4 - Intro - Mimo

M aster y Doctorado en Tecnologas de la Informaci on y
Comunicaciones en Redes M oviles

Introducci on sistemas MIMO
I. Santamara
Introducci on Capacidad Multiplexing-diversity tradeoff Dise no C odigos ST Conclusiones
Indice
1
Introducci on
2
Capacidad en sistemas MIMO
3
Multiplexing-diversity tradeoff
4
Dise no de c odigos espacio-temporales
5
Conclusiones
Introducci on sistemas MIMO I. Santamara
Sistema MIMO (multiple-input multiple-output)
Space-
time
encoding
Space-
time
precoding M
Coding
Interleav.
Symbol
mapping
M
bits
Symbols
MIMO
CHANNEL
Space-
time
decoding
Space-
time
processing
M
M
Decoding
Deinterl.
Symbol
demap.
bits
Channel
estimation
TRANSMITTER
RECEIVER
Ventajas de un sistema MIMO
1
Ganancia por diversidad espacial
2
Ganancia por multiplexado espacial
3
Ganancia de array/Ganacia de codicaci on
4
Reducci on de interferencias
Las t ecnicas MIMO forman parte ya de todos los
est andares actuales:
1
Redes locales WLAN: 802.11n
2
Redes celulares: HSDPA+, 3GPP-LTE (Long-Term
Evolution)
3
Redes de acceso banda ancha inal ambrico: WiMAX
(802.16e)
Canal MIMO
Caracterstica esencial: fading
page 8
Channels for future wireless systems
RVK 2005
Double-directional impulse response
For each multipath component predict:
Complex amplitude, delay, angle-of-arrival, angle-
of-departure, polarization,
all as a function of time
Path loss
Reexi on
Difracci on
LOS/NLOS
Scattering
Modelo est andar: i.i.d. Rayleigh, at fading
H
w
= [h
1
h
n
T
] =
h
1,1
h
1,n
T
.
.
.
.
.
.
.
.
.
h
n
R
,1
h
n
R
,n
T
h
i,j
CN(0, 1) canal entre la i-th antena receptora y la j-th
transmisora =E[H
2
F
] = n
T
n
R
.
Tx/Rx correlaci on
Modelo Kronecker
H = R
1/2
rx
H
w
R
1/2
tx
R
h
= R
T
rx
R
tx
Donde denota el producto de Kronecker, es decir si A es una
matriz n p
A =
a
11
a
1p
.
.
.
.
.
.
.
.
.
a
n1
a
np
y B es una matriz mq, entonces AB es una matriz nmpq

construida de la forma
AB =
a
11
B a
1p
B
.
.
.
.
.
.
.
.
.
a
n1
B a
np
B
.
La matriz de correlaci on del canal R
h
, adem as de como el
producto de Kronecker entre las matrices de correlaci on en
recepci on y en transmision, tambi en se puede escribir como
R
h
= E[vec(H)vec(H)
H
],
donde la vectorizaci on de una matriz signica construir un
vector apilando sus columnas; es decir, si
H = [h
1
h
2
. . . h
n
T
]
es n
R
n
T
, entonces
vec(H) = [h
T
1
h
T
2
. . . , h
T
n
T
]
T
es un vector n
R
n
T
1.
Ricean (LOS) channels
H = H
m
+H
w
K =
H
m
2
F
Tr(R
h
)
Modelo general
H = H
m
+R
1/2
rx
H
w
R
1/2
tx
Generamos los coecientes del canal de acuerdo a
vec(H) CN(vec(H
m
), R
T
rx
R
tx
)
Selectividad temporal
Tiempo de coherencia (Doppler spread):
|t
1
t
2
| > T
c
=E[vec(H(t
1
))vec
H
(H(t
2
))] = 0
Selectividad frecuencial
Ancho de banda de coherencia (Delay spread):
|f
1
f
2
| > B
c
=E[vec(H(f
1
))vec
H
(H(f
2
))] = 0
H(z) =
L
l=0
H
l
z
l
Indice
1
Introducci on
2
3
4
5
Conclusiones
Capacidad MIMO
A la hora de estudiar la capacidad de un canal MIMO hay
que distinguir varias situaciones en funci on de c omo vare
el canal durante la transmisi on:
1
Canal constante: no hay fading Capacidad instant anea
C(H)
2
Canal erg odico: hay fading pero podemos codicar a lo
largo de un n umero suciente de realizaciones del canal
Capacidad erg odica
C
e
= E[C(H)]
3
Canal no erg odico o canal con block-fading: hay fading y
s olo podemos codicar en una unica realizaci on del canal
Capacidad outage
C
out,p
= r Pr(r > C(H)) = p
Y del conocimiento que dispongamos del canal en el Tx
y/o en el Rx:
1
Conocimiento perfecto del canal Perfect Channel State
Information en el Tx-Rx: CSIT-CSIR.
2
Conocimiento estadstico del canal Channel Distribution
Information en el Tx-Rx: CDIT-CDIR.
Modelo ZMSW (zero-mean spatially white)
H = H
w
Modelo CMI (channel mean information)
H = H
m
+H
w
Modelo CCI (channel covariance information)
H = R
1/2
rx
H
w
R
1/2
tx
Modelo CMCI (channel mean and covariance information)
H = H
m
+R
1/2
rx
H
w
R
1/2
tx
Un modelo habitual es CDIT(ZMSW)+CSIR.
Canal constante, CSIT + CSIR
En este caso la capacidad en bps/Hz de un canal MIMO H de
dimensiones n
R
n
T
viene dada por
C(H) = max
Q:Tr(Q)=P
log
2
det
I
n
R
+HQH
H
,
donde Q = E[xx
H
] es la matriz de covarianza de las se nal
transmitida, cuya potencia total de transmisi on es P.
Este problema de optimizaci on se resuelve f acilmente
considerando la descomposici on del canal MIMO en
r = mn(n
R
, n
T
) canales SISO ortogonales mediante la SVD
H = UV
H
=
r
i=1
i
u
i
v
H
i
.
Podemos realizar una transmisi on independiente en cada uno
de los canales si:
1
Precodicamos en el Tx con la matriz de autovectores por
la derecha V (al ser unitaria preserva la potencia
transmitida)
x = V x
2
Detectamos en el receptor con la matriz de autovectores
por la izquierda U
H
(al ser unitaria el ruido sigue siendo
blanco y gausiano)
y = U
H
(Hx +n) = U
H
UV
H
V x +U
H
n = x + n
Precoder
V
x
~
x V x
~
=
H
V U H =
Channel
H
U
Detector
n x H y + =
n x y
~ ~

~
+ =
El sistema es equivalente a r (el rango de la matriz MIMO)
canales SISO ortogonales
M
2
1

2
~
1
~
x
r
x
~
2
2

2
~
2
~
x
2
r
1
~
y
2
~
y
r
y
~
2
~

Cada uno de los canales tiene una enega
2
i
y
i
=
i
x
i
+ n
i
, i = 1, , r
Son los denominados modos del canal MIMO o
eigenmodes.
Para maximizar la capacidad el transmisor debe transmitir
una potencia distinta por cada uno de ellos (waterlling)
P
i
=
2
i
+
donde x
+
= max(x, 0) y es el waterll level para cumplir
la restricci on

r
i=1
P
i
= P.
Resultado nal: la capacidad del canal MIMO con CSIT y
CSIR se alcanza transmitiendo codewords gausianas con
covarianza Q = Vdiag(P
1
, , P
r
, 0, , 0)V
H
C(H) =
r
i=1
log(
2
i
)
+
Canal constante, CSIR+CDIT(ZMSW)
En este caso la capacidad se maximiza cuando se transmiten
codewords gausianas con matriz de covarianza Q =
P
n
T
I.
Es decir, la transmisi on ha de ser is otropa: por igual en todas
las direcciones del espacio.
La capacidad instant anea viene dada por
C(H) = log
2
det
I
n
R
+
P
n
T
HH
H
.
Descomponiendo el canal MIMO en r = mn(n
T
, n
R
) canales
SISO ortogonales, la capacidad instant anea puede escribirse
de manera alternativa como
C(H) =
r
i=1
log
1 +
P
n
T
2
i
que muestra el incremento lineal de capacidad con r (ganancia

de multiplexado).
Canal erg odico
Podemos codicar a lo largo de varias realizaciones del canal
(independientes entre s canal sin memoria)
L L L
1
H
2
H
L
n
H
Channel
Encoder
Tiene sentido entonces denir la capacidad erg odica como la
esperanza matem atica de la capacidad instant anea:
C
e
= E[C(H)] = max
Q:Tr(Q)=P
E
log
2
det
I
n
R
+HQH
H

Como en el caso del canal constante podemos distinguir varias
situaciones en funci on del conocimiento que se tenga del canal
en el Tx y/o Rx
CSIT+CSIR: para alcanzar la capacidad debemos
transmitir codewords gausianas y hacer waterlling en
potencia sobre los modos del canal (para cada
realizaci on), como en el caso del canal constante
Q
H
= V
H
diag(P
1
, , P
r
, 0, , 0)V
H
H
.
Este resultado es v alido independientemente de la
distribuci on del canal. La capacidad erg odica es
C
e
(H) = E
H
i=1
log(
2
i
)
.
CDIT+CSIR: en funci on del modelo de canal tenemos los
siguientes casos:
Caso 1: modelo ZMSWH = H
w
para alcanzar la
capacidad debemos transmitir codewords gausianas de
manera is otropa Q =
P
n
T
I
C
e
(H) = E
H
log
2
det
I
n
R
+
P
n
T
HH
H
.
Existen expresiones cerradas y/o aproximaciones muy
buenas para distintas distribuciones del canal (Rayleigh,
Nakagami,...).
Caso 2: modelo CMI H = H
m
+H
w
para alcanzar la
capacidad debemos transmitir codewords gausianas y
hacer waterlling sobre los modos del canal medio
(autovectores de H
H
m
H
m
).
Caso 3: modelo CCI (con correlaci on s olo en el Tx)
H = H
w
R
1/2
tx
para alcanzar la capacidad debemos
transmitir codewords gausianas y hacer waterlling sobre
los modos de R
tx
Q = V
R
diag(P
1
, , P
r
, 0, , 0)V
H
R
,
con R
tx
= V
R
V
H
R
.
Caso 4: CMCI (con correlaci on s olo en el Tx)
H = H
m
+H
w
R
1/2
tx
las direcciones optimas de
transmisi on son funciones complicadas de R
tx
y H
m
; no
existe una soluci on cerrada (conocida).
El valor de la CSIT
Canal Rayleigh i.i.d. (ZMSW).
0 5 10 15 20
1
2
3
4
5
6
7
8
9
10
11
12
C
a
p
a
c
i
t
y

(
b
p
s
/
H
z
)

SNR (dBs)
4 4
2 2
CSIT+CSIR
CSIR
Efecto de la correlaci on en transmisi on en un canal 4 4.
0 5 10 15 20 25
2
4
6
8
10
12
SNR (dBs)
C
a
p
a
c
i
t
y

(
b
p
s
/
H
z
)

CSIT+CSIR
CSIR
ZMSW
Tx correlation 0.9
Canal block-fading
El canal permanece constante durante L usos, pero no
podemos codicar a lo largo de varios bloques (por ejemplo en
transmisiones limitadas por retardo)
L L L
L
n
H
1
H
2
H
Channel
Encoder
Channel
Encoder
Channel
Encoder
Para este modelo la capacidad de Shannon es estrictamente
cero. Existe siempre una probabilidad no nula de que el canal
est e en situaci on de fuera servicio (outage)
C
out,p
= r Pr(r > C(H)) = p
Indice
1
Introducci on
2
3
4
5
Conclusiones
Para canales MIMO existe un compromiso fundamental entre
robustez y tasa que se conoce como multiplexing-diversity
tradeoff [Zheng and Tse, IEEE Trans. IT, 2003].
Consideramos un canal block-fading aunque la misma idea es
aplicable a canales erg odicos.
La ganacia de multiplexado (multiplexing gain) se dene
como
r
max
= lm
C
out,p
log
2
()
siendo la SNR en unidades naturales.
Nota: la FER (frame error rate) del sistema (esto es, su
robustez) es ja e igual a psi usamos c odigos
sucientemente buenos, la P
e
est a dominada por aquellas
realizaciones en que el canal est a en un fading profundo y
no podemos transmitir.
0 5 10 15 20 25
5
10
15
20
SNR (dBs)
C
o
u
t
,
0
.
0
1

(
b
p
s
/
H
z
)

pendiente =4
pendiente =2
MIMO (44)
MIMO (22)
Para un canal MIMO i.i.d. con detecci on optima
r
max
= mn(n
T
, n
R
).
Por cada 3dB de incremento en SNR, para una P
e
(robustez) ja
podemos aumentar la tasa en mn(n
T
, n
R
) bps/Hz.
Es un resultado asint otico!
La ganacia de diversidad diversity gain se dene como
d
max
= lm
log
2
(P
e
(, r))
log
2
()
siendo nuevamente la SNR en unidades naturales.
En este caso hemos jado la tasa: porcentaje de tramas
en las que transmitimos por debajo de la capacidad
instant anea y, por lo tanto, pueden ser decodicadas con
P
e
arbitrariamente baja.
Estamos identicando P
e
con FER.
Curvas de FER (P
e
) para una tasa ja de r = 2 bps/Hz.
0 5 10 15 20 25 30
10
5
10
4
10
3
10
2
10
1
10
0
SNR (dB)
F
E
R
pendiente = 4
pendiente = 1
22
11
La m axima diversidad es d
max
= n
T
n
R
.
Por cada 3dB de incremento en SNR, para un tasa de
transmisi on ja podemos reducir la P
e
por un factor 2
n
T
n
R
.
Al igual que antes, es un resultado asint otico.
La curva de compromiso entre ganacia de multiplexado y
ganacia de diversidad es lineal a tramos (r, d(r)) de la forma:
d(r) = (n
R
r)(n
T
r)
n n
R T

d

(
d
i
v
e
r
s
i
t
y
g
a
i
n
)
0 1 2
) min(
R T
,n n
r (multiplexing gain)
Conclusi on: Si gastamos la SNR en aumentar la robustez del
sistema, reduciendo la FER todo los posible d = n
T
n
R
,
entonces hemos de mantener la tasa constante r = 0; y
viceversa.
Indice
1
Introducci on
2
3
4
5
Conclusiones
Supongamos: a) Un sistema MIMO con n
T
antenas en Tx
y n
R
en recepci on y b) El canal MIMO es Rayleigh i.i.d. y
se mantiene constante durante la transmisi on de todo un
bloque de duraci on L slots (L n
T
).
Queremos dise nar un conjunto de palabras c odigo
espacio-temporales para la transmisi on
S
i
C
n
T
L
, i = 1, , N.
A esta categora pertenecen los denominados c odigo
espacio-temporales por bloques (space-time block codes o
STBCs), que son unos de los c odigos m as ampliamente
utilizados en transmisiones MIMO y el objeto de nuestro
estudio posterior.
Las expresiones obtenidas nos permitir an introducir los
conceptos de ganacia de diversidad (nuevamente) y de
ganancia de codicaci on.
La se nal recibida es
X = HS
i
+N
siendo N CN(0,
2
I
n
R
L
).
Las palabras c odigo est an normalizadas para que la
energa media por smbolo complejo transmitido sea 1. La
SNR por antena Tx es /n
T
= 1/
2
.
El modelo anterior incluye la codicaci on s olo espacial,
S
i
C
n
T
1
(a veces denominada vector coding); o s olo
temporal S
i
C
1L
.
C omo dise namos las palabras c odigo S
i
? Qu e criterios
deben cumplir para extraer las ventajas del sistema
MIMO?
Minimizaci on de la P
e
por parejas
Como criterio de dise no empleamos la P
e
por parejas
(pairwise), es decir, la probabilidad de transmitir la palabra S
i
y
decidir err oneamente la palabra S
j
, condicionada a la
realizaci on del canal H
P(S
i
S
j
|H).
La probabilidad anterior es la probabilidad del evento
||XHS
i
||
2
||XHS
j
||
2
,
que se puede reescribir como
||N||
2
||NH(S
j
S
i
)||
2
=
= ||N||
2
+||H(S
j
S
i
)||
2
2
Tr
N
H
H(S
j
S
i
)
.
Si ahora llamamos d
2
H
(S
i
, S
j
) = ||H(S
j
S
i
)||
2
y
g = 2
Tr
N
H
H(S
j
S
i
)
, podemos escribir de manera

m as compacta
P(S
i
S
j
|H) = P
g d
2
H
(S
i
, S
j
)
.
Pero g es una combinaci on lineal de gausianas, y se puede
comprobar f acilmente que g N(0, 2
2
d
2
H
(S
i
, S
j
)), por lo tanto
P(S
i
S
j
|H) = Q
d
2
H
(S
i
, S
j
)
2
2
.
Aplicando ahora la desigualdad Q(x) e
x
2
2
, podemos acotar
la P
e
pairwise como
P(S
i
S
j
|H) e
d
2
H
(S
i
,S
j
)/4
2
.
La distancia d
2
H
(S
i
, S
j
) puede reescribirse como una forma
cuadr atica de la siguiente manera
d
2
H
(S
i
, S
j
) = Tr
E
H
i,j
H
H
HE
i,j
= Tr
HE
i,j
E
H
i,j
H
H
=
= vec(H
H
)
H

I
n
R
n
R
E
i,j
E
H
i,j
vec(H
H
) =
= vec(H
H
)
H
(I
n
R
n
R
G
i,j
) vec(H
H
)
donde E
i,j
= S
j
S
i
es una matriz n
T
L formada como la
diferencia entre las dos matrices de c odigo y G
i,j
= E
i,j
E
H
i,j
(que es Hermtica y, por lo tanto, con autovalores mayores o
iguales a cero).
En resumen, hasta ahora hemos visto que la Pe pairwise para
una determinada realizaci on del canal puede acotarse como
P(S
i
S
j
|H) e
vec(H
H
)
H
(
I
n
R
n
R
G
i,j)
vec(H
H
)/4
2
,
y promediando en todas las realizaciones tenemos que
P(S
i
S
j
) E
e
vec(H
H
)
H
(
I
n
R
n
R
G
i,j)
vec(H
H
)/4
2
,
Una expresi on util
Si z CN(, ), entonces
E
z
e
z
H
Az
=
e
H
A(I+A)
1
|I + A|
De la expresi on anterior se deduce que si el canal MIMO tiene
media, E[vec(H
H
)] = = 0, entonces la P
e
decae
exponencialmente (parecido a un canal AWGN).
Por otra parte, si el canal es i.i.d Rayleigh (H = H
w
), entonces
= 0 y = I, por lo que la expresi on de la P
e
queda
P(S
i
S
j
)
1
I
n
R
n
T
+
1
4
2
(I
n
R
G
i,j
)
=
1
I
n
T
+
1
4
2
G
i,j
n
R
=
r
m=1
1 +

4n
T
n
R
,
siendo r = rank(G
i,j
) y
m
los autovalores de la matriz G
i,j
.
Finalmente, para SNRs altas >> 1 se obtiene la siguiente
cota
P(S
i
S
j
)

4n
T
rn
R
m=1
m
(G
i,j
)
n
R
.
Deniendo ahora:
1
Ganacia de codicaci on:
G
c
= mn
S
i
=S
j
m=1
m
(G
i,j
)
1/r
= mn
S
i
=S
j
|G
i,j
|
1/r
.
2
Ganacia de diversidad:
G
d
= n
R
mn
S
i
=S
j
rank(G
i,j
).
Criterios del rango y del determinante
P
e
G
G
d
c

4n
T
G
d
-10 -5 0 5 10 15 20
10
-8
10
-6
10
-4
10
-2
10
0
SNR (dB)
B
E
R
d
G
c
G
Un buen c odigo [Tarokh, Seshadri, Calderbank, IEEE IT, 1998]
Debe cumplir el criterio del rango para aprovechar toda la
diversidad del canal MIMO: el rango de la matriz diferencia
entre dos codewords cualesquiera deber ser mn(n
R
, n
T
).
Por ejemplo, con vector coding s olo podemos conseguir
diversidad 1es necesario hacer codicaci on
espacio-temporal para extraer toda la diversidad del canal
MIMO.
Debe maximizar el mnimo determinante de la matriz
diferencia entre dos codewords distintas (criterio del
determinante). De esta manera conseguimos ganancia de
codicaci on.
Indice
1
Introducci on
2
3
4
5
Conclusiones
Conclusiones
Un canal MIMO ofrece numerosas ventajas que pueden
ser aprovechadas en los nuevos sistemas de
comunicaciones:
1
Diversidad: esencial en canales con fading, pendiente de la
curva de BER con la SNR (para SNRs altas), la diversidad
m axima es n
T
n
R
.
2
Capacidad (multiplexing gain): incremento lineal de la
capacidad con r = mn(n
T
, n
R
), mediante la SVD el canal
MIMO se descompone en r canales SISO, importancia del
CSIT y del modelo asumido de canal.
3
Ganacia de codicaci on (si dise namos bien las matrices
c odigo)/ Ganancia de array (procesando coherentemente
en Tx y/o Rx).
Pero existen compromisos entre ellas: ganancia de
multiplexado-diversidad.
Conclusiones
Para extraer toda la diversidad del sistema MIMO es
necesario emplear c odigos espacio-temporales.
Para dise nar c odigos ST que minimicen una cota superior
de la P
e
por parejas hemos obtenidos los criterios del
rango (ganancia de diversidad) y del determinante
(ganacia de codicaci on).
Entre ellos, los c odigos espacio-temporales por bloque
(space-time block codes o STBCs) son los m as
ampliamente empleados y los estudiaremos
detenidamente en las siguientes sesiones.

4 - Intro - Mimo

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

4 - Intro - Mimo

Uploaded by

Copyright:

Available Formats

M aster y Doctorado en Tecnologas de la Informaci on y

Comunicaciones en Redes M oviles

y B es una matriz mq, entonces AB es una matriz nmpq

Introducci on sistemas MIMO I. Santamara

que muestra el incremento lineal de capacidad con r (ganancia

Introducci on sistemas MIMO I. Santamara

, podemos escribir de manera

You might also like