⚡ electrical engineering

Correlation-Aware Greedy User Grouping for Zero-Forcing Precoding in Massive MIMO Downlink Systems

本文提出了 CorrGreedy，一种轻量级的、相关性感知型的用户分组启发式算法，该算法基于归一化的两两信道相关性来优化分组分配，旨在改善矩阵条件数，并在空间相关的大规模 MIMO 下行链路系统中，为迫零预编码实现具有竞争力的频谱效率和能量效率。

原作者： Yi Hu, Yan Feng, Fu Xing Wang

发布于 2026-07-10

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Yi Hu, Yan Feng, Fu Xing Wang

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个巨大的音乐厅，一位指挥家（基站）正试图引导由 32 名独唱歌手（用户）组成的合唱团。指挥家拥有 64 根指挥棒（天线）可以挥舞，希望能精准地引导每位歌手的声音，使他们在同时演唱时，每个人都清晰可辨，而不会互相淹没。这就是 大规模 MIMO (Massive MIMO) 的世界——一种能够同时向许多人发送大量数据的高科技方式。

指挥家通常使用一种被称为 迫零 (Zero-Forcing, ZF) 的技巧。把它想象成一种超精准的降噪技术。如果歌手们站得很远且面向不同的方向，指挥家可以通过挥舞指挥棒来完美地抵消掉“串扰”。这样，每个人听到的都只有自己的部分。

问题所在：“回声室”效应
但是，如果两名歌手站得紧挨在一起，面向完全相同的方向，并且唱着同样的音调，会发生什么？用论文中的术语来说，他们的“信道向量”具有高度的相关性 (correlated)。当指挥家试图对这两名歌手使用迫零技巧时，数学计算就会变得非常棘手。这就像试图抵消两个完全相同的回声；指挥家必须极其剧烈地挥舞指挥棒（消耗巨大的功率）才能获得哪怕一点点清晰度。结果就是，音乐听起来很微弱，观众（用户）接收到的信号很差。

解决方案：聪明的座位表
作者 Yi Hu、Yan Feng 和 Fu Xing Wang 并没有发明一种新的挥棒技巧。相反，他们发明了一种在音乐会开始前更好地安排歌手座位的方法。他们将这种方法称为 CorrGreedy。

想象一下，歌手们已经被分成了 8 个小组（桌子），每组 4 人。目标是确保在每个小组内，没有两名成员面向相同的方向。

检查： 算法会检查每一对歌手，并测量他们在方向上的“重叠”程度。
交换： 如果它发现同一张桌子上的两名歌手面向相同方向，它会检查将其中一人与另一张桌子上的歌手进行交换是否能解决问题。
贪婪移动： 如果这次交换能让小组变得“相关性更低”（更像是一个多样化的合唱团），那么交换就会发生。算法会不断进行这种交换，调整人员位置，直到找不到更多有帮助的交换为止。

研究发现（仿真结果）
作者运行了数千次计算机仿真实验，以观察这个座位表技巧是否真的有效。他们不仅仅是猜测，还测量了结果。

更好的数学表现： 当使用 CorrGreedy 时，“条件数”（一个衡量信号稳定性的高级数学得分）从随机座位时的平均 48 下降到了 16。这意味着信号背后的数学运算变得更加稳定。
更快的传输速度： 在测试中，当信号强度很高（在 40 dB 时），CorrGreedy 方法能够以每秒 354 比特/赫兹 (bps/Hz) 的速度传输数据。相比之下，使用标准方法且没有智能座位安排时，速度仅为 134。这是一个巨大的飞跃！
更清晰的声音： 他们还检查了“误码率”（即音乐出错的次数）。智能座位表显著降低了错误率，尤其是在歌手处于“相关性环境”（如充满回声的房间）时。

他们明确排除的内容
了解这篇论文没有声称什么非常重要。

它不是万能灵药： 作者非常明确，CorrGreedy 并不取代像 MMSE (最小均方误差) 这种更先进、更复杂的预编码技术。事实上，在一些负载极重的仿真实验中，MMSE 方法的表现仍然略优于它。论文认为 CorrGreedy 是一个“预处理”步骤——一种让标准的迫零方法表现得更好的方法，而不是为了抛弃迫零技术。
它并不完美： 该方法找到的是“局部最优解”。把它想象成寻找你家附近最高的山丘。它很棒，但可能不是全世界最高的山峰。论文承认，它并不能为每种场景都找到绝对最好的排列方式，只能找到一种计算速度很快且非常好的排列方式。
它并不适用于所有情况： 仿真假设是一个“单小区”系统（一个大型基站），并且拥有关于每个人位置的完美知识。论文并未声称这适用于复杂的城市级网络（存在其他基站干扰），或者当基站不知道用户具体站立位置的情况。

他们的把握有多大？
作者对他们的发现充满信心，但也措辞谨慎。他们表示，结果表明 (suggest) 并证明 (demonstrate) 了该方法在他们测试的特定条件下表现良好。他们运行了 1,000 次不同的仿真试验，以确保结果不仅仅是运气好。他们测量了速度、错误率和能量效率方面的改进，数据一致显示 CorrGreedy 优于随机座位安排，甚至优于其他简单的“聚类”方法（例如仅仅因为看起来相似就将人分组的方法）。

核心结论
论文表明，如果你拥有一个大规模天线系统，并且想要使用简单、快速的迫零方法，那么你不应该只是随机地将用户分组。相反，你应该使用一种循序渐进的交换算法（CorrGreedy），以确保每个小组中的人尽可能地各不相同。这个简单的技巧让数学计算变得更容易，节省了功率，并让更多的数据通过空气流动，而无需发明一种全新的无线电技术。

技术摘要：面向大规模 MIMO 下行链路中零迫近预编码的关联感知贪婪用户分组方法

问题陈述
在单小区大规模 MIMO 下行链路系统中，零迫近（Zero-Forcing, ZF）预编码因其低复杂度以及抑制组内多用户干扰的能力而被广泛应用。然而，ZF 的性能对用户信道向量之间的空间关系高度敏感。当具有高度相关信道方向的用户被分配到同一个传输组时，生成的组格拉姆矩阵（Gram matrix）会变得病态。这种病态性导致 ZF 预编码器需要更大的功率归一化因子，从而降低了有效接收信噪比（SNR），并导致频谱效率和误码率（BER）性能下降。在空间相关瑞利衰落环境下，这一问题尤为显著，因为处于相似角度区域或散射条件下的用户表现出不可忽视的信道相关性。

虽然用户选择和调度是成熟的技术，但本文解决的是一个特定的组合优化问题：固定规模用户分组。与用户选择（从较大的池中选择子集）不同，固定规模分组要求将所有 $K$ 个用户划分为 $G$ 个规模为 $S$ 的组（$K=GS$）。其目标是在应用组间 ZF 预编码之前，通过优化这些分组来最小化组内信道相关性，且不产生高昂的计算成本（如穷举搜索或在分组阶段进行重复的矩阵求逆）。

方法论：CorrGreedy 算法
本文提出了一种名为 CorrGreedy 的轻量级、基于交换的贪婪优化算法，旨在作为组间 ZF 预编码的预处理启发式方法。

代理目标： 算法并非直接最大化总频谱效率（这需要重复进行 ZF 求逆，计算成本极高），而是最小化一个基于相关性的代理目标：即总组内成对信道相关性代价。对于一个组 $\mathcal{G}_g$ ，其代价是该组内所有用户信道向量对之间的归一化平方内积之和。
初始化： 算法从一个可行的初始分组开始，该分组可以通过随机生成或通过静态基于相关性的启发式方法（按聚合相关性对用户排序并进行轮询分配）来生成。
贪婪交换优化： 核心机制涉及迭代扫描来自不同组的用户对。如果用户 $u$ （属于组 $A$ ）与用户 $v$ （属于组 $B$ ）之间的交换能严格降低总组内相关性代价，则接受该交换。交换增益通过预计算的成对相关矩阵进行局部计算，以避免冗余计算。
终止条件： 过程持续进行，直到不存在有益交换（达到局部最优）或达到最大迭代限制。该算法保持固定的组规模，并确保所有用户均被分配。

主要贡献

关联感知准则： 引入了一种专门用于改善 ZF 预编码中组格拉姆矩阵条件性的固定规模分组准则，使用归一化成对相关性作为矩阵条件性的易于处理的代理指标。
高效的贪婪算法： 开发了 CorrGreedy，它利用组间用户交换来降低组内相关性。该方法旨在实现计算高效，避免在搜索过程中进行重复的 ZF 预编码计算。
理论分析： 提供了一种将减少成对相关性与归一化格拉姆矩阵相对于单位矩阵的 Frobenius 范数偏差联系起来的解析解释。本文证明了减少非对角线能量可以改善特征值分布、降低条件数并减少 ZF 归一化损失。
可复现的评估： 提供了一个具有详细复现参数（随机种子、停止准则、初始化方法）的综合仿真框架，以支持独立验证。

仿真结果
所提方法在空间相关瑞利衰落信道（ $M=64$ 天线，变化的负载及相关系数 $\rho \in \{0, 0.3, \dots, 0.9\}$ ）下，针对未分组 ZF、随机分组、静态相关性分组、K-means 聚类和正则化 ZF (MMSE) 等基准方法进行了评估。

矩阵条件性： 与未分组 ZF 和静态分组相比，CorrGreedy 显著改善了平均最小特征值并降低了组格拉姆矩阵的平均条件数。例如，在 $M=64, K=32$ 时，平均条件数从 48（ZF）降至 16（CorrGreedy）。
频谱效率： 该方法在各种 SNR 水平和用户负载下，实现了具有竞争力的总频谱效率，优于传统的 ZF、静态相关性分组和 K-means 分组。在高负载场景（ $K=32$ ）下，CorrGreedy 在 30 dB SNR 时达到了 205 bit/s/Hz，而传统 ZF 为 146 bit/s/Hz。
可靠性与效率： 与其他基于 ZF 的分组方案相比，CorrGreedy 展示了更低的 BER 和更高的能量效率（按发射功率归一化）。
复杂度： 虽然比随机或静态分组复杂，但 CorrGreedy 的计算成本在可控范围内，避免了穷举搜索的指数级复杂度和直接速率优化中重复矩阵求逆的开销。

意义与主张
本文将 CorrGreedy 定位为而非替代鲁棒预编码方法（如 RZF 或 MMSE）或全局速率最大化问题的解决方案，而是作为一种低复杂度的预处理阶段，用以改善组间 ZF 预编码的运行条件。

作者断言，通过显式地最小化组内相关性，该方法改善了 ZF 求逆的数值稳定性，从而减轻了由病态组引起的噪声增强惩罚。结果表明，在空间相关信道中，这种关联感知分组特别有效，因为在这种环境下，随机或非迭代的分组策略无法有效分离具有相似空间特征的用户。本文得出结论，对于单小区大规模 MIMO 系统中的固定规模组间 ZF 传输，CorrGreley 在性能提升、可解释性和计算成本之间提供了合理的权衡。

类似论文