2.1 MIMO信道容量香农公式的升维

2.1 MIMO 信道容量：香农公式的升维

本节摘要：单天线香农公式衡量的是"一条标量管道能传多少比特"。把信道换成矩阵之后，容量不再由单一信噪比决定，而由信道矩阵全部特征值共同决定。本节推导 MIMO 容量公式，说明为什么在充分散射下容量近似随 min(Nt,Nr) 线性增长，用注水算法解释功率该如何分配到各条并行子信道，指出相关性如何悄悄砍掉自由度，并点出"理论峰值"与"现网实测"之间那道约 25% 到 35% 的裂缝究竟来自哪里。

先说结论

阅读完本节，你应当能够：

1. 写出 MIMO 容量的升维表达式，并解释行列式运算为何天然捕获了矩阵的秩
2. 说明为什么瑞利独立同分布信道下容量近似随 min(Nt,Nr) 线性增长
3. 用注水算法解释"为什么最优功率分配有时是关掉某些天线"
4. 解释天线相关性如何在不减少天线数量的前提下砍掉可用自由度
5. 解释现网实测频谱效率为何通常只有理论峰值的六到七成，并给出一套快速的潜力判断步骤

一、从标量到矩阵：容量公式怎么升维

单天线香农公式你早就熟悉：

C = B · log2(1 + 信噪比)
​

它把信道当作一个标量增益，容量只取决于带宽和信噪比两点。MIMO 把信道写成矩阵 H 之后，公式变成：

C = B · log2 det( I + (ρ / Nt) · H · H^H )
​

这里 ρ 是总发射信噪比，Nt 是发射天线数，H^H 是 H 的共轭转置。最关键的不是多出来的矩阵，而是那个 det（行列式）——它把"所有特征值的乘积"变成了容量，意味着容量由 H 的整个特征值谱共同决定，而不是由某一条最强的路径决定。

这带来一个和单天线时代完全不同的结论：加天线之所以能提速，不是因为每条路变宽了，而是因为可并行的路变多了。行列式运算天然捕获了 H 的秩——如果 H 满秩，容量随 min(Nt,Nr) 线性增长；如果 H 接近秩一，再多天线也只贡献一个分集因子。

二、瑞利信道下的线性增长

在独立同分布瑞利衰落（即 H 每个元素都是零均值复高斯变量）的假设下，可以证明：只要传播环境足够"丰富"，H 几乎必然满秩，此时容量近似为：

C ≈ min(Nt, Nr) · B · log2(1 + ρ / Nt)
​

也就是说，在总功率不变的前提下，频谱效率近似随 min(Nt,Nr) 线性增长。这正是 MIMO 魅力的数学来源。下面是固定总信噪比 20 dB、总功率平均分配时的近似值：

注意它不是严格 N 倍：功率被摊薄到每条子信道，低信噪比时折扣更明显。这也是为什么 64 发 64 收的基站并没有带来 64 倍容量——自由度增长被功率摊薄、被信道相关、被 CSI 误差层层抵消。

图 2-1：并行子信道与注水分配

三、注水算法：功率分配的最优解

既然容量是各子信道之和，而总功率有限，自然要问：功率怎么分给各条子信道才最优？答案是注水算法。

把 r 个奇异值对应的子信道想象成底部高低不同的沟渠，底部高度由噪声与子信道增益共同决定。把总量固定的"水"（功率）倒进去，水会先填最浅的沟渠，直到所有被填充的沟渠"水面齐平"。结果就是：增益高的子信道分得多，增益低的分得少，而底部高于水平面的沟渠一滴都灌不进去——对应功率被设为零。

这带来一个反直觉但重要的结论：关掉弱天线不是失败，而是理性。当某个空间模式增益近零时，给它功率纯属浪费，不如把功率集中到强模式上。这个思想在后续预编码、多用户功率控制里反复出现。

举个数字例子：假设三条子信道的噪声地板分别是 0.2、0.5、0.9（单位归一化），总功率预算为 1。注水解会让前两条分到较多功率、第三条可能分到零或极少，最终"有效信噪比"（增益×功率/噪声）在各激活子信道上趋于一致。若强行给第三条也灌水，总容量反而下降——因为它拉低了整体水位却没有换来对等的增益。

四、相关性：容量的隐形杀手

升维公式里藏着一个容易忽略的前提：min(Nt,Nr) 倍增长只在 H 满秩时成立。一旦天线相关，秩塌下去，容量立刻被砍。

相关性来自两个物理原因。一是天线间距过小：两根天线靠得比半波长还近，看到的多径几乎相同，矩阵各行趋于平行，秩下降。二是环境散射不足：开阔视距或单一主导径下，所有天线接收的是同一个信号的相位延迟版，本质还是一条路径。

后果很具体。一个 4 发 4 收系统，若天线高度相关，实际秩可能只有 2，容量从理论 4 流跌到约 2 流，收益直接腰斩。这也是为什么基站天线要拉开间距、手机内部要用不同极化与方向图去凑独立性。阵列增益（把功率叠加）不受相关性影响，但复用增益（靠并行）受相关性致命打击——再一次印证第 1 章"增益互斥"的论断。工程上用相关矩阵 R 量化这件事：R 的特征值越集中，自由度损失越严重。

再用一个具体数字感受相关性有多狠。假设一个 4 发 4 收系统，理论满秩时容量随 4 流走；若天线相关性让实际秩掉到 2，即使总功率不变、信噪比不变，容量上限也直接砍半——因为行列式只乘到前两个非零特征值，后面两个近似为零，对容量没有贡献。换句话说，相关性是"静默的容量杀手"：它不改天线数量、不改信号强度，只是在矩阵运算的深处把自由度悄悄抹掉。这也是为什么在终端侧，工程师宁可牺牲一点体积也要把天线拉开间距、用不同极化凑独立性；在基站侧，天线阵列的排布形状（线阵、面阵、圆环阵）本质上都是在和空间相关性博弈。

补充一个对比视角：如果不用注水、改成等功率分配会怎样？在子信道增益差异不大时，等功率和注水结果接近，工程上常近似等功率以省算力；但当谱很尖（一个强流、多个弱流）时，注水相对等功率有可观增益，因为弱流本来就不值得喂。这个对比揭示注水的本质——它把"边际效益均等化"原则写进了功率域：每一单位功率都应流向它能创造最大信息量的子信道。还有一点常被忽略：注水假设 CSI 完美，而现实中 CSI 有误差，按估计谱注的水可能灌错沟渠，所以闭环系统会在注水结果上再做保守修正，宁可少灌强流，也不冒险去喂一个可能不存在的弱流。这同样是理论与现实裂缝的来源之一。

五、理论与现实的裂缝

升维公式给出的是物理上限，现网拿不到满分。原因有几层：

• CSI 误差：基站用的信道矩阵是估计值，估计不准，预编码就指偏，强模式没吃满、弱模式白耗功率。
• 量化反馈：终端反馈的是码本索引而非完整矩阵，精度有限。
• 硬件失真：功放非线性、通道幅相误差、低精度模数转换，都会扭曲奇异值谱。

实测数据显示，8 发 8 收的基站配合终端反馈，城区微蜂窝场景实际频谱效率增益通常只有理论峰值的 65% 到 75%。这仍显著优于 4 发 4 收，但提醒我们：评估一套配置要看"实际兑现率"，而不是纸面自由度。

⚠️ 常见坑：把"min(Nt,Nr) 倍容量"当承诺。那是瑞利独立同分布、完美 CSI、总功率不变的理想值。真实信道的秩往往远低于 min(Nt,Nr)，实际增益被卡在秩上，而不是天线数上。

💡 关键直觉：容量公式的真正用途不是算出一个漂亮数字，而是给出一把尺子——拿到一组信道测量，先看它的奇异值谱有多"胖"、秩有多高，再判断这套硬件在当下环境里能兑现几成潜力。

六、常见疑问

为什么是行列式而不是特征值的和？

因为容量是对数域的求和，而对数求和在矩阵上表现为行列式。展开 log det(I + 各特征值项) 之后，恰好等于各独立子信道容量之和。所以"行列式"和"特征值之和"在这里是同一件事的两种写法，前者是紧凑形式，后者是物理含义。

注水一定要关掉天线吗？

只在子信道增益极低、填它的"水位"高于其底部时才关。在富散射、高信噪比场景下，大多数子信道都值得注水，此时几乎全部天线都开着。关天线多见于边缘用户、视距主导或低信噪比情形。

信道硬化之后还需要注水吗？

大规模天线阵列下信道趋于确定，各用户子信道增益方差变小，注水的"差异化分配"收益下降，功率分配可以简化成近似均匀。但这不否定注水思想——它只是说明当信道变"硬"，最优解退化为简单解，正是理论自洽的体现。

怎么用公式快速判断一套配置的潜力？

三步：一看秩，秩接近 min(Nt,Nr) 说明散射丰富、自由度拉满，远小于则说明相关性强；二看奇异值谱胖不胖，谱平坦好调度、谱尖说明多数天线在浪费；三看条件数，条件数小满秩也好用，条件数大弱流难救。把这三步用到现网，就能在每周期判断该走复用还是分集。

重点提炼

• 容量公式升维：标量 h 变矩阵 H，容量由 det(I + ρ/Nt · H·H^H) 决定，取决于全部特征值
• 自由度上限：满秩时容量近似随 min(Nt,Nr) 线性增长，但被功率摊薄而非严格 N 倍
• SVD 是拆分工具：把矩阵信道拆成 r 条正交子信道，各路增益等于对应奇异值
• 注水决定功率：把功率按子信道质量分配，弱路少分、近零路关闭，这是理性的节能
• 相关性砍自由度：天线过近或散射不足使秩塌，复用增益腰斩，阵列增益不受影响
• 理论与现实差 25%–35%：CSI 误差、量化反馈、硬件失真三层损耗，现网通常拿到理论峰值的六到七成
• 公式的用处是当尺子：看秩、看谱胖瘦、看条件数，判断潜力兑现率
• 不要拿理想值当承诺：min(Nt,Nr) 倍只在理想条件下成立，真实瓶颈常在秩而非天线

下一节我们不再假设 H 是完美的随机矩阵，而是看真实信道到底怎么被建模——统计派和几何派各自怎么描述同一片散射环境。