5G NR中PMI与秩选择算法的分析与优化：系统级仿真与性能提升研究

为解决5G NR(新空口)中MIMO(多输入多输出)系统因PMI(预编码矩阵指示)和RI(秩指示)选择算法计算复杂度高导致的UE(用户设备)能耗与性能瓶颈问题，研究人员通过ns-3 5G-LENA系统级仿真平台，提出新型低复杂度PMI/RI选择算法。结果表明，所提Fast PMI算法在保持吞吐量损失仅3%-3.3%的同时，实现最高3.71倍加速，显著优于现有技术。该研究为5G NR终端实现高效MIMO反馈提供了标准化解决方案。

　　

随着5G NR技术的快速发展，多天线技术(MIMO)成为提升频谱效率的关键。然而，在闭环MIMO系统中，用户设备(UE)需要频繁计算并反馈预编码矩阵指示(PMI)和秩指示(RI)，这对终端的计算能力和能耗提出严峻挑战。特别是在大规模天线阵列(支持多达256端口)和细粒度子带划分(最多18个子带)场景下，传统穷举搜索算法的计算复杂度呈指数级增长，严重制约了5G NR系统的实际部署效率。

针对这一技术瓶颈，研究人员依托开源ns-3 5G-LENA仿真平台，开展了系统级的PMI/RI选择算法优化研究。研究团队首先建立了完整的系统模型，包含gNB(基站)与UE间的多天线信道矩阵、干扰归一化处理以及MMSE-IRC(最小均方误差-干扰抑制合并)接收机设计。通过分析3GPP标准定义的Type-I码本结构，发现其由宽带分量(I₁)和子带分量(I₂)组成的分层特性，为算法优化提供了突破口。

研究采用三大关键技术方法：1)基于SVD(奇异值分解)的秩选择算法比较，包括固定阈值法、Sasaoka提出的动态容量增量比法；2)PMI选择算法实现，涵盖理想预编码、穷举搜索、Maleki提出的无搜索技术；3)创新性提出基于功率分配(PA)的快速秩选择和分步式PMI搜索(Fast)算法。所有方法均在20MHz带宽、32天线端口的系统配置下，通过3GPP UMa信道模型进行验证。

研究结果显示，在秩选择方面，Sasaoka的动态阈值法表现出最佳适应性，其平均秩选择与穷举法一致性达97.9%，且无需场景校准。而提出的PA算法虽在特定场景下表现良好，但存在跨场景泛化性问题。在PMI选择方面，创新的Fast算法通过将I₁/I₂搜索解耦，实现计算复杂度从O(R×I₁×I₂×S)降至O(R)+O(I₁)+O(I₂×S)，其中R、S分别代表最大秩和子带数。系统级仿真表明，该算法在保持97%吞吐量的前提下，较穷举法提速3.72倍，显著优于Maleki算法(提速3.54倍但吞吐量损失8.1%)。

子带降采样技术的引入进一步优化了性能。当采用16PRB/子带的随机采样时，所有算法的执行时间降低约3倍，而吞吐量损失不足1%。带宽扩展实验证实，从5MHz到80MHz带宽下，Fast算法始终保持线性计算复杂度，验证了其在大带宽场景下的适用性。

研究结论指出，所提出的Fast PMI算法通过分步搜索和子带降采样技术，在系统级仿真中实现了计算效率与通信性能的最佳平衡。该成果已集成至开源5G-LENA平台，为后续6G研究提供了可扩展的算法框架。未来工作将聚焦Type-II码本支持及机器学习辅助的RI/PMI预测，进一步推动MIMO技术在B5G/6G系统中的实用化进程。论文发表于《Simulation Modelling Practice and Theory》，为5G NR物理层算法优化树立了系统级评估的新范式。