Massive MIMO 的系统性能分析(下) | 带你读《大规模天线波束赋形技术原理与设计 》之十八

简介: 这一小节,将对理论分析与仿真结果进行对比。

第2章

大规模天线理论

Massive MIMO 的系统性能分析(上)

2.3.4 Massive MIMO 的系统性能分析(下)

4.数值仿真
这一小节,将对理论分析与仿真结果进行对比。仿真中采用 7 小区,大尺 度衰落采用 COST231 的 Hata 城区模型,c=−141dB,噪声方差为−132dBm,路 径损耗因子为 3.5。假设用户接入小距离 R0=30m。用户随机均匀分布于各小 区内,除非特别声明,用户数为 K=36,导频数据功率为了分析方便,仅考虑一 个资源块,且带宽 B=180kHz。在研究功耗模型时,设置功率放大器的效率 1/ρ=0.75,用户发送功率的大值 Pmax=27dBm。如果没有特别声明,功率消耗 参数的设置为: 1 κ =90mW, 2 κ =20mW, 3 κ =1mW。频谱效率用 SE 表示,能量 效率用 EE 表示。
图 2.15 展示了理论结果与仿真结果,并对比了理论的优用户个数与仿真 得到的优用户个数。系统天线个数为 400 个,T=72,β=0.1。可以看到,理论 结果与仿真结果比较吻合,并且理论的优用户个数与仿真结果也很接近。从 图中还可以看出,天线个数非常多时,优用户个数接近 T/2。图 2.15 的结果 表明频谱效率的闭式表达与仿真值较为贴合,并且系统优的用户数理论值与 仿真值较为接近。由于 c 表示将距离 dl,k=1km 用户的大尺度衰落设置为参考点, 并且此时小区半径也为 1km,因此 RSNR 也表示了小区边缘用户的信噪比。通 常小区边缘用户的 SNR 较小,因此仿真时将 RSNR 值设置较小。当给定 M,T 和 β 时,无论理论值还是仿真值都表明,系统支持的佳用户数接近 T/2,并 始终小于 T/2。
image.png
在实际应用中,硬件电路功率的消耗与集成电路的结构及器件组成紧密相 关,在仿真中,所使用的电路功率参数范围是依据文献[28]及文献[29]设定。图 2.16 展示了考虑不同 RSNR 时能量效率与天线数量 M 的关系。从图可知理论值 与仿真值之间尚有一定的误差,这是由频谱效率闭式解的近似过程带来的。观 察可知误差均在 10%以内,在可接受的范围内。
image.png
从图 2.16 可知,在研究的两组不同电路功耗系数的情景中,不论天线数如 何变化,采用低电路功耗的硬件会给系统带来稳定的能量效率提升,进一步说 明了研究低功耗硬件的重要性。若考虑理想的功率消耗模型(仅考虑发送功率, 不考虑电路功耗),能量效率会随着天线数量的增多而总是呈现提升的趋势。 然而,采用本章的实际功率模型,图 2.16 所示不同 RSNR 与不同电路损耗系数 下,能量效率与基站端天线数的关系。由该图可知功率效率随着 M 的增加而先 递增后递减,这是由于天线数量较多时,硬件电路的功率消耗越来越大。
图 2.17、图 2.18 和图 2.19 展示了频谱效率和能量效率的折中关系,其中 假设 T=72 和 K=36。图 2.17 显示不同导频数据功率比对系统性能的影响。当 β=1/K 时,表示每个用户发送导频的总功率与数据功率相同。从图 2.17 可知, 当所需系统频谱效率较小时,设定较小的导频数据功率比也可以达到较好的能量 效率。为了获得较大的目标频谱效率,需要提升导频数据功率比(适用于 β<1 的情况)。另一方面,由图可知,当导频符号和数据符号的功率相等时(β=1), 能量效率总是大,与理论分析结论相同。
image.png
图 2.18 研究了 β=1 时,基站端天线数量对频谱效率和能量效率折中性能的 影响。当系统所需传输速率不高时,基站端可架设相对数量较少的天线,通过 减少功率消耗以提高能量效率。例如系统需要保证的频谱效率为60bit/(s·Hz)时, 基站端架设 200 根天线就可达到较优的能量效率。然而对于更高频谱效率目标,则需要更大数量的天线,否则无法达到令人满意的能量效率。
image.png
图 2.19 揭示了 β=1,M=400 时,用户数量对频谱效率和能量效率折中性的 影响。在低频谱效率区域,针对相同的目标频谱效率,减少用户数可以降低总 功率消耗,获得较优的能量效率。增加用户数量虽然可以保证较高的频谱效率, 但是也带来较多的功率消耗,因此当需要达到的频谱效率较高时,存在使能量 效率大的优用户数。
image.png

| 2.4 小 结 |

本章主要介绍了大规模天线波束赋形技术的基本理论,并使读者从理论上 理解实际应用场景中大规模天线系统的性能增益。本章的 2.2 节介绍了独立同 分布瑞利衰落信道下大规模天线技术的基本理论,包括理想信道下的容量和存在导频污染下上行和下行链路的容量,从理论上分析了天线大规模增加对系统 性能的提升以及导频污染对系统性能的影响。2.3 节面向实际应用场景的非理 想因素对大规模天线系统性能进行了深入的研究和分析。首先,揭示出莱斯因子逐渐增大,LOS 分量精确估计对大规模天线系统性能的影响至关重要;其次,针对高速移动下大规模天线系统的性能,揭示出天线的大规模增加可以补偿由于高速移动带来的性能损失,进而为高速移动场景下大规模天线的应用奠定了理论基础;再次,考虑硬件的非理想特性,推导出非理想互易性对大规模天线系统性能的影响,证明了基站侧校准的必要性;最后,推导出大规模天线的系统级容量与系统参数之间的显式关系,为高频谱效率和高能效的系统设计提供了理论指导。

第 3 章 大规模天线无线信道建模

相关文章
|
3月前
|
监控 Linux
性能分析之 Linux 系统中 ps&top 中 CPU 百分比不一致?
【8月更文挑战第18天】性能分析之 Linux 系统中 ps&top 中 CPU 百分比不一致?
130 4
|
3月前
|
Prometheus Kubernetes 监控
性能分析之系统资源饱和度
【8月更文挑战第17天】性能分析之系统资源饱和度
36 0
性能分析之系统资源饱和度
|
4月前
|
存储 固态存储 Linux
systemd-analyze:Linux系统启动性能分析的利器
`systemd-analyze`是Linux下分析systemd启动性能的工具,它提供启动时间统计、服务耗时、依赖关系及图形化展示。通过`blame`查看服务启动时间,`critical-chain`显示关键路径,`plot`生成启动时间线图。使用时注意日志完整性,优化服务顺序,并结合最佳实践提升启动效率。
|
6月前
|
监控 Linux 测试技术
性能分析之Linux系统平均负载案例分析
【4月更文挑战第20天】在上文性能基础之理解Linux系统平均负载和CPU使用率中,我们详细介绍了 Linux 系统平均负载的相关概念,本文我们来做几个案例分析,以达到加深理解。
92 2
性能分析之Linux系统平均负载案例分析
|
6月前
|
SQL 监控 架构师
linux系统性能分析的目的
【4月更文挑战第19天】在Linux系统中,找到性能瓶颈是关键,涉及应用程序、操作系统、硬件和网络的全面排查。优化方案通常针对应用程序和操作系统,而硬件和网络问题较易定位。目标是平衡资源使用,确保系统响应和稳定性。系统管理员、架构设计人员和开发人员共同参与,通过监控硬件、网络、配置和代码来优化性能。流程包括管理员初步判断,架构师处理结构问题,开发人员优化代码,实现系统资源的均衡利用。
48 1
|
Linux 调度
Linux系统调试篇——Perf性能分析指南
Linux系统调试篇——Perf性能分析指南
|
缓存 监控 Linux
Linux系统性能分析
Linux系统性能分析
4760 2
|
24天前
|
Web App开发 监控 JavaScript
一些常用的 Vue 性能分析工具
【10月更文挑战第2天】
40 1
|
2月前
|
SQL 缓存 关系型数据库
MySQL高级篇——性能分析工具
MySQL的慢查询日志,用来记录在MySQL中响应时间超过阀值的语句,具体指运行时间超过long-query_time值的SQL,则会被记录到慢查询日志中。long_query_time的默认值为 10,意思是运行10秒以上(不含10秒)的语句,认为是超出了我们的最大忍耐时间值。它的主要作用是,帮助我们发现那些执行时间特别长的 SOL 查询,并且有针对性地进行优化,从而提高系统的整体效率。当我们的数据库服务器发生阻塞、运行变慢的时候,检查一下慢查询日志,找到那些慢查询,对解决问题很有帮助。
MySQL高级篇——性能分析工具
|
2月前
|
监控 IDE Java
【Java性能调优新工具】JDK 22性能分析器:深度剖析,优化无死角!
【9月更文挑战第9天】JDK 22中的性能分析器为Java应用的性能调优提供了强大的支持。通过深度集成、全面监控、精细化分析和灵活报告生成等核心优势,性能分析器帮助开发者实现了对应用性能的全面掌控和深度优化。在未来的Java开发过程中,我们期待性能分析器能够继续发挥重要作用,为Java应用的性能提升贡献更多力量。