近场宽带混合波束成形：基于黎曼优化的TTD架构高效设计

1. 项目概述与核心挑战

在毫米波和太赫兹频段，为了追求极致的频谱效率和连接密度，我们不得不部署超大规模天线阵列。天线数量一多，通信距离相对天线孔径而言就显得不那么“远”了，用户设备很可能就落在了天线的“近场”区域内。这时候，电磁波的波前不再是平面波，而是球面波。这个变化带来了一个关键的自由度：波束不仅能“指向”一个角度，还能“聚焦”到一个具体的空间坐标上。这对于区分空间位置相近的用户、抑制干扰是件好事，但也让波束成形的设计变得复杂。

更棘手的是宽带系统。我们通常用正交频分复用技术来对抗频率选择性衰落，但模拟波束成形器，特别是基于移相器的部分，其相位调整是频率平坦的。这意味着，你在中心频率上设计了一个完美的聚焦波束，到了其他子载频上，这个波束的焦点位置就会发生偏移，这就是所谓的“波束分裂”效应。想象一下，你用一束激光笔对准了目标，但当你切换不同颜色的光时，光斑却跑到了别处，这显然会导致严重的信号增益损失。

为了解决这个问题，业界引入了基于真实时延的混合波束成形架构。TTD元件能产生与频率成正比的相位偏移，理论上可以完美补偿不同子载频间的相位差，从而让波束焦点在所有频点上对齐。然而，把TTD塞进混合架构里，优化问题就变得异常复杂：移相器有恒模约束，TTD有最大时延限制，模拟部分和数字部分还相互耦合。传统的优化方法，比如基于惩罚项的块坐标下降法，往往需要引入额外的投影操作或巨大的惩罚权重来强行满足这些约束，不仅收敛性难以保证，计算开销也很大，难以实时实现。

2. 系统模型与问题重构

2.1 近场宽带信道与混合架构建模

我们考虑一个基站，装备了N个天线的均匀线性阵列，服务K个单天线用户。系统采用OFDM，总带宽为W，中心载频为fc，共有M个子载频。近场信道模型必须考虑球面波前，因此用户k在第m个子载频上的信道向量可以建模为：

h_m,k = β_m,k * a(f_m, θ_k, r_k) + Σ_{l=1}^{L_k} β̃_m,k,l * a(f_m, θ̃_k,l, r̃_k,l)

其中，β_m,k是视距路径的复增益，包含了路径损耗和相位旋转；a(f_m, θ, r)是频率依赖的阵列响应向量，其第n个元素为：exp(-j * 2π * (f_m/c) * (sqrt(r² + χ_n² * d² - 2 * r * χ_n * d * cosθ) - r))这里，χ_n是天线索引的归一化位置，d是天线间距。这个表达式精确刻画了球面波前带来的、与距离r相关的相位弯曲，是近场建模的核心。

在发射端，我们采用全连接的TTD混合波束成形架构。具体来说，有N_RF条射频链路，每条链路通过N_T个TTD模块连接到所有N个天线，而每个TTD模块又通过一个移相器网络驱动一个包含N/N_T个天线的小子阵列。因此，总的移相器数量与传统架构相同（N_RF * N），但额外引入了N_RF * N_T个TTD元件。

整个发射信号处理链可以表示为：对于第m个子载频，数字预编码矩阵F_BB^m (维度 N_RF × K) 首先对数据流进行处理，然后经过模拟部分。模拟部分由两部分组成：一是与频率无关的移相器矩阵F_PS (维度 N × (N_RF * N_T))，其每个元素必须满足恒模约束|[F_PS]_i,j| = 1；二是与频率相关的TTD时延矩阵T_m (维度 (N_RF * N_T) × N_RF)，它是一个块对角矩阵，每个块对应一个射频链路上的TTD时延向量t_n，其元素[t_n]_l代表时延，需满足0 ≤ [t_n]_l ≤ t_max。最终，用户k在第m个子载频上接收到的信号为：y_m,k = h_m,k^T * F_PS * T_m * f_BB^{m,k} * x_m,k + n_m,k其中，f_BB^{m,k}是F_BB^m中对应于用户k的列向量。

2.2 优化问题的数学表述

我们的目标，是让这个混合波束成形架构的输出，尽可能逼近一个理想的“全数字”波束成形器F_opt^m。这个F_opt^m是通过求解一个不考虑硬件限制的、完美的和速率最大化问题得到的。因此，核心优化问题可以表述为：

最小化： Σ_{m=1}^{M} || F_opt^m - F_PS * T_m * F_BB^m ||_F² 约束条件： 1. |[F_PS]_i,j| = 1 （移相器恒模约束） 2. 0 ≤ [t_n]_l ≤ t_max （TTD时延范围约束） 3. || F_PS * T_m * F_BB^m ||_F² ≤ P_max^m （每个子载频的发射功率约束）

这个问题是非凸的，因为目标函数中变量高度耦合，且约束条件1和2定义了一个非凸的可行域。直接求解非常困难。

2.3 关键重构：从时延到相位增量的转化

这里有一个关键的观察能极大地简化问题。我们将模拟部分合并为A_m = F_PS * T_m。它的第(v, w)个元素（对应第n条RF链，第l个TTD，第i个移相器）可以写成：[A_m]_v,w = exp(j * (φ_{n,l,i} - 2π * f_m * t_{n,l}))其中，φ_{n,l,i}是移相器引入的、与频率无关的相位，t_{n,l}是TTD引入的时延。

我们发现，对于固定的(n, l, i)，当子载频索引m变化时，[A_m]_v,w的相位变化是线性的：phase([A_m]_v,w) = a_{v,w}^0 + m * δ_{n,l}。这里，a_{v,w}^0是中心子载频（m=0）的相位，而δ_{n,l} = 2π * W * t_{n,l} / M，是一个与TTD时延t_{n,l}成正比的“相位增量”。

这个发现太重要了。它意味着，我们不需要为M个子载频分别优化M个不同的模拟矩阵A_m。我们只需要优化两个核心矩阵：

1. A0：中心子载频的模拟相位矩阵，其元素为exp(j * a_{v,w}^0)，满足恒模约束。
2. Δ：相位增量矩阵，其元素为exp(j * δ_{n,l})，其相位值δ_{n,l}被约束在[0, 2π * W * t_max / M]内。

然后，任意子载频m的模拟矩阵可以通过一个简单的哈达玛积（逐元素相乘）和幂运算得到：A_m = Δ^{⊙m} ⊙ A0。这里Δ^{⊙m}表示对Δ的每个元素取m次幂。

经过这一系列变换，原优化问题被优雅地重构为：

最小化： Σ_{m} || F_opt^m - (Δ^{⊙m} ⊙ A0) * F_BB^m ||_F² 约束条件： 1. |[A0]_i,j| = 1 2. |[Δ]_i,j| = 1，且 arg([Δ]_i,j) ∈ [0, 2π*W*t_max/M] 3. 功率约束（后续可证明自动满足）

注意：这里有一个重要的简化。当我们用最小二乘解F_BB^m = (Δ^{⊙m} ⊙ A0)^† * F_opt^m来更新数字预编码时，混合预编码器(Δ^{⊙m} ⊙ A0) * F_BB^m实际上是将F_opt^m投影到了Δ^{⊙m} ⊙ A0的列空间上。由于投影算子的非扩张性，只要原始的F_opt^m满足功率约束，投影后的结果也自动满足。因此，在后续优化A0和Δ时，我们可以暂时忽略显式的功率约束，这大大降低了问题的复杂度。

3. 黎曼优化框架的核心算法

3.1 为何选择黎曼优化？

传统的欧几里得优化方法（如梯度下降）在更新变量时，是沿着直线方向移动。但我们的变量A0和Δ生活在“流形”上——A0在复环面流形（所有元素模为1的矩阵集合），Δ在复环面流形的一个子集上（相位有界）。如果我们在欧氏空间做梯度下降，然后简单地把结果投影回流形，可能会破坏收敛性，或者需要很大的惩罚项来把变量“拉”回约束集。

黎曼优化则不同。它直接在流形这个“弯曲的空间”里定义梯度和更新规则。具体来说：

1. 计算欧几里得梯度：在嵌入的欧氏空间中，计算目标函数f对A0和Δ的普通梯度∇f。
2. 投影到切空间：将欧氏梯度投影到流形在当前点处的切空间上，得到黎曼梯度grad^M f。切空间可以理解为流形上该点处所有可能的“前进方向”。对于复环面流形，这个投影操作非常简洁：ξ = ∇f - Re(∇f ⊙ X*) ⊙ X，其中X代表A0或Δ，⊙是逐元素乘法，*是共轭。
3. 沿黎曼梯度移动：在切空间中，沿着负黎曼梯度方向走一步。
4. 收缩操作：将切空间中的这个点，通过一个称为“收缩”的映射，拉回到流形上，得到新的迭代点。对于A0，收缩就是取相位：A0_new = exp(j * arg(A0_old - η * ξ_A0))。对于Δ，除了取相位，还需要对相位进行裁剪，确保其在[0, 2π*W*t_max/M]范围内。

这个过程保证了每一次迭代后的解都严格满足恒模和相位范围约束，无需外部投影或惩罚项，收敛性更有理论保障。

3.2 窄带场景下的黎曼梯度下降算法

基于上述思想，我们设计了一个交替优化算法。在每一步，我们先固定数字预编码器{F_BB^m}，用黎曼梯度下降法联合优化A0和Δ；然后，用最小二乘公式更新{F_BB^m}。如此反复。

算法核心步骤如下：

1. 初始化：随机生成满足恒模约束的A0和Δ（Δ的相位需裁剪到规定范围）。根据初始的A0和Δ，计算初始的数字预编码器F_BB^m = (Δ^{⊙m} ⊙ A0)^† * F_opt^m。
2. 迭代直至收敛： a.计算残差：对于每个子载频m，计算R_m = F_opt^m - (Δ^{⊙m} ⊙ A0) * F_BB^m。 b.计算欧氏梯度： - 对A0：∇f_A0 = -2 * Σ_m [ Δ^{⊙m} ⊙ (R_m * F_BB^{mH}) ]- 对Δ：[∇f_Δ]_v,w = -2 * Σ_j Σ_m [ m * Δ^{⊙(m-1)} ⊙ A0 ⊙ (R_m * F_BB^{mH}) ]_v,w（这里涉及对矩阵元素的求和，具体索引对应关系见原文公式(51)）。 c.投影得到黎曼梯度： -ξ_A0 = ∇f_A0 - Re(∇f_A0 ⊙ A0*) ⊙ A0-ξ_Δ = ∇f_Δ - Re(∇f_Δ ⊙ Δ*) ⊙ Δd.收缩更新： -A0 := exp(j * arg(A0 - η * ξ_A0))-Δ := exp(j * clip_{[0, 2πWt_max/M]}( arg(Δ - η * ξ_Δ) ))，其中clip是裁剪函数。 e.更新数字预编码器：F_BB^m := (Δ^{⊙m} ⊙ A0)^† * F_opt^m。 f.检查收敛条件：例如，黎曼梯度的范数小于某个阈值ε，或目标函数值下降非常缓慢。

实操心得：步长选择与初始化黎曼梯度下降的步长η选择很关键。太大容易震荡，太小则收敛慢。一个实用的策略是采用回溯线搜索：从一个初始步长开始，如果目标函数值没有下降，就按比例（如0.5倍）缩小步长，直到满足下降条件。初始化也影响收敛速度。不建议完全随机初始化A0和Δ。一个更好的起点是使用“相位对齐”初始化：用中心子载频的理想全数字预编码器F_opt^0的相位来初始化A0，用相邻子载频间的相位差来粗略估计并初始化Δ的相位。这通常能让算法从一个较好的局部区域开始，加快收敛。

3.3 应对超宽带：子带划分与两阶段优化

当系统带宽W非常大时，所有子载频共享同一套模拟配置(A0, Δ)可能会力不从心。因为相位增量δ_{n,l}的最大值2π*W*t_max/M会变得很大，导致Δ^{⊙m}的相位变化过于剧烈，使得优化问题的“地形”非常崎岖，算法收敛缓慢甚至不稳定。

为此，我们提出了一个两阶段的子带优化策略：

1. 第一阶段：本地子带优化。将总的M个子载频划分为L个互不重叠的子带{I_i}。对每个子带i，独立运行上述的窄带黎曼优化算法（算法1），得到一套本地的模拟和数字预编码器解(A0^{(i)}, Δ^{(i)}, {F_BB^{(i), m}})。由于每个子带内带宽相对较小，问题更接近“窄带”特性，优化起来更快、更稳健。
2. 第二阶段：全局协调。我们现在有了L套本地解，但硬件上只能实现一套模拟配置(A0, Δ)。因此，我们需要解决一个“共识”问题：寻找一套全局的(A0, Δ)和对应的{F_BB^m}，使得它们在所有子带上尽可能接近各本地解的输出。这可以形式化为另一个优化问题：

   最小化： Σ_{i=1}^{L} Σ_{m∈I_i} || (Δ^{(i)⊙m} ⊙ A0^{(i)}) * F_BB^{(i),m} - (Δ^{⊙m} ⊙ A0) * F_BB^m ||_F² 约束条件：A0和Δ的恒模与相位范围约束。

   这个问题同样可以用黎曼优化来求解。我们把每个本地解(Δ^{(i)⊙m} ⊙ A0^{(i)}) * F_BB^{(i),m}看作一个“目标”，然后去拟合全局的模拟配置和数字预编码器。

如何划分子带？一个经验法则是：当总带宽W超过一个阈值W_th时，就启用子带划分。这个阈值可以从允许的最大相位误差ε（单位弧度）来估计：W_th = (ε * M) / (2π * t_max)。其含义是，确保在每个子带内部，由最大时延t_max引起的最大相位变化2π*W_th*t_max/M不超过ε，从而保证子带内近似满足“窄带”行为。

4. 性能评估与实战解析

4.1 仿真配置与基线对比

为了验证算法的有效性，我们设置了一个典型的近场大规模MIMO场景：基站配备N=512根半波长间距的天线，使用N_RF=4条射频链路，每条链路连接N_T=16个TTD模块。OFDM系统中心频率f_c=100 GHz，子载频数M=10，带宽W=10 GHz。TTD的最大时延t_max设置为N/(2f_c)=2.56 ns。K=4个单天线用户随机分布在5-15米的近场区域。信道包含1条视距路径和L_k=4条非视距散射路径。我们将提出的黎曼优化算法与当前文献中性能最好的基线方案（基于惩罚项的块坐标下降法）进行对比。

4.2 关键结果与工程启示

1. 频谱效率 vs. TTD最大时延：如图2所示，我们提出的方法在所有t_max取值下都一致地优于基线方案。当t_max增加到约1.2 ns时，我们的方法非常接近全数字最优解（约48.9 bps/Hz），仅有约0.9 bps/Hz的差距，而基线方案的差距更大。这说明增加TTD的可调时延范围确实能提升补偿波束分裂的能力，但收益是递减的。存在一个系统相关的阈值t_th，一旦t_max超过t_th，再增加时延对频谱效率的提升就微乎其微了。这个t_th大致等于阵列孔径两端到用户的最大传播时延差。在工程设计中，选择t_max略大于t_th即可，盲目追求大时延范围只会增加硬件成本和复杂度，却带不来性能增益。

2. 频谱效率 vs. 系统带宽：如图3所示，随着带宽W从5 GHz增加到30 GHz，全数字方案的频谱效率基本保持平坦，而两种混合方案都有所下降。我们的方法在所有带宽下都优于基线，但两者与全数字方案的绝对差距都随带宽增大而增加。这揭示了混合架构的一个根本性局限：在超宽带下，波束分裂和近场频率选择性效应被极度放大，有限数量的TTD和移相器难以完全补偿。这对系统设计者的启示是：在追求超大带宽时，必须同步考虑更先进的混合架构（如增加TTD数量N_T）或更复杂的算法（如我们的子带优化），否则性能损失会非常显著。

3. 收敛行为分析：如图5所示，带宽越大，算法的收敛轨迹越“嘈杂”，收敛到稳定值所需迭代次数越多。W=5 GHz时收敛快速平稳，W=15 GHz时则会出现平台期甚至偶尔的跳变。这是因为更宽的带宽使得优化问题的“能量地形”更加崎岖不平。在工程实现中，这意味着对于宽带系统，需要设置更大的最大迭代次数和更谨慎的收敛判据，或者直接采用子带划分策略来规避这个问题。

4. 复杂度优势：我们从理论上分析了每轮迭代的计算复杂度。我们提出的黎曼梯度下降算法复杂度为O(M * N * (N_RF² + N_RF * K))。而基线方案的复杂度高达O(M * (N³ + N_RF³ + ...))。对于大规模天线阵列（N >> K, N >> N_RF），我们的算法复杂度显著更低。例如，在N=512, N_RF=4, K=4, M=10的配置下，我们的方法每轮迭代的主要操作是维度为N×N_RF和N_RF×K的矩阵乘法，而基线方案涉及N×N矩阵的运算，计算量高出几个数量级。这使得我们的算法更适用于需要快速自适应或处理大量用户的实时系统。

4.3 硬件配置权衡：TTD数量与子载频数

表1展示了在W=30 GHz的超宽带场景下，改变硬件配置对性能的影响。当射频链路数N_RF固定时，有两个关键的设计杠杆：

• 增加每链TTD数量(N_T)：这直接增强了模拟前端补偿频率依赖波束分裂的能力。从N_T=8增加到16，频谱效率有显著提升。
• 增加子载频数(M)：这赋予了数字域更精细的频率域补偿能力。将M从10增加到20也能进一步缩小与全数字方案的差距。

然而，这两种提升都呈现收益递减效应。从N_T=16再增加到32，或者从M=20增加到40，带来的边际改善就变小了。这为系统工程师提供了一个清晰的权衡思路：在成本和复杂度约束下，应优先增加TTD数量至一个“甜蜜点”（如N_T=16），然后再考虑增加子载频数进行精细调整。盲目堆砌硬件资源并不经济。

5. 常见问题、调试技巧与扩展思考

5.1 算法实现中的陷阱与解决方案

• 问题1：算法陷入局部最优，性能不佳。
  • 排查：检查初始化策略。完全随机的相位初始化很容易让算法陷入一个很差的局部解。
  • 解决：采用前述的“相位对齐”初始化。或者，运行算法多次，每次使用不同的随机种子，选择性能最好的一次结果。
• 问题2：收敛速度慢，尤其在大带宽下。
  • 排查：可能是步长η设置不当，或者问题本身（宽带）过于复杂。
  • 解决：实现自适应步长策略，如回溯线搜索。对于超大带宽（W > W_th），务必启用子带划分两阶段优化。将问题分解为多个窄带子问题，能极大提升收敛速度和稳定性。
• 问题3：黎曼梯度计算复杂，代码实现容易出错。
  • 排查：重点检查梯度公式(50)和(51)中的哈达玛积⊙、矩阵乘法和求和维度是否正确。特别是对Δ的梯度，涉及对索引j的求和，需要仔细对应。
  • 解决：在开发初期，用数值梯度检验来验证解析梯度的正确性。即，轻微扰动A0或Δ的某个元素，计算目标函数的变化率，与解析梯度公式计算的结果进行对比。两者应非常接近。
• 问题4：最终得到的模拟预编码器(A0, Δ)对应的数字预编码器F_BB^m功率超标。
  • 排查：虽然理论推导表明，如果F_opt^m满足功率约束，则投影后的(Δ^{⊙m} ⊙ A0) * F_BB^m也满足。但在实际数值计算中，由于伪逆(·)^†的计算存在数值误差，可能造成轻微的功率溢出。
  • 解决：在算法最后，对每个子载频的数字预编码器F_BB^m施加一个简单的功率缩放：F_BB^m := sqrt(P_max^m) * F_BB^m / || (Δ^{⊙m} ⊙ A0) * F_BB^m ||_F。这是一个后处理步骤，对性能影响微乎其微，但能保证严格满足硬件功率限制。

5.2 从仿真到现实的考量

1. 量化误差：实际的移相器和TTD器件都存在量化精度。移相器通常有6-8位分辨率（64-256个相位状态），TTD的时延调节也是离散的。在算法中，我们假设了连续相位/时延。在实际部署前，必须对优化得到的A0和Δ的相位/时延值进行量化，并评估性能损失。通常，位数越高，损失越小，但成本和功耗也越高。
2. 校准与误差补偿：大规模阵列中，射频通道间的幅度和相位不一致性、TTD的群时延波动等非理想因素会严重破坏理论性能。需要一个强大的在线校准系统，定期测量并补偿这些硬件误差。我们的算法可以集成一个“误差感知”的版本，在目标函数中引入一个校准矩阵来建模这些非理想性。
3. 信道状态信息获取：整个优化都依赖于完美的信道状态信息h_m,k。在近场宽带系统中，获取精确的CSI本身就是一个巨大挑战。需要结合高效的近场信道估计技术，例如基于压缩感知或深度学习的方案。算法对CSI误差的鲁棒性也需要进一步研究。

5.3 未来扩展方向

本次工作聚焦于全连接架构和黎曼优化框架。在此基础上，还有几个有吸引力的扩展方向：

• 部分连接架构：全连接需要N_RF * N个移相器，硬件复杂度高。部分连接架构（如子阵列连接）能大幅减少移相器数量。如何将黎曼优化框架适配到这种带有特定稀疏模式的模拟矩阵约束上，是一个值得研究的问题。
• 联合用户调度与波束成形：当前算法假设服务的用户集合是固定的。在实际中，可以联合优化用户调度和波束成形，为信道条件好的用户服务，进一步提升系统和速率。
• 在线学习与自适应：对于时变信道，重复运行完整的黎曼优化可能计算量过大。可以探索基于深度学习的轻量级网络，学习从信道矩阵到优化后的(A0, Δ, F_BB)的映射关系，实现毫秒级的波束成形更新。
• 多频段联合优化：未来6G可能涉及多个不连续的频段。如何设计一套模拟硬件（A0, Δ）同时服务多个频段，也是一个具有实际意义的前沿问题。

这项工作为近场宽带混合波束成形提供了一个强大而高效的优化工具。它将复杂的硬件约束自然地嵌入到流形优化的几何框架中，通过巧妙的变量重构降低了问题维度，并通过黎曼梯度下降实现了可行域内的直接、高效搜索。仿真结果证实了其在性能和复杂度上的双重优势，为未来超大规模MIMO系统的实际部署提供了有力的算法支撑。