大规模MIMO功放失真抑制：空间Sigma-Delta调制原理与实现

1. 项目概述当大规模MIMO遇上功放失真我们如何“空间整形”在无线通信领域尤其是5G及未来6G的核心技术——大规模多输入多输出Massive MIMO系统中基站侧部署成百上千根天线已成为提升频谱效率和系统容量的标准做法。然而一个长期困扰工程师的现实问题是每一根天线都需要配备一个独立的射频功率放大器PA。为了控制海量天线带来的硬件成本和功耗这些功放往往是成本较低、效率较高的类型但它们通常具有有限的线性放大范围。一旦输入信号的幅度超出了这个“甜蜜点”功放就会进入非线性区产生严重的信号失真。这种失真不仅会污染目标用户的接收信号还会产生带外辐射干扰其他频段的通信。传统的解决方案比如数字预失真DPD其思路很直接在功放前加一个数字电路预先产生一个与功放非线性特性相反的失真两者叠加后最终输出就接近理想的线性放大。这就像给一个脾气暴躁的人功放配一个专属的“情绪调节器”预失真器。但问题在于这个“调节器”需要非常精确地了解“脾气”功放传递函数并且每个功放都需要一个在大规模阵列中硬件复杂度和校准成本急剧攀升。另一种思路是“功率回退”Back-off简单来说就是主动降低输入信号的功率确保功放始终工作在线性区。这相当于让一个大力士功放永远只搬一半重量的东西虽然安全但效率低下浪费了功放的潜能。那么有没有一种方法既能允许功放工作在其高效的非线性区附近又能有效控制其失真对系统性能的影响同时还不增加太多硬件开销呢这正是我们今天要深入探讨的“空间Sigma-Delta调制”方法所要回答的问题。这个方法的核心思想非常巧妙它不再试图在源头每个功放消除失真而是利用天线阵列的空间特性将失真“引导”到用户不关心的方向上去。听起来是不是有点像噪声整形没错其灵感正是来源于数模转换器DAC中经典的Sigma-Delta调制技术只不过这次我们把“时间”维度上的噪声整形搬到了“空间”维度上。2. 核心原理从时间噪声整形到空间失真整形2.1 重温经典Sigma-Delta调制如何“管理”噪声要理解空间Sigma-Delta我们必须先搞懂它的祖师爷——应用于时间信号的Sigma-Delta调制。在高速高精度ADC/DAC中一位量化器比如比较器成本低、速度快但量化噪声大且均匀分布在很宽的频带上。Sigma-Delta调制器的妙处在于引入了一个反馈环路。想象一下你有一个水桶积分器不断有水流输入信号注入。桶上有个标尺量化器你每隔一秒看一眼水位如果超过半桶你就记录“1”并舀走一桶水反馈如果低于半桶就记录“0”。你记录的这一串“1”和“0”就是输出。关键来了每次你舀走水反馈的动作都会产生一个“舀水误差”。Sigma-Delta调制器的结构确保了这个误差不会消失而是被“推”到了下一次观察中。在数学上这导致量化噪声的频谱被一个高通滤波器所“整形”——大部分噪声能量被推到了高频区域。由于我们关心的信号通常集中在低频后续只需要一个简单的低通滤波器就能把大部分高频噪声滤掉从而用一位量化器实现了高精度的转换。这个过程的数学本质是输出 输入 量化噪声的一阶差分。噪声的频谱被乘以了一个(1 - z⁻¹)的因子在Z变换域这正是高通滤波器的特性。2.2 空间维度的迁移将天线阵列视为“空间采样器”现在我们把视角从时间转移到空间。考虑一个均匀线性阵列ULA天线间距为d。信号从不同角度θ到达或离开阵列时相邻天线间会因波程差产生一个固定的相位差。这个相位差可以表示为空间频率 ω (2πd/λ) sin(θ)其中λ是载波波长。整个阵列对来自角度θ的信号的响应就是一个向量 a(θ) [1, e^{-jω}, e^{-j2ω}, ..., e^{-j(N-1)ω}]^T。你看这和多采样点的时间信号序列是不是非常相似阵列的天线索引n扮演了时间索引的角色空间频率ω扮演了时间频率的角色。于是一个大胆的想法诞生了能否在相邻天线之间也构建一个类似的反馈环路将某种“有害信号”比如功放失真进行空间域的高通整形答案是肯定的。这就是空间Sigma-Delta调制的核心。2.3 针对功放失真的空间Sigma-Delta调制器结构具体到功放失真问题我们设计的空间一阶Sigma-Delta调制器结构如下对应原文图5 对于第n根天线n1, 2, ..., N输入期望的基带复信号 x_n(t)。反馈将上一根天线第n-1根的功放输出 u_{n-1}(t)经过一个衰减因子通常是功放理想线性增益A的倒数后反馈回来。相加点当前天线的输入 x_n(t) 减去反馈信号 u_{n-1}(t)/A得到信号 b_n(t)。即b_n(t) x_n(t) - q_{n-1}(t)这里我们定义 q_{n-1}(t) u_{n-1}(t)/A - b_{n-1}(t)它正是第n-1根天线的功放失真归一化后。功放b_n(t) 送入具有非线性特性 G(·) 的功放得到实际发射信号 u_n(t) G(b_n(t))。失真定义同样定义第n根天线的失真为 q_n(t) u_n(t)/A - b_n(t)。通过简单的代数推导我们可以得到整个阵列的发射信号向量 u(t) 与输入信号向量 x(t) 的关系 u(t) A * x(t) A * (D * q(t)) 其中D是一个一阶差分矩阵在空间域。那么在角度θ方向的用户接收到的信号忽略信道增益为 a(θ)^T u(t) A * a(θ)^T x(t) A * (1 - e^{-jω}) * Q_ω(t) A * q_N(t) * e^{-jω(N-1)}这个公式揭示了全部奥秘第一项 A * a(θ)^T x(t)这是我们期望的有用信号被线性放大。第二项 A * (1 - e^{-jω}) * Q_ω(t)这是被“整形”后的功放失真。关键因子 (1 - e^{-jω}) 是一个空间高通滤波器当空间频率ω很小即角度θ很小时|1 - e^{-jω}| ≈ |ω| 也很小。这意味着对于位于低角度区域例如θ在±30°以内的用户这项失真被极大地抑制了。第三项 A * q_N(t) * e^{-jω(N-1)}这是最后一根天线第N根的失真它没有被整形。因为它没有下一根天线来提供反馈。核心洞见空间Sigma-Delta调制器利用天线阵列的相邻反馈将除了最后一根天线外的所有功放失真在空间域上进行了高通滤波。只要用户集中在低角度区域这是蜂窝通信的典型场景且天线间距d较小例如λ/8这些失真的大部分能量就会被“推”到高角度区域从而对目标用户的影响降到最低。2.4 无过载条件与失真边界任何反馈系统都必须考虑稳定性。对于这个空间Sigma-Delta环路存在一个“无过载”条件以确保失真q_n(t)不会无限累积。这个条件直接约束了每根天线的输入信号幅度 |x_n(t)|。假设我们允许功放输入信号 b_n(t) 的最大幅度为 χ。根据功放的非线性特性我们可以定义在该输入幅度范围内的最坏情况失真幅度 ψ max_{|z|≤χ} |G(z)/A - z|。那么为了保证系统稳定不失真爆炸输入信号必须满足 |x_n(t)| ≤ χ - ψ 对所有n和t成立。这个幅度约束将成为我们后续计预编码算法时必须严格遵守的“紧箍咒”。在实际中χ通常选择为功放线性区与非线性区的边界点如饱和点或1dB压缩点ψ则可以通过功放的数据手册或测量得到甚至可以根据经验估计一个保守值。这比DPD需要精确的功放模型要宽松得多。3. 系统实现融入大规模MIMO-OFDM下行链路理论很美妙但如何落地我们需要将其嵌入一个实际的、也是当前最主流的无线通信框架——多用户大规模MIMO-OFDM下行链路系统中。3.1 系统模型与信号流程考虑一个基站配备N根天线服务K个单天线用户。系统采用OFDM调制来对抗频率选择性信道。整个发射端的信号处理流程可以概括如下频域预编码对于每个OFDM子载波pp0,1,...,Ms-1基站根据信道状态信息和用户数据符号 s_{i,p}计算预编码后的频域信号向量 z_p [z_{1,p}, ..., z_{N,p}]^T。这就是我们后面要重点设计的部分。OFDM调制对每根天线n将其在所有子载波上的频域信号 [z_{n,0}, ..., z_{n,Ms-1}] 通过IFFT逆快速傅里叶变换变换到时域得到离散时域样本 x_{n,m}。添加循环前缀CP后经过DAC和模拟滤波器生成连续的基带模拟信号 x_n(t)。这就是上一节中空间Sigma-Delta调制器的“输入信号”。空间Sigma-Delta调制x_n(t) 进入如图5所示的模拟反馈网络。每一路信号与前一通路功放输出的衰减反馈相减然后送入本路的功放。最终从N根天线发射出去的是经过非线性失真且被空间整形的信号 u_n(t)。无线信道信号经过多径信道到达用户。信道模型包含J条路径每条路径有各自的复增益α、到达角θ和时延τ。用户接收用户端接收信号经过滤波、采样、去除CP、FFT等一系列OFDM解调操作后得到每个子载波上的接收信号。最终我们可以推导出用户在子载波p上的等效频域系统模型 r_{i,p} ĥ_{i,p}^T z_p ǩ_{i,p} ǭ_{i,p} 其中ĥ_{i,p} 是等效信道ǭ_{i,p} 是背景噪声而 ǩ_{i,p} 就是经过空间整形和OFDM调制解调后到达用户的残余功放失真噪声。理论分析表明在用户角度较小的情况下这项噪声的功率会被显著抑制。3.2 关键约束从连续时间到离散时间的幅度限制理论分析中的无过载条件 |x_n(t)| ≤ χ - ψ 是针对连续时间信号的。在实际的OFDM系统中我们生成的是离散时间样本 x_{n,m}。那么如何确保由这些样本重建出的连续时间信号 x_n(t) 满足幅度约束呢这是一个经典的峰值平均功率比PAPR问题。OFDM信号的时域波形由多个子载波叠加而成可能产生很高的峰值。最严格的保证是要求每一个离散样本点都满足约束 |x_{n,m}| ≤ χ - ψ 对所有天线n和所有时间样本m成立。这等价于对由所有天线、所有时间样本构成的矩阵 X 施加一个无穷范数约束∥X∥_max ≤ χ - ψ。这个约束是逐点的、最坏情况的约束非常严格但能绝对保证模拟信号不会过载。在实际算法设计中我们将直接使用这个离散化的约束条件。实操心得约束的保守性与效率权衡这种逐点最大幅度约束虽然保守但易于处理且能提供坚实的性能保障。更精细的做法可以考虑信号的统计特性或包络分布设计概率意义上的约束但这会大大增加算法复杂度。在工程实践中尤其是在追求稳定性的初期实现中采用这种最坏情况约束是稳妥的选择。我们可以通过优化预编码来尽可能高效地利用这个幅度“预算”。4. 预编码算法设计在幅度约束下服务多用户现在问题明确了我们需要设计频域预编码向量 z_p使得每个用户在各自子载波上能无失真地恢复出发送符号 s_{i,p}同时必须严格遵守时域信号幅度约束 ∥X∥_max ≤ χ - ψ其中 X 是由所有 z_p 经过IFFT和CP添加后得到的时域信号矩阵。4.1 基准方案一Sigma-Delta 迫零预编码迫零ZF预编码是一种经典的线性预编码技术其目标是完全消除用户间的多址干扰。在常规无约束情况下ZF预编码矩阵是信道矩阵的伪逆。在我们的框架下Sigma-Delta ZF预编码的形式为 z_p (1/γ) * Ĥ_p^† s_p 其中Ĥ_p^† 是第p个子载波上信道矩阵的伪逆s_p 是用户符号向量γ 是一个关键的归一化因子。γ的作用与计算 γ 必须选得足够大以确保由此产生的所有时域信号 x_{n,m} 满足幅度约束。计算方式如下先计算无归一化的时域信号矩阵X_temp [Ĥ_0^† s_0, ..., Ĥ_{Ms-1}^† s_{Ms-1}] * F_s^T其中 F_s^T 是执行IFFT和零填充的矩阵。找到 X_temp 中幅度最大的元素M_max max_{n,m} |[X_temp]_{n,m}|。令 γ M_max / (χ - ψ)。这样经过缩放后的实际发射信号 X X_temp / γ 就严格满足了 |x_{n,m}| ≤ χ - ψ。这个方案的优点是计算简单闭式解。缺点是为了满足严格的幅度约束γ可能较大导致有用信号功率降低相当于在所有天线上均匀地“回退”功率可能不是最节能的方式。4.2 进阶方案二Sigma-Delta 符号级预编码符号级预编码SLP是一种更先进的非线性预编码技术。它的思想不是简单地消除干扰而是利用已知的用户数据和信道信息在符号级别上精心构造发射信号使得叠加后的干扰在接收端恰好能推动用户的接收信号点远离判决边界从而提升解调性能。SLP通常能获得比线性预编码更好的误码率性能。在我们的问题中我们将其形式化为一个最大化检测概率的优化问题。目标函数是所有用户在所有子载波上正确检测其QAM符号的联合概率。这个概率取决于每个用户接收到的有用信号强度由缩放因子β_i控制与噪声失真之和的比值。优化问题表述 max_{β, Z, X} Π_{i,p} [ Pr(用户i在子载波p上检测正确) ] s.t.X Z * F_s^T 时频变换关系∥X∥_max ≤ χ - ψ 幅度约束β ≥ 0 用户功率缩放因子非负这里Z是频域预编码矩阵X是时域信号矩阵β是各用户的星座缩放因子向量。问题的挑战与求解 这个优化问题目标函数复杂涉及Q函数约束条件耦合时域幅度约束通过IFFT与频域变量Z关联且规模巨大例如N64, Ms300时变量数超过2万。直接使用通用凸优化工具求解计算量难以承受。定制化ADMM算法 我们采用交替方向乘子法ADMM来高效求解。ADMM非常擅长处理这种具有可分离结构的约束问题。我们将原问题拆解子问题1关于X在幅度约束集合X上投影。这个子问题有闭式解对于X_temp中的每个元素 x_{n,m}如果其幅度大于(χ-ψ)则将其幅度裁剪为(χ-ψ)相位保持不变。这实际上是一个到无穷范数球的投影。子问题2关于β和Z这是一个光滑的带约束凸优化问题。我们使用加速近端梯度法APG来求解。其梯度涉及对目标函数对数项的求导计算中需要多次计算标准正态分布的累分布函数CDF。乘子更新按照标准ADMM步骤更新拉格朗日乘子。通过交替迭代求解这三个相对简单的子问题算法最终能收敛到原问题的最优解。整个算法的复杂度主要来自于IFFT/FFT运算O(NM log M)和每次迭代中的矩阵向量操作O(KNMs)对于大规模问题是可以处理的。避坑指南算法初始化与参数选择初始化将Sigma-Delta ZF预编码的解作为ADMM的初始点β0, Z0, X0可以显著加快收敛速度。这是一个非常有效的热启动策略。惩罚参数ρADMM的收敛速度对惩罚参数ρ敏感。经过实验ρ500在这个问题中表现稳健。若收敛慢可尝试增大ρ若结果震荡可尝试减小ρ。也有采用自适应调整ρ的策略。停止准则采用相对对偶残差和相对目标函数变化作为停止条件例如 ∥X^{k1} - Z^{k1}F_s^T∥_F ≤ 1e-3 且 |F(β^{k1}, Z^{k1}) - F(β^k, Z^k)| ≤ 1e-3 * F(β^k, Z^k)。同时设置最大迭代次数如30次防止无限循环。4.3 性能增强去尾Sigma-Delta方案回顾接收信号公式我们发现最后一根天线第N根的功放失真 q_N(t) 没有被整形它可能对性能产生不可忽视的影响尤其是在天线数N不是特别大的时候。一个直观的增强方案是将阵列中最后一根天线的功放替换为高性能的线性功放。线性功放虽然成本高、效率可能略低但其失真可以忽略不计即 q_N(t) ≈ 0。这样接收信号中未整形的失真项就消失了。我们称此方案为TΣΔTail-removed ΣΔ方案。虽然增加了一个线性功放但相对于整个大规模阵列硬件成本的增加是微乎其微的1/N却能带来显著的性能提升特别是在天线规模中等的情况下这是一个性价比极高的工程折中。5. 仿真验证与性能分析理论分析和算法设计之后我们必须通过仿真来验证方法的有效性。仿真基于典型的Massive MIMO-OFDM下行链路场景。5.1 仿真设置与对比基准系统参数IFFT点数M512有效子载波Ms300天线数N可变16, 32, 56, 64用户数K可变4, 6, 8, 10。天线间距dλ/8。用户角度分布在[-35°, 35°]区间。功放模型采用3GPP 5G评估中常用的修正Rapp模型并设置了典型的非线性参数。对比方案理想无失真功放完全线性作为性能上界。无ΣΔ的ZF/SLP功放有非线性但未采用任何失真抑制措施用于观察失真影响。功率回退通过限制输入信号幅度在功放1dB压缩点以内强制功放工作在线性区。这是经典的“牺牲效率保线性”方法。恒包络预编码强制每根天线发射恒包络信号彻底规避非线性问题但会严重限制预编码自由度。5.2 关键结果与洞察1. 星座图直观对比 在(N, K) (64, 10)的设置下观察用户接收信号的星座图无噪声。无ΣΔ的ZF星座点严重扩散、扭曲许多点已跨越判决边界误码率必然很高。ΣΔ ZF星座点聚集性明显改善大部分点集中在理论位置周围但仍有少量扩散。TΣΔ ZF星座点非常清晰、紧凑几乎与理想无失真情况下的星座图重合。当减少天线数至N56时ΣΔ ZF的性能出现明显恶化星座点扩散加剧而TΣΔ ZF依然保持优异性能。这证实了“最后一根天线失真”在阵列规模较小时的影响以及“去尾”方案的有效性。2. 误码率性能分析 在不同天线和用户配置下比较各方案的误码率BER随信噪比SNR变化的曲线。小规模阵列N16, K4TΣΔ方案显著领先TΣΔ ZF和TΣΔ SLP的曲线最接近理想无失真曲线且明显优于传统的功率回退方案。这说明在资源有限的小阵列中空间整形结合“去尾”是抑制非线性失真非常有效的手段。标准ΣΔ的误差平台ΣΔ ZF在SNR提升到一定程度后BER不再下降出现了“误差平台”。这正是未被整形的最后一根天线失真成为主导干扰的体现。中大规模阵列N32/64, K6/8阵列增益的“治愈”效果随着天线数增加即使是不加任何处理的“无ΣΔ ZF”方案其性能也逐渐接近理想曲线。这是因为大规模阵列本身提供了巨大的波束成形增益使得有用信号功率远超失真功率从而掩盖了部分失真影响。但ΣΔ方案尤其是TΣΔ方案仍然能提供额外的性能增益。SLP vs ZF在所有配置下TΣΔ SLP的性能都优于TΣΔ ZF。这体现了符号级预编码在利用干扰和优化星座点位置方面的优势。当然SLP的计算复杂度也远高于ZF。高阶调制256/1024-QAM高阶QAM对失真和噪声更敏感。仿真显示在高SNR区域TΣΔ方案相对于功率回退方案的性能优势更加明显。因为功率回退过度限制了信号功率而TΣΔ方案在抑制失真的同时能更充分地利用功放的动态范围。更宽的角度范围将用户角度范围扩大到[-60°, 60°]后TΣΔ方案的性能优势依然保持。虽然空间整形效果在边缘角度有所减弱但整体上仍优于简单的功率回退。3. 二阶Sigma-Delta调制器 理论上二阶ΣΔ调制器能提供更陡峭的噪声整形滤波器(1 - e^{-jω})^2将失真更彻底地推向高角度。仿真发现一个有趣的现象在低中SNR时二阶ΣΔ的性能反而比一阶差只有在很高SNR35dB时二阶才显现优势。原因在于二阶调制器为了实现更强的整形需要更严格的输入幅度约束|x_n(t)| ≤ χ - 3ψ这严重限制了发射信号功率。在低SNR时背景噪声是主要矛盾需要高信号功率在高SNR时功放失真成为主要矛盾更强的整形能力才有价值。这揭示了失真抑制与信号功率之间的根本权衡。5.3 对其他功放模型的鲁棒性方法不仅适用于修正Rapp模型。在行波管功放TWTA模型下的测试表明TΣΔ ZF和TΣΔ SLP方案依然能提供良好的性能。这证明了空间Sigma-Delta方法的核心优势它不依赖于功放非线性特性的精确数学模型只依赖于一个最坏情况下的失真幅度估计ψ。只要ψ的估计是保守且可靠的该方法就对各种平滑的非线性特性具有天然的鲁棒性。6. 工程实现考量与未来展望6.1 硬件实现与复杂度空间Sigma-Delta调制器的核心是一个模拟反馈网络。对于一阶结构需要N个模拟衰减器实现除以A和大约2N-1个模拟加法器。这与需要为每个功放配备高精度ADC、DSP单元进行实时建模和更新的DPD方案相比硬件复杂度尤其是数字处理部分大大降低。潜在的挑战与解决方案模拟延迟功放和反馈通路中的模拟器件会引入时延导致反馈信号与当前输入失配。这可以通过在反馈路径中插入可调延迟线来补偿该技术在传统的模拟前馈功放线性化技术中已有成熟应用。环路稳定性必须严格遵守无过载条件 |x_n(t)| ≤ χ - ψ。这要求预编码算法必须提供严格的幅度控制。我们提出的SLP和ZF方案通过最坏情况约束确保了这一点。校准模拟衰减器的增益A可能存在误差需要进行初始校准。但校准的精度要求远低于DPD中对整个非线性曲线的建模。6.2 与现有技术的对比总结特性数字预失真 (DPD)功率回退 (Back-off)恒包络预编码空间Sigma-Delta调制 (本文)核心原理在数字域预失真抵消功放非线性降低输入功率强制工作在线性区设计恒包络发射信号规避非线性在空间域将失真整形到高角度区域所需功放模型需要精确的模型/实时辨识仅需1dB压缩点等少数参数不需要仅需最坏情况失真幅度ψ可估计硬件复杂度高每通道需ADC、DSP低仅需功率控制低但预编码复杂中低模拟反馈网络功放效率高可工作近饱和区低功率利用率低高但信号设计受限高可工作近饱和区性能优秀一般受限频谱效率低良好至优秀依赖阵列规模适用场景对线性化要求极高的传统宏基站对成本敏感、效率要求不高的场景对功放效率极端敏感的场景大规模MIMO基站用户角度集中6.3 未来扩展方向混合波束成形架构当前工作假设全数字波束成形。未来可研究在混合波束成形模拟数字架构中应用空间Sigma-Delta。挑战在于模拟移相器网络如何与模拟反馈网络结合。更高阶调制与宽带系统本文已验证了高达1024-QAM的性能。对于更宽带系统如毫米波需要分析调制器在更宽频带内的行为以及频率选择性失真是否会影响空间整形的效果。自适应与鲁棒设计本文的ψ是固定值。可以设计自适应算法根据功放温度、老化等情况在线微调ψ或在预编码中考虑ψ的不确定性进行鲁棒优化设计。与部分DPD结合一种有趣的思路是仅对阵列中少数关键天线如边缘天线使用DPD而对大部分天线使用低成本的Sigma-Delta调制实现成本与性能的进一步平衡。在我个人看来空间Sigma-Delta调制为大规模MIMO系统的功放非线性问题开辟了一条新颖且实用的解决路径。它巧妙地将一个棘手的信号处理问题转化为一个可以通过阵列空间结构来管理的“干扰引导”问题。其最大的吸引力在于用可接受的模拟硬件复杂度换取了昂贵的数字处理开销和精确建模需求这非常契合大规模MIMO阵列对低成本、低功耗射频前端的追求。虽然它在性能上可能无法达到理想DPD的极限但在工程实现的性价比和鲁棒性上展现出了巨大的潜力。对于正在为下一代基站射频成本而头疼的工程师来说这无疑是一个值得深入研究和尝试的技术选项。