收端
线性合并解码"]
    style S1 fill:#1a1a2e,color:#fff
    style S2 fill:#1a1a2e,color:#fff
    style T1A fill:#0f3460,color:#fff
    style T1B fill:#0f3460,color:#fff
    style T2A fill:#0f3460,color:#fff
    style T2B fill:#0f3460,color:#fff
    style CH fill:#e94560,color:#fff
    style RX fill:#533483,color:#fff

10.4.3 一般 STBC 设计

Alamouti 码可推广到更多天线。但一个重要理论结果是 Alamouti 的正交设计仅在 $M=2$ 时可实现全速率（Rate = 1）。对于更多发射天线：

  • 3~4 天线正交 STBC： 速率降至 1/2 或 3/4
  • 准正交 STBC（QO-STBC）： 牺牲部分正交性换取更高速率
  • 对角 STBC（D-STBC）： 用于上行协作通信

工程中常采用的折中策略是：当天线数较多时，转向空间复用或波束赋形而非纯分集编码。

10.5 空间复用：V-BLAST

10.5.1 V-BLAST 架构

贝尔实验室分层空时架构（Vertical-Bell Laboratories Layered Space-Time, V-BLAST）是最经典的 MIMO 空间复用方案。其核心思想是：将高速数据流分解为多个低速子流，通过不同天线同时、同频发射，利用接收端多天线和信号处理进行分离。

V-BLAST 的信号模型与 10.2 节的通用模型一致，但关键区别在于发射端各天线发送独立数据流，即 $\mathbf{x} = [x_1, x_2, \ldots, x_M]^T$ 中各元素来自不同的数据子流。

10.5.2 逐级干扰抵消（OSIC）解码

V-BLAST 接收端的经典解码算法是排序逐级干扰抵消（Ordered Successive Interference Cancellation, OSIC）：

  1. 排序： 选择当前信噪比最高的数据流（即 $|\mathbf{h}_i|$ 最大的层）
  2. 检测： 对该层使用迫零（Zero-Forcing, ZF）或 MMSE 均衡
  3. 判决： 对检测结果进行硬判决，得到符号估计 $\hat{x}_i$
  4. 抵消： 从接收信号中减去 $\hat{x}_i$ 的贡献
  5. 迭代： 重复步骤 1~4，直至所有层解码完成

迫零均衡矩阵为：

$$ \mathbf{G}_{\text{ZF}} = (\mathbf{H}^H \mathbf{H})^{-1} \mathbf{H}^H $$

MMSE 均衡矩阵为：

$$ \mathbf{G}_{\text{MMSE}} = \left(\mathbf{H}^H \mathbf{H} + \frac{\sigma^2}{P}\mathbf{I}_M\right)^{-1} \mathbf{H}^H $$

graph TD
    A["接收信号 y"] --> B["计算均衡矩阵 G"]
    B --> C["选择最强层 i*"]
    C --> D["检测第 i* 层符号"]
    D --> E["硬判决 x̂ᵢ"]
    E --> F["从 y 中抵消 x̂ᵢ"]
    F --> G{"所有层
解码完成?"}
    G -->|"否"| B
    G -->|"是"| H["输出所有解码符号"]
    style A fill:#1a1a2e,color:#fff
    style B fill:#0f3460,color:#fff
    style C fill:#0f3460,color:#fff
    style D fill:#0f3460,color:#fff
    style E fill:#0f3460,color:#fff
    style F fill:#0f3460,color:#fff
    style G fill:#e94560,color:#fff
    style H fill:#533483,color:#fff

V-BLAST 的工程特点：

  • 高频谱效率： 在良好信道条件下，吞吐量接近 $M \times$ 单天线速率
  • 错误传播： 前级判决错误会向后传播，影响后续层解码——这是 OSIC 的主要缺陷
  • 复杂度适中： 相比最大似然（ML）解码的指数复杂度，OSIC 的复杂度为 $\mathcal{O}(M^3)$

10.5.3 复用与分集的折中

Zheng 和 Tse（2003）证明，对于任何 MIMO 方案，分集增益 $d$ 和复用增益 $r$ 之间存在基本折中关系（DMT, Diversity-Multiplexing Tradeoff）：

$$ d^*(r) = (M-r)(N-r), \quad r = 0, 1, \ldots, \min(M,N) $$

这一结果为系统设计提供了理论指导：不能同时获得最大分集和最大复用增益，必须根据应用场景在二者之间选取合适的平衡点。

10.6 大规模 MIMO（Massive MIMO）

10.6.1 基本概念

大规模 MIMO（Massive MIMO）是 5G 的标志性技术之一，由 Marzetta 于 2010 年正式提出。其核心思想是将基站天线数从传统 MIMO 的 2~8 根大幅扩展到 64、128 甚至 256 根以上，服务于数十个用户终端。

当基站天线数 $M$ 远大于用户数 $K$（即 $M \gg K$）时，会出现一系列有利的渐近特性。

10.6.2 信道硬化与有利传播

随着 $M \to \infty$，一个关键现象是信道硬化（Channel Hardening）：

$$ \frac{\mathbf{h}_k^H \mathbf{h}_k}{M} \xrightarrow{M \to \infty} \beta_k $$

即瞬时信道增益趋近于其确定性均值（大数定律），信道的随机性被"平均掉"。同时，不同用户间的信道变得近似正交：

$$ \frac{\mathbf{h}_i^H \mathbf{h}_j}{M} \xrightarrow{M \to \infty} 0, \quad i \neq j $$

这一特性被称为有利传播（Favorable Propagation），意味着简单的线性处理（如最大比传输 MRT、迫零预编码 ZF）即可获得接近最优的性能，无需复杂的非线性预处理。

10.6.3 导频污染（Pilot Contamination）

Massive MIMO 的主要瓶颈不是噪声或干扰，而是导频污染。由于相邻小区复用相同的导频序列，基站进行信道估计时会把相邻小区用户的信道混入估计结果，即使增加天线数也无法消除。

导频污染的数学描述：基站估计的信道 $\hat{\mathbf{h}}_k$ 中包含相邻小区用户信道的线性组合：

$$ \hat{\mathbf{h}}_k = \mathbf{h}k + \sum{l \neq k} c_l \mathbf{h}_l + \text{noise} $$

当 $M \to \infty$ 时，噪声项消失，但导频污染项 $\sum c_l \mathbf{h}_l$ 不消失，形成性能天花板。

10.6.4 TDD 与 FDD 的选择

Massive MIMO 系统普遍采用 TDD（Time Division Duplex）模式，利用信道互易性（Channel Reciprocity）：

  • 上行导频： 用户发送导频，基站估计上行信道
  • 互易性校准： 将上行信道估计直接用于下行预编码
  • 优势： 导频开销与基站天线数无关，仅取决于用户数 $K$

相比之下，FDD 模式需要基站反馈下行信道状态信息（CSI Feedback），反馈量与天线数成正比，当天线数很大时开销难以承受。

10.7 工程应用：4G LTE 与 5G NR 中的 MIMO

10.7.1 4G LTE/LTE-Advanced MIMO

LTE 从 Release 8 开始即支持 MIMO，后续版本不断演进：

特性LTE Rel-8LTE-A Rel-10LTE-A Pro Rel-13
下行最大层数488
上行 MIMO不支持4 层4 层
天线端口数1~41~8最多 32 CSI-RS 端口
多用户 MIMO2 用户4 用户增强型 MU-MIMO
传输模式TM1~TM7TM1~TM10TM1~TM10

LTE 中的主要传输模式（Transmission Mode）包括：

  • TM2（发射分集）： 基于 SFBC（Space-Frequency Block Code），类似 Alamouti 但在频域实现
  • TM3（开环空间复用）： 大延迟 CDD（Cyclic Delay Diversity）+ 空间复用，适用于高速移动
  • TM4（闭环空间复用）： 基于码本的预编码（Codebook-based Precoding），UE 反馈 PMI/RI/CQI
  • TM8~TM9（双/多层 MU-MIMO）： 基于专用导频（DM-RS）的非码本预编码

10.7.2 5G NR MIMO

5G NR（New Radio）在 MIMO 方面相比 4G 有显著增强：

1）灵活的 CSI-RS 框架

NR 引入了灵活的 CSI-RS（Channel State Information Reference Signal）配置，支持 1~32 个天线端口，可用于：

  • 信道质量测量（CQI）
  • 干扰测量（IM）
  • 波束管理（Beam Management）
  • 精确的时频跟踪（TRS）

2）模拟/混合波束赋形（mmWave）

在 FR2（24.25~52.6 GHz）毫米波频段，由于高频路损严重，NR 采用模拟波束赋形配合少量数字链路：

$$ \mathbf{y} = \mathbf{W}{\text{RF}} \mathbf{W}{\text{BB}} \mathbf{x} $$

其中 $\mathbf{W}{\text{RF}}$ 为模拟相控阵列（移相器），$\mathbf{W}{\text{BB}}$ 为基带数字预编码。混合预编码在硬件成本和性能之间取得平衡。

3）波束管理流程

NR 的波束管理包括三个关键步骤：

  • P-1（初始波束建立）： 通过 SS/PBCH Block 进行粗粒度波束扫描
  • P-2（波束精炼）： 通过 CSI-RS 进行细粒度波束调整
  • P-3（波束恢复）： 在波束失败时触发恢复流程
graph LR
    SS["SS/PBCH
波束扫描
P-1"] --> CSIRS["CSI-RS
波束精炼
P-2"]
    CSIRS --> BFP["波束失败
检测"]
    BFP -->|"失败"| BFR["波束恢复
P-3"]
    BFR --> CSIRS
    BFP -->|"正常"| DATA["数据传输
PDSCH/PUSCH"]
    style SS fill:#1a1a2e,color:#fff
    style CSIRS fill:#0f3460,color:#fff
    style BFP fill:#e94560,color:#fff
    style BFR fill:#e94560,color:#fff
    style DATA fill:#533483,color:#fff

4）Type I / Type II 码本

NR 定义了两种 CSI 反馈码本：

  • Type I（常规码本）： 基于 DFT 基向量的低开销反馈，适用于 SU-MIMO
  • Type II（增强码本）： 支持线性组合的精确信道反馈，适用于 MU-MIMO，反馈开销更大但精度更高

5）实际部署参数

5G NR 典型 MIMO 部署参数：

参数FR1（Sub-6 GHz）FR2（mmWave）
基站天线数64~128256~1024 阵子
数字链路数32~644~8
最大空间层数8（下行）/ 4（上行）8（下行）/ 4（上行）
波束赋形类型全数字混合（模拟+数字）
典型用户吞吐量1~5 Gbps3~10 Gbps

10.7.3 工程设计要点

在实际 MIMO 系统部署中，工程师需要关注以下关键因素：

  1. 天线间距： 为获得足够的信道独立性，天线间距通常需大于半个波长（$d > \lambda/2$），密集城区建议 $0.5\lambda \sim 4\lambda$ 不等
  2. 天线校准： TDD 系统需要定期校准收发链路的幅度/相位一致性，以保证互易性精度
  3. CSI 延迟： 终端反馈的 CSI 存在延迟，高速移动场景下可能严重失配——需要预测或鲁棒预编码设计
  4. 互干扰管理： MU-MIMO 中用户间空间分离度不足时，干扰会显著降低性能，需要合理的用户配对（User Pairing）策略

10.8 本章小结

MIMO 技术是现代无线通信的核心支柱。本章从信道矩阵和 SVD 分解出发，建立了 MIMO 的数学基础；介绍了以 Alamouti 码为代表的空时编码如何获取分集增益，以 V-BLAST 为代表的空间复用如何提升频谱效率；阐述了 MIMO 容量的基本结论——天线数带来的线性自由度增益；讨论了 Massive MIMO 的信道硬化、导频污染等核心问题；最后梳理了 4G/5G 系统中 MIMO 的实际工程实现。

从工程视角看，MIMO 技术的演进始终围绕一个核心矛盾：如何在获取更高复用增益的同时，维持足够的分集增益和鲁棒性。 不同场景下的最优解不同——低速热点场景侧重空间复用，高速移动场景依赖发射分集，毫米波场景依赖波束赋形。理解这些折中关系，是做好 MIMO 系统设计的前提。

关键术语对照

中文英文缩写
多输入多输出Multiple-Input Multiple-OutputMIMO
空时分组码Space-Time Block CodeSTBC
奇异值分解Singular Value DecompositionSVD
迫零Zero-ForcingZF
最小均方误差Minimum Mean Square ErrorMMSE
信道状态信息Channel State InformationCSI
波束赋形BeamformingBF
大规模 MIMOMassive MIMO—
导频污染Pilot ContaminationPC
信道硬化Channel Hardening—
分集-复用折中Diversity-Multiplexing TradeoffDMT