论文技术总结：功率放大器感知的噪声受限与失真受限区域功率分配

1. 研究背景与问题定义

在无线通信系统中，射频（RF）前端，特别是**功率放大器（PA）**的物理限制是决定系统性能的关键瓶颈。传统的功率分配策略（如注水算法，Water-Filling）基于一个理想假设：PA 工作在线性区，且增益压缩和饱和效应可以忽略不计。

然而，随着频谱效率和发射功率需求的增加，PA 的非线性特性（特别是硬限幅行为）变得不可忽略。当输入信号接近饱和阈值时，PA 会产生信号依赖的失真噪声（Distortion Noise）。与独立于信号功率的热噪声不同，失真噪声的功率随发射功率增加而迅速增长，甚至超过信号本身的增益。这导致了一个根本性的问题：

• 容量天花板：在饱和区，继续增加发射功率不仅不能提升信噪比（SNR），反而会因为失真噪声的急剧增加导致信噪失真比（SNDR）下降，从而降低信道容量。
• 传统算法失效：标准的注水算法假设噪声是静态的，未考虑 PA 非线性带来的动态噪声，因此在饱和区会导致次优甚至错误的功率分配。

核心问题：如何在考虑 PA 非线性（硬限幅）的情况下，优化多输入多输出（MIMO）系统的功率分配，以平衡信号增益与失真噪声，从而最大化系统容量？

2. 方法论与核心技术

2.1 基于 Bussgang 定理的统计线性化

为了在信息论框架下分析 PA 的非线性，作者利用Bussgang 定理对 PA 的硬限幅模型进行了统计线性化分解：

• 模型分解：将 PA 的输出信号 $v_{T,PA}$ 分解为相干信号分量（$\alpha v_T$）和不相关的失真噪声分量（$\eta_{PA}$）。
  $$v_{T,PA} = \alpha v_T + \eta_{PA}$$
• 参数推导：
  • 等效线性增益 ($\alpha$)：推导了增益 $\alpha$ 与发射功率 $P_T$ 及供电电压 $V_{CC}$ 的闭式表达式，表明 $\alpha$ 随功率增加而压缩（Gain Compression）。
  • 失真方差 ($\sigma^2_\eta$)：推导了失真噪声的功率，发现其是发射功率的函数，且在饱和区迅速增长。
• MIMO 扩展：将标量分解扩展至向量形式，构建了包含对角增益矩阵 $A(p)$ 和失真噪声协方差矩阵 $R_\eta(p)$ 的有效信道模型。

2.2 有效信道与噪声模型

在 MIMO 系统中，接收信号模型被重构为：
$$v_L = H A(p) v_T + H \eta_{PA} + n$$
其中：

• 有效信道：$H_{eff} = H A(p)$，表明物理信道特性被功率相关的增益矩阵加权。
• 有效噪声：$n_{eff} = H \eta_{PA} + n$。关键点在于，PA 产生的失真噪声经过信道矩阵 $H$ 的空间滤波后，变成了有色噪声（Colored Noise），其协方差矩阵 $R_{neff} = H R_\eta(p) H^H + \sigma^2_n I$ 不再是静态的，而是依赖于功率分配向量 $p$。

2.3 优化算法：投影梯度下降 (PGD)

由于目标函数（信道容量）关于功率分配向量 $p$ 是非凸的，且噪声协方差与 $p$ 耦合，传统的拉格朗日乘子法无法直接求解闭式解。作者提出了一种**投影梯度下降（Projected Gradient Descent, PGD）**算法：

• 梯度计算：利用链式法则计算容量对每个天线功率 $P_i$ 的梯度，其中包含一个由失真噪声梯度 $\frac{\partial \sigma^2_{\eta,i}}{\partial P_i}$ 引起的负惩罚项。
• 物理意义：该算法会自动识别并降低那些虽然信道增益高、但会引发巨大失真噪声的天线功率。
• 空间回退策略 (Spatial Back-off)：算法在优化过程中自然地形成了一种策略，即有意降低高增益子信道的功率，以防止其主导总失真噪声，从而避免容量崩溃。

2.4 噪声 - 失真转换阈值推导

作者推导了一个关键的闭式热噪声方差阈值 ($\sigma^2_{n,th}$)，用于区分系统的两个工作区域：
$$\sigma^2_{n,th} = \frac{\sigma^2_\eta(P_{avg}) \|H\|_F^2}{N_R}$$
其中 $\|H\|_F$ 是信道矩阵的 Frobenius 范数。

• 噪声受限区 (Noise-limited)：当热噪声远大于阈值时，传统注水算法近似最优。
• 失真受限区 (Distortion-limited)：当热噪声远小于阈值（即高信噪比或强信道）时，系统性能受限于 PA 失真，必须使用放大器感知的功率分配策略。
• 洞察：该阈值表明，高增益信道（$\|H\|_F$ 大）会加速系统进入失真受限区。

3. 主要贡献

1. 算法创新：提出了一种基于投影梯度下降的功率分配算法，直接整合了 PA 的硬限幅非线性模型，无需假设线性 RF 链。
2. 策略发现：揭示了**空间回退（Spatial Back-off）**策略的必要性，即系统应主动抑制高增益信道的功率以控制失真噪声，而非盲目注水。
3. 理论界限：推导了区分噪声受限和失真受限区域的闭式阈值公式，该公式不仅取决于 PA 特性，还取决于信道的空间特性（Frobenius 范数）。
4. 性能验证：通过数值仿真证明，在深度饱和区，该策略相比传统注水算法能带来超过 100% 的容量增益。

4. 实验结果与讨论

• 功率利用率：仿真显示，在低噪声环境下，随着总功率预算增加，传统方法会过度利用功率导致饱和，而提出的算法会自动降低功率利用率以维持最佳工作点。
• 容量对比：
  • 在失真受限区（低热噪声），放大器感知的水填充算法显著优于标准水填充算法。
  • 在噪声受限区（高热噪声），两者性能趋于一致。
  • 在深度饱和条件下，传统方法甚至可能导致容量下降，而新算法能维持稳定增长。
• 鲁棒性：在信道秩随时间波动的动态场景下，该算法能持续保持比传统方法更高的容量，证明了其在跟踪信道变化同时优化 PA 工作点方面的鲁棒性。

5. 意义与影响

这项工作打破了通信理论中长期依赖“线性 RF 链”假设的局限，为高功率、高能效的 MIMO 系统（如 6G、大规模 MIMO）提供了新的设计视角。

• 理论层面：建立了非线性 PA 与信道容量之间的精确数学联系，定义了新的工作区域边界。
• 工程层面：提供了一种实用的算法框架，指导系统在硬件饱和限制下如何最大化频谱效率。特别是在电子战干扰或高功率传输等极端场景下，该策略对于防止系统性能崩溃至关重要。

总结而言，该论文通过引入 PA 非线性感知机制，重新定义了功率分配问题，证明了在饱和区通过“做减法”（降低部分信道功率以抑制失真）比“做加法”（单纯增加功率）更能提升系统整体容量。