9 · 基本问题 II：环境知识的汇率与衰落的统计力学

第 8 章把信道知识放进了几何坐标系：它住在多少维的空间里，能向外预测多远。本章处理下半场的两个基本问题：

• Q3（汇率问题）：经济学式的问题。一份用 \(R_{\mathrm{env}}\) 比特写成的环境描述，最多能买回多少容量？
• Q4（统计力学问题）：物理学式的问题。信道既然是环境的确定性泛函（第 2 章），"瑞利衰落"这样的统计规律究竟从哪里冒出来？

两个问题的答案会收束到同一个结论：统计普适性决定环境知识的汇率。普适性成立的地方，统计信息几乎免费，几何知识贬值。普适性破缺的地方，每一比特几何知识都在升值。毫米波与太赫兹的稀疏散射区就是这样的地方，而它恰是 6G 部署的主战场。这不是巧合，两者是同一枚硬币的两面。

本章预备知识

需要：信息论（容量、互信息）与 MIMO 的基本概念。用到的内容：

• 衰落信道容量三部曲（CSIR 遍历容量、CSIT 时间注水）：预备篇 4.8；MMSE 与正交性原理：预备篇 4.10。
• 复用增益与自由度：预备篇 5.1、预备篇 5.5；导向矢量：预备篇 5.3。
• 瑞利极限与 Clarke 谱定理：第 3 章；确定性引擎与数字孪生：第 5 章；有效维度与预测半径：第 8 章。
• 随机矩阵理论：预备篇没有讲，Marchenko–Pastur 律在本章就地给出陈述。

9.1 知道天气才能定价：信道知识的经典价值理论

衰落信道的容量是一族数，取决于谁知道信道。接收端知道（Channel State Information at Receiver, CSIR）是基线。发射端也知道（CSIT）之后，就可以"看天吃饭"：信道好时多发，信道差时少发甚至沉默。信息论花了半个世纪，为这份"天气预报"精确定价。

9.1.1 Shannon 策略与 Gelfand–Pinsker：边信息的两种形态

定价的谱系始于 Shannon 1958 年的发端因果边信息信道。状态 \(S\) 因果地告知编码器时，容量为

\[ C = \max_{p(t)} I(T;Y) \]

其中 \(T\) 是"Shannon 策略"，即从状态到输入的映射空间上的随机变量。记号从简，原始表述见 Shannon 1958 年 IBM J. Res. Develop. 论文【已解决】。

这个结果的意思是：编码器每个时刻按码字选一张"对照表" \(t:\mathcal{S}\to\mathcal{X}\)，用此刻的状态 \(s\) 查表，发出 \(x=t(s)\)。接收端看不到 \(s\)，所以系统等价于以"对照表"为输入的普通信道，\(C\) 即其容量。

非因果情形由 Gelfand–Pinsker（1980）解决：

\[ C = \max_{p(u|s),\; x = f(u,s)} \bigl[ I(U;Y) - I(U;S) \bigr], \]

其中 \(U\) 是辅助随机变量。高斯情形就是 Costa 脏纸编码：已知的加性干扰可以被预编码完全消除【已解决】。

陷阱（两种边信息不是一回事）

Gelfand–Pinsker/脏纸编码处理的是加性状态（已知干扰的预编码消除），衰落信道的 CSIT 处理的是乘性状态（功率与速率对衰落系数的自适应）。两者的问题结构不同，只在"边信息有价"这个层面上同族。把"脏纸编码"当作"发端知道衰落系数"的理论依据，是常见的张冠李戴。

9.1.2 Goldsmith–Varaiya 水填充容量

对衰落信道本身，标杆是 Goldsmith–Varaiya 的结果 [1]（一般状态信道的统一框架见 Caire–Shamai [2]）。

定理（Goldsmith–Varaiya 水填充容量，1997）

设平坦衰落信道的瞬时等效 SNR 为 \(\gamma\)，分布 \(p(\gamma)\)，收发两端均已知 \(\gamma\)，平均功率约束 \(\bar{P}\)，带宽 \(B\)。则容量为

\[ C = \max_{P(\gamma):\; \mathbb{E}[P(\gamma)] \le \bar{P}} \int_0^{\infty} B \log_2\!\left(1 + \frac{\gamma P(\gamma)}{\bar{P}}\right) p(\gamma)\, \mathrm{d}\gamma , \]

最优功率分配是时间维水填充。仅 CSIR 时 \(C = \mathbb{E}\bigl[B \log_2(1+\gamma)\bigr]\)。【已解决】出处：[1]。

水填充解只需三步。

第一步：写出拉格朗日函数。 对每个 \(\gamma\) 逐点自由的 \(P(\gamma)\) 引入拉格朗日乘子 \(\lambda\)：

\[ \mathcal{L} = \int_0^{\infty} \left[ B \log_2\!\left(1 + \frac{\gamma P(\gamma)}{\bar{P}}\right) - \lambda P(\gamma) \right] p(\gamma)\, \mathrm{d}\gamma . \]

第二步：逐点求导置零。 被积函数对每个 \(\gamma\) 独立凹，所以逐点求导置零即可：

\[ \frac{B}{\ln 2} \cdot \frac{\gamma / \bar{P}}{1 + \gamma P(\gamma)/\bar{P}} = \lambda , \]

由上式得 \(1+\gamma P(\gamma)/\bar{P} = B\gamma/(\lambda\bar{P}\ln 2)\)，即 \(P(\gamma)/\bar{P} = B/(\lambda\bar{P}\ln 2) - 1/\gamma\)。记常数 \(1/\gamma_0 := B/(\lambda\bar{P}\ln 2)\)，它由 \(\mathbb{E}[P(\gamma)] = \bar{P}\) 唯一确定。

第三步：补上功率非负的约束。 \(\gamma<\gamma_0\) 时右端为负，而功率非负，KKT 条件令其取 0。这里的水位 \(\mu\) 就是 \(1/\gamma_0\)，见预备篇 4.8。结果是

\[ \frac{P(\gamma)}{\bar{P}} = \left( \frac{1}{\gamma_0} - \frac{1}{\gamma} \right)^{+} . \]

物理意义

这是"知识变成功率调度"的最纯形态。\(\gamma\) 低于门限就彻底沉默，高于门限则信道越好灌越多水。这与频选信道的频域水注对偶，只是这里注水的维度是时间。信道知识的价值因此被翻译成一个可计算的容量差 \(C_{\mathrm{CSIT}} - C_{\mathrm{CSIR}}\)。

行为分析

• 低 SNR：水位很低，功率集中倾泻在少数衰落峰值上（机会主义传输），CSIT 的相对增益显著。
• 中高 SNR：水位远高于绝大多数谷底，\(P(\gamma) \approx \bar{P}\) 几乎恒定，水填充与恒功率的差别微乎其微。这是论文 [1] 自己强调的结论。

预备篇 4.8 的瑞利算例：20 dB 时 CSIT 只比 CSIR 多 0.2%，0 dB 时多约 20%。因此不要写"CSIT 大幅提高容量"：单天线遍历容量下它几乎不提高容量。

CSIT 从"锦上添花"变成"生死攸关"的场景是另外三个：

• 低 SNR。
• 时延受限/中断容量。
• 多天线多用户空分复用，需要方向信息才能造波束、消干扰。

第三个场景正是下一节汇率表的舞台。

9.1.3 知识的残缺与成本：估计误差与训练开销

知识的价值之外，还有知识的残缺与成本。

Médard [3] 量化了估计误差的代价。信道估计 \(\hat{h}\) 带误差方差 \(\sigma_e^2\) 时，把误差当噪声，可达速率下界，形态大致如下（记号从简，精确条件见原文 [3]）：

\[ R \ge \mathbb{E}\left[ \log_2\!\left( 1 + \frac{P |\hat{h}|^2}{N_0 + P \sigma_e^2} \right) \right] , \]

分母里的 \(P\sigma_e^2\) 来自把接收信号改写成 \(y = \hat{h}x + (h-\hat{h})x + n\)。第二项是估计误差被 \(x\) 放大后的自干扰，功率为 \(P\sigma_e^2\)。它与有用项不相关，这是 MMSE 的正交性原理（预备篇 4.10），所以可以和 \(n\) 一并当作噪声。高 SNR 下自干扰随功率一同增长，因此不完美知识造成的是乘性惩罚，不是加性惩罚。

Lapidoth–Shamai [4] 进一步表明：用为完美 CSI 设计的高斯码本加最近邻译码时，即使很小的估计误差也可造成显著速率损失，且高 SNR 下损失不消失。"完美边信息"对精度的要求苛刻得反直觉【已解决】。

Hassibi–Hochwald [5] 定价了知识的获取成本。块衰落 MIMO 中，每个相干块花 \(T_{\mathrm{train}}\) 个符号做训练，最优训练长度在高 SNR 下恰等于发射天线数 \(M\)，这也是可辨识所需的最小值【已解决】。训练太少，信道学不会。训练太多，又会挤占数据时间。这是"块内汇率"，也是本章与第 8 章获取成本设问的天然铰链。

9.2 汇率表的第一行：反馈比特换复用增益

多用户 MIMO 把 CSIT 的价值推到极致，也把它的价格标到明处。设 \(M\) 天线基站做零迫（Zero-Forcing, ZF）波束成形，服务 \(M\) 个单天线用户，每用户把自己的信道方向量化成 \(B\) 比特反馈回来。

记号提醒：本节的 \(B\) 是反馈比特数，不是上一节的带宽；\(P\) 是归一化 SNR，即定理里的 \(P/N_0\)。复用增益指和速率随 \(\log_2 P\) 增长的斜率（预备篇 5.1），完美 CSIT 下为 \(M\)。

量化码本设计等价于 Grassmann 流形上的球堆积问题 [7]。CSI 反馈由此被表述为信道状态的有损源编码。

9.2.1 四步推导：从球覆盖计数到反馈比特数

汇率的推导链条只有四环。

第一步：方向向量的量化失真。 单位范数方向向量 \(\mathbf{h}/\lVert\mathbf{h}\rVert\) 生活在复投影空间（Grassmann 流形）上，实维度为 \(2(M-1)\)。\(\mathbb{C}^M\) 有 \(2M\) 个实维度，减去单位范数与不影响方向的整体相位，各减 1 个。方向误差记 \(\sin^2\angle(\mathbf{h},\hat{\mathbf{h}}) = 1 - |\hat{\mathbf{h}}^{\dagger}\mathbf{h}|^2/\lVert\mathbf{h}\rVert^2\)，其平方根就是弦距离。

标准高维量化论证（失真按码本大小的 \(-2/\mathrm{dim}\) 次幂缩）只需三行球覆盖计数：

• \(B\) 比特给出 \(2^B\) 个码字。
• 离某个码字弦距离不超过 \(r\) 的"帽"，占全体方向的比例恰为 \(r^{2(M-1)}\)。
• 要让 \(2^B\) 顶帽盖满流形，需 \(2^B r^{2(M-1)} \approx 1\)，即失真 \(r^2 \approx 2^{-B/(M-1)}\)。\(M=4\)、\(B=6\) 时为 \(0.25\)，随机码本实测 \(0.22\)。

于是，码字在球面上独立均匀抽取的随机向量量化，方向失真的量级为（量级表述，精确常数见 [6][7]）

\[ \mathbb{E}\!\left[ \sin^2 \angle(\mathbf{h}, \hat{\mathbf{h}}) \right] \sim 2^{-\frac{B}{M-1}} . \]

第二步：残余干扰。 ZF 波束基于量化方向 \(\hat{\mathbf{h}}\) 设计，真实方向与之有夹角，每用户因此漏进与 \(\sin^2\) 成正比的残余干扰，总干扰功率量级为 \(P \cdot 2^{-B/(M-1)}\)。

细算：为什么平均干扰恰为 P·E[sin²θ]

用户 \(k\) 的信道方向垂直于 \(\hat{\mathbf{h}}_k\) 的分量长 \(\sin\theta_k\)，方向记 \(\mathbf{e}_k\)。其他用户的 ZF 波束 \(\mathbf{v}_j\) 与 \(\hat{\mathbf{h}}_k\) 正交，只有这一分量漏入，即 \(|\mathbf{h}_k^{\dagger}\mathbf{v}_j|^2 = \lVert\mathbf{h}_k\rVert^2 \sin^2\theta_k\, |\mathbf{e}_k^{\dagger}\mathbf{v}_j|^2\)。

随机码本下，\(\mathbf{e}_k\) 在 \(M-1\) 维正交补里方向均匀，\(|\mathbf{e}_k^{\dagger}\mathbf{v}_j|^2\) 均值为 \(1/(M-1)\)。乘上 \(M-1\) 个干扰用户、每人功率 \(P/M\)、\(\mathbb{E}\lVert\mathbf{h}_k\rVert^2=M\)，平均干扰恰为 \(P\,\mathbb{E}[\sin^2\theta_k]\)。

第三步：速率损失。 与完美 CSIT 相比，每用户速率损失被干扰项控制：

\[ \Delta R \;\lesssim\; \log_2\!\left( 1 + P \cdot 2^{-\frac{B}{M-1}} \right) . \]

第四步：反推需要多少比特。 要让 \(\Delta R\) 有界，必须让 \(P \cdot 2^{-B/(M-1)}\) 不随 \(P\) 增长。损失有界，和速率的斜率就仍是 \(M\)，也就保住了全部复用增益。条件即 \(2^{B/(M-1)} \approx P\)。取 \(\log_2\)，再用 \(\log_2 P = \mathrm{SNR}_{\mathrm{dB}}/(10\log_{10}2) \approx \mathrm{SNR}_{\mathrm{dB}}/3\) 换成分贝，得

\[ B \approx (M-1) \log_2 P \;\approx\; (M-1) \cdot \frac{\mathrm{SNR}_{\mathrm{dB}}}{3} . \]

9.2.2 Jindal 定标律的含义

定理（Jindal 有限反馈定标律，2006）

\(M\) 天线 MISO 广播信道、每用户 \(B\) 比特反馈的零迫波束成形：要达到复用增益 \(\alpha M\)（\(0 < \alpha \le 1\)），每用户反馈比特按 \(B = \alpha (M-1) \log_2 (P/N_0)\) 定标即足够；等价地，保全复用增益需每 3 dB SNR、每用户多付 \(M-1\) 比特。\(B\) 固定则系统进入干扰受限区，和速率随 SNR 饱和。【已解决】出处：[6]。

物理意义

这是"比特买容量"的第一条明码标价。信道知识不再是抽象的"边信息"，而是一份随 SNR 线性增长的比特账单。

• 指数 \(M-1\) 来自方向流形的维度：要描述的自由度越多，同等精度就越贵。
• "每 3 dB 付 \(M-1\) 比特"说的是，干扰必须与信号同步压低，量化精度必须跑赢功率增长。

行为分析

\(B\) 固定时，残余干扰功率随 \(P\) 线性增长，信干比封顶，和速率曲线在高 SNR 拉平。花不起反馈的系统买不到复用增益，这就是干扰受限饱和的机制。

数量级感受：\(M = 64\)、工作点 20 dB，则 \(B \approx 63 \times 20/3 \approx 420\) 比特/用户/相干块。而且相干块一过，这些比特全部作废。瞬时 CSI 是一种易逝品：按链路、按相干块购买，无法储存，无法复用。这个观察是通往 Q3 的门。

9.3 环境知识：压缩形态的信道知识

现在换一种商品。本部的中心命题（第 2 章、第 5 章）是：信道是环境的确定性泛函，

\[ h = F\!\left( E;\; \mathbf{x}_{\mathrm{t}}, \mathbf{x}_{\mathrm{r}}, f \right), \]

其中 \(E\) 是环境描述（几何、材质、散射体），\(F\) 由 Maxwell 方程与边界条件给定。所有链路的 CSI 都是同一个 \(F\) 在不同收发位置上的取值。它们不是独立的信息源，而是同一份底层描述的亿万次读出。知道一栋楼的位置与材质，等于同时知道所有经过它的链路的遮挡状态。

环境知识因此是压缩形态的信道知识。压缩比不来自任何编码技巧，而来自物理世界自身的结构性：环境自由度远小于所有链路 CSI 自由度之和，第 8 章的有效维度正是对前者的度量。

信道知识地图 (Channel Knowledge Map, CKM) 就是这一想法的信息论读法：它是以收发位置为标签的站点专属信道知识数据库，用环境感知减免实时 CSI 获取。2021 年由 Zeng–Xu 提出，2024 年教程 [14] 将其构建（模型驱动/数据驱动）与利用系统化【范式已提出，理论开放】。

直觉（易逝品与耐用品）

瞬时 CSI 是牛奶：按份购买，保质期一个相干时间，过期作废。环境知识是房产：一次测绘，长期持有，向所有租户（链路）同时出租。两者的会计制度完全不同：前者计入每块的流量成本，后者按摊销计价。

算例（摊销经济学：一栋楼值多少比特）

瞬时 CSI 的账单。 取 \(M = 64\)、工作点 20 dB，定标律给出约 420 比特/用户/相干块。相干时间 10 ms（低速移动）即每用户每秒约 \(4.2 \times 10^4\) 比特。1000 个用户一年的账单约 \(4.2 \times 10^4 \times 3.15 \times 10^7 \times 1000 \approx 1.3 \times 10^{15}\) 比特，而且全部过期作废，明年还得再付一遍。

环境知识的账单。 一栋楼的几何与材质描述（顶点坐标加材质标签）约 10 KB \(\approx 8 \times 10^4\) 比特，一次性支付。它影响的链路数随用户数与时间无限增长，摊销到每条链路的成本趋于零。

诚实的注脚。 这不是同类项对比：环境知识并不能完全替代瞬时 CSI（小尺度残余仍需实时测量，见下文可分离性猜想）。对比揭示的是两种知识形态的标度结构：一个随时间线性增长且不可复用，一个是常数且无限复用。

flowchart TB
    subgraph P2["耐用品：环境知识（CKM / 数字孪生）"]
        B["一次测绘、亿万链路复用<br/>时效 = 环境变化尺度（月、年）"]
    end
    subgraph P1["易逝品：瞬时 CSI"]
        A["逐链路、逐相干块测量与反馈<br/>时效 = 相干时间（毫秒级）"]
    end
    B -->|"确定性泛函 $$F$$（Maxwell + 边界条件）<br/>可对任意收发位置求值"| A
    A -->|"有限反馈理论：$$B \approx (M-1)\,\mathrm{SNR}_{\mathrm{dB}}/3$$<br/>【已解决】"| C["容量"]
    B -.->|"CKM 的香农曲线：$$\Delta C(R_{\mathrm{env}}) = ?$$<br/>【开放】"| C

环境知识与经典 side information 理论的区别，比表面上大得多，至少有三点：

• 标签空间不同。 经典状态信息按时隙标注："第 \(k\) 个信道使用时状态是 \(s_k\)"。环境知识按位置标注，而且能回答反事实查询：从未测量过的收发位置组合，\(F\) 照样能求值。CSI 是记录，环境知识是模型。
• 时间结构不同。 状态过程的知识随过程演化贬值。环境几乎静态，其知识可跨相干块、跨用户、跨年份复用，这是摊销经济学成立的前提。
• 失真几何不同。 量化 \(\mathbf{h}\) 的失真度量是流形上的弦距离，理论已经完备 [7]。而"环境描述差 \(\delta\)"如何映射为容量损失，要穿过波动方程这个高度非线性的算子：一堵墙的位置差 10 cm，可能让一整条街的链路集体翻转 LoS/NLoS 判断，也可能毫无影响，取决于它在几何中的位置。环境失真度量的正确定义，目前完全空白。

9.4 "CKM 的香农曲线"：一条尚不存在的曲线

9.4.1 曲线的定义与已知的两端

把 Q3 说到底，是要一条曲线。设环境被编码为 \(R_{\mathrm{env}}\) 比特的描述（一个大小为 \(2^{R_{\mathrm{env}}}\) 的环境码本），定义

\[ \Delta C(R_{\mathrm{env}}) \;=\; \sup_{\mathrm{env}\ \mathrm{codes}} \; \Bigl[ C\bigl(\mathrm{prior} + \mathrm{env}\ \mathrm{code}\bigr) - C\bigl(\mathrm{prior}\bigr) \Bigr] , \]

即 \(R_{\mathrm{env}}\) 比特环境描述在统计先验之上最多买回的容量增益。prior 指只知信道统计分布的基线。这条曲线是率失真曲线的环境版，称为"CKM 的香农曲线"。

它与第三部第 5 章的 \(V(I)\) 同属"对所有编码取上确界、给比特定价"的构造。区别在坐标轴：这里横轴是静态环境的描述长度，纵轴是容量。\(V(I)\) 中的 \(I\) 是消息与未来的互信息，\(V(I)\) 本身是在线决策性能。

必须明确：这是本站的原创提法，文献里还没有共识。截至 2026-08，不存在刻画这条曲线的任何定理【开放】。已知的只有两个端点的碎片：

• 左端点附近（\(R_{\mathrm{env}}\) 很小）：退化为纯统计先验，容量即经典遍历容量，也就是第 3 章的世界。
• 右端点（\(R_{\mathrm{env}} \to \infty\)）：完整环境加确定性求解器（射线追踪、数字孪生，第 5 章）给出近乎确定性的信道，剩余不确定性由模型误差与真正的动态残余决定。
• 另一条轴上的已知结果：limited feedback 定标律 [6][7] 精确刻画了"\(B\) 比特瞬时 CSI值多少容量"。但那是对易逝品的定价，不是对耐用品的定价，两者失真度量与复用结构都不同。

9.4.2 空白的中段与汇率表

把已知与未知画在同一张图上，空白的位置就一目了然：

图中画了三条虚拟中段，共用同一对端点，代表三种可能的形状：

• 凹增：边际收益递减，最"温和"的猜测。
• 阈值跳变：几何精度跨过 LoS/NLoS 判据后，价值集体兑现。
• 早饱和：少量结构信息就吃掉大部分增益。

三条线的两端都被钉死：左端 \(\Delta C\to0\) 是遍历容量（第 3 章的世界），右端趋于确定性上限（完整环境 + 射线追踪，第 5 章）。中段走哪条，截至 2026-08 无人知道。

对照：有定理的那条曲线长什么样

同一张图上本可以画第四条实线：limited feedback 的 \(B\) 比特瞬时 CSI 与复用增益的关系（[6][7]，本章第二节）。它有精确定标律 \(B\approx(M-1)\log_2 P\)，斜率、截距、失效点全都算得出来。实线与虚线的差别，就是"易逝品已有定价理论、耐用品还没有"。这也是为什么本章要把 \(\Delta C(R_{\mathrm{env}})\) 单独立为 Q3。

以下几点全部未知：

• 中段的曲线形状。
• 正确的环境失真度量。
• \(\Delta C\) 对 \(R_{\mathrm{env}}\) 是否有相变式的阈值行为，即几何描述精度跨过某个分辨率后，LoS/NLoS 判断集体正确，价值发生跳变。

CKM 文献中目前只有仿真与实测的量级证据，没有定理 [14]。

同样开放的还有它的对偶问题，即 CKM 构建的基本极限：多少测量样本、多精细的环境模型，才能把信道预测误差压到给定水平。CKM 构建综述明确将其列为 open challenge，见 [14] 及其后续综述【开放】。

汇率表：已经写出的两行与空着的一行

知识形态	买到什么	价码	保质期	状态
发端知道瞬时 SNR（完整 CSIT）	时间维注水，容量差 \(C_{\mathrm{CSIT}}-C_{\mathrm{CSIR}}\)	低 SNR 相对增益显著；中高 SNR 与恒功率几乎没有差别 [1]	一个相干时间	【已解决】
每用户 \(B\) 比特方向反馈（\(M\) 天线零迫）	复用增益	每 3 dB SNR、每用户多付 \(M-1\) 比特；\(M=64\)、20 dB 时约 420 比特/用户/相干块 [6]	一个相干块，过期作废	【已解决】
\(R_{\mathrm{env}}\) 比特的环境描述	容量增益 \(\Delta C(R_{\mathrm{env}})\)	只知两端：\(R_{\mathrm{env}}\to0\) 退回经典遍历容量，\(R_{\mathrm{env}}\to\infty\) 由模型误差与动态残余决定；一栋楼约 \(8\times10^4\) 比特，一次付清	环境变化的尺度（月、年），所有链路共用	【开放·本站提法】

9.5 衰落的统计力学：确定几何如何洗出统计规律

现在转向 Q4。它是 Q3 的镜像：Q3 问确定性知识值多少钱，Q4 问为什么在过去六十年里，我们不买这份知识也活得很好。

答案与统计力学同构。气体分子每一次碰撞都是牛顿力学的确定性事件，但 \(10^{23}\) 个分子的宏观行为只需要温度与压强两个数。微观确定，宏观统计。

无线信道的对应物是这样：每条多径的幅度与相位由确定几何严格决定，但当路径足够多、相位被"洗匀"之后，合成场只需要一个方差参数。扮演热化机制的，是中心极限定理 (Central Limit Theorem, CLT)。

9.5.1 四步推导：从多径求和到瑞利包络

推导只需四步，值得完整走一遍。合成信道为

\[ h = \sum_{n=1}^{N} a_n e^{j\phi_n}, \qquad \phi_n = -\frac{2\pi d_n}{\lambda} \bmod 2\pi , \]

其中 \(d_n\) 是第 \(n\) 条路径的路程。

第一步：相位对几何极端敏感。 载频 3.5 GHz 时 \(\lambda \approx 8.6\) cm，路程变化半个波长，相位就翻转。从这里起 \(\lambda\) 是波长，与前文水填充里的拉格朗日乘子 \(\lambda\) 无关。城市环境中各路径路程差远大于 \(\lambda\)，于是 \(\phi_n\) 对几何细节极端敏感。

它是确定的，但对观察者而言，与均匀分布于 \([0, 2\pi)\) 的独立随机变量无法区分。这就是第 1 章所说的认识论随机性：随机性是我们对相位的无知，它不是世界的属性。

第二步：在相位均匀独立的假设下算矩。 取实部虚部 \(X = \sum_n a_n \cos\phi_n\)、\(Y = \sum_n a_n \sin\phi_n\)，则

\[ \begin{aligned} \mathbb{E}[X] &= \sum_{n} a_n\, \mathbb{E}[\cos\phi_n] = 0 , \\ \mathrm{Var}(X) &= \sum_{n} a_n^2\, \mathbb{E}[\cos^2\phi_n] = \frac{1}{2} \sum_{n=1}^{N} a_n^2 \equiv \sigma^2 , \\ \mathbb{E}[XY] &= \sum_{n} a_n^2\, \mathbb{E}[\cos\phi_n \sin\phi_n] = 0 . \end{aligned} \]

上式只剩 \(n=m\) 的对角项：

• \(n\ne m\) 时相位独立，交叉项如 \(\mathbb{E}[\cos\phi_n\cos\phi_m] = \mathbb{E}[\cos\phi_n]\,\mathbb{E}[\cos\phi_m] = 0\)。
• 对角项由 \(\cos^2\phi = (1+\cos 2\phi)/2\)、\(\cos\phi\sin\phi = \tfrac12\sin 2\phi\) 平均，分别得 \(\tfrac12\) 与 \(0\)。
• \(\mathrm{Var}(Y) = \sigma^2\) 同理。

第三步：用中心极限定理。 若诸项数量大且无单项主导，CLT 给出 \((X, Y)\) 联合趋于独立同方差高斯，即 \(h\) 趋于圆对称复高斯。

第四步：从复高斯到瑞利包络。 联合密度为

\[ p(x, y) = \frac{1}{2\pi\sigma^2} \exp\!\left( -\frac{x^2 + y^2}{2\sigma^2} \right) \]

换极坐标 \(x = r\cos\theta\)、\(y = r\sin\theta\)，雅可比为 \(r\)，得

\[ p(r, \theta) = \dfrac{r}{2\pi\sigma^2} e^{-r^2/2\sigma^2} \]

再对 \(\theta\) 积分：

\[ p(r) = \frac{r}{\sigma^2} \exp\!\left( -\frac{r^2}{2\sigma^2} \right), \qquad r \ge 0 . \]

瑞利分布没有被假设进来，它是被确定几何洗出来的。

9.5.2 普适性的含义与收敛条件

物理意义

结论对 \(a_n\) 的具体取值、散射体的材质与位置细节全部不敏感，只剩一个 \(\sigma^2\)。这是普适性 (universality)：宏观规律对微观细节免疫。

还有一层更深的解读：给定平均功率约束，圆对称复高斯恰是最大熵分布。瑞利衰落是信道的"热平衡态"，是相位信息被彻底热化后剩下的最无知描述。统计建模六十年的成功（第 3 章），靠的是普适性替我们兜底：对微观无知不受惩罚。

行为分析

• 收敛需要"大量同量级贡献"。等幅情形 \(a_n = a/\sqrt{N}\) 时，十几条路径已相当接近瑞利。
• 若一条路径（如 LoS）携带不可忽略的能量占比，极限变为莱斯 (Rician)，K 因子即主导径与漫散射的功率比。
• 波长越短，相位越容易洗匀（对 CLT 有利），但路径本身越稀疏（对 CLT 致命）。这对张力决定了普适性的疆界，也是下一节的主题。

严格化这件事的是 Taricco [9]。

定理（瑞利收敛的条件，Taricco 2015）

多径合成增益趋于复高斯（包络趋于瑞利）并非只要 \(N \to \infty\) 就自动成立：收敛要求路径增益满足特定条件——方向上即"无主导路径"（任何单条路径的能量占比渐近可忽略；论文批判性讨论了 Lindeberg 型条件何时不成立，精确数学形式见原文 [9]），并给出了路径数目趋于无穷但不收敛于瑞利的显式反例。极限成立时，幅度与相位渐近独立、相位均匀于 \([0, 2\pi)\)。【已解决】

陷阱（两个流行的错误）

• "路径多就是瑞利"是错的。Taricco 的反例表明，少数路径携带绝大部分能量时普适性破缺，路径计数不能替代能量占比条件 [9]。
• "毫米波没有小尺度衰落"也是错的。毫米波有小尺度衰落，只是偏向高 K 因子的莱斯/双射线型结构，而不是瑞利 [12]。破缺的是瑞利普适性，衰落本身还在。

9.6 普适性类及其破缺：从随机矩阵到毫米波

9.6.1 Marchenko–Pastur 普适性与容量的自平均

普适性在 MIMO 时代有一个更强的版本。单链路的 CLT 洗出瑞利。把整个信道矩阵放进大维极限，随机矩阵理论洗出的结果更惊人：连容量本身都变成确定性的。

先说明定理里的几个术语：

• 经验特征值分布：\(\mathbf{H}\mathbf{H}^{\dagger}\) 的 \(M\) 个特征值的归一化直方图。
• 几乎必然收敛：除去概率为零的例外，每一次随机实现的直方图都收敛到同一条曲线。
• 零点处的尖峰项：\(c>1\) 时 \(\mathbf{H}\mathbf{H}^{\dagger}\) 的秩至多为 \(N\)，至少 \(1-1/c\) 的特征值为 0，这部分就是 \(\delta(x)\) 项。

一个例子：\(400\times400\) 的随机符号矩阵，元素为 \(\pm1/20\)，完全不是高斯。SNR 为 10 时，单次实现的每天线容量约 2.72 bit/s/Hz，换随机种子只在第三位小数上变动。定理积分为 2.723。

定理（Marchenko–Pastur 普适性，见 Tulino–Verdú 2004）

设 \(\mathbf{H} \in \mathbb{C}^{M \times N}\) 元素独立同分布、零均值、方差 \(1/N\)（不必高斯），\(M/N \to c\)。则 \(\mathbf{H}\mathbf{H}^{\dagger}\) 的经验特征值分布几乎必然收敛于 Marchenko–Pastur 律

\[ f_c(x) = \left( 1 - \frac{1}{c} \right)^{+} \delta(x) + \frac{\sqrt{(x-a)^{+}(b-x)^{+}}}{2\pi c x}, \qquad a = (1 - \sqrt{c})^2, \; b = (1 + \sqrt{c})^2 , \]

与元素的具体分布无关；相应地每天线容量收敛于确定性积分

\[ \frac{1}{M} \log_2 \det\!\left( \mathbf{I} + \mathrm{SNR} \cdot \mathbf{H}\mathbf{H}^{\dagger} \right) \;\longrightarrow\; \int \log_2 (1 + \mathrm{SNR}\, x)\, f_c(x)\, \mathrm{d}x . \]

【已解决】出处：[8]。

物理意义

这是自平均 (self-averaging)：维度足够大时，单次信道实现的容量几乎必然等于系综平均，随机性把自己平均掉了。

瑞利普适性说单链路增益不依赖散射细节，MP 普适性说整个矩阵的谱（因而容量）不依赖元素分布。两者是同一现象的两个尺度。统计范式在 2004 年前后达到顶峰，凭的正是这两层普适性：工程师可以对物理世界保持体面的无知。

行为分析

注意定理的前提：元素独立、同量级。这不是单纯的技术性条件，它是"富散射"的数学化身：每对收发天线之间都有大量独立同量级的传播贡献。前提被破坏时定理如何失效，恰好构成本章论点的最佳证据，见下文。

9.6.2 介观层与毫米波实测

在纯统计与逐条射线之间还存在一个介观层。Franceschetti–Bruck–Schulman [10] 把城市杂波建模为随机散射介质中的光子随机行走，仅用两个参数（杂波密度、吸收率）就解析导出功率衰减从近距 \(1/r^2\) 到远距指数衰减的平滑过渡，与实测一致【已解决】。延伸工作进一步用逾渗理论闭合了无线网络容量的标度间隙。

这提示统计力学纲领有三层，每一层用更少的参数换更粗的分辨率：

• 微观：Maxwell/射线。
• 介观：随机行走/逾渗。
• 宏观：瑞利/MP 律。

然后是实测给出的普适性边界。Rappaport 等 2013 年在纽约做的 28 GHz 测量证明了毫米波蜂窝可行 [11]。Akdeniz 等 2014 年的统计建模给出了更冷峻的数字：28/73 GHz 下空间簇数量拟合为泊松随机变量，均值约为 2，是个位数 [12]。作为对照，为 sub-6 GHz 富散射设计的统计模型动辄设定二十个簇。

个位数的簇远达不到 CLT 的"大量独立同量级贡献"，小尺度衰落偏向高 K 莱斯/双射线型分布。而"正确"的稀疏信道衰落分布族（高 K 莱斯、双波加漫散射、FTR 等模型并存）至今没有公认答案【开放】。

9.6.3 稀疏信道里 MP 律为什么失效

MP 律在这里失效的机制值得说清楚，它比"随机矩阵论不适用"具体得多。稀疏信道矩阵是少数几条路径的秩一贡献之和：

\[ \mathbf{H} \approx \sum_{\ell=1}^{L} g_{\ell}\, \mathbf{a}_{\mathrm{r}}(\theta_{\ell})\, \mathbf{a}_{\mathrm{t}}^{\dagger}(\phi_{\ell}), \qquad L \ll \min(M, N) , \]

其中 \(g_\ell\) 是第 \(\ell\) 条径的复增益，\(\theta_\ell\)、\(\phi_\ell\) 是到达角与离开角，\(\mathbf{a}_{\mathrm{r}}\)、\(\mathbf{a}_{\mathrm{t}}\) 是导向矢量（预备篇 5.3）。每项都是秩一矩阵。此处 \(\phi\) 是角度，与上一节的相位 \(\phi_n\) 不是一回事。

于是 \(\mathrm{rank}(\mathbf{H}) \le L\)：无论阵列做到多大，非零特征值只有 \(L\) 个，经验谱退化为少数尖峰加一堆零。独立同量级的前提被几何稀疏性摧毁，有效自由度坍缩到路径参数的维度。这是第 4 章波数带限观点的矩阵版本。

矩阵不再"随机得足够均匀"，它变得"几何得足够结构化"。同一时期，位置信息辅助通信进入主流视野 [13]。位置正是最廉价的环境知识，统计范式的裂缝处开始渗入几何。

9.7 收束：普适性相图与知识的价格地图

现在可以把 Q3 与 Q4 收束到一起了。

关键结论（Q3 与 Q4 是同一枚硬币）

统计普适性决定环境知识的汇率。

• 瑞利/MP 普适区：宏观规律对微观几何免疫，一个 \(\sigma^2\) 或一条 MP 曲线就是全部可用信息。环境知识买不回多少容量，因为统计信息几乎免费。
• 普适性破缺区：信道由个位数的几何参数主导，统计先验大幅失准，每一比特几何知识都直接翻译为波束方向、遮挡预测与容量。统计普适性失效的地方，确定性环境知识的汇率最高。

频率越高、带宽越大、阵列越大，系统越深入破缺区。6G 恰好在把自己推向环境知识最值钱的地方。

9.7.1 普适性相图与序参量 N_eff 的定义

这个论断可以整理成一张相图，称为普适性相图。它以"每分辨单元内的有效路径数 \(N_{\mathrm{eff}}\)"为序参量，横轴取散射体密度，纵轴取系统分辨率（带宽 × 孔径 ÷ 波长的适当组合），标出瑞利普适区、莱斯过渡区、几何确定区。

这是本站的原创提法【开放】：文献已备齐全部原料，包括收敛条件 [9]、矩阵普适性 [8]、稀疏实测 [12]、介观模型 [10]。但没有人把它们拼成一张定量的相图，相边界的位置与序参量的正确定义均无定理。

先把序参量定义下来，否则相图只是修辞：

• 序参量（order parameter）是统计物理用语，指取值就能区分不同"相"的宏观量。
• 分辨单元是系统在时延和角度上分不开的格子：时延分辨约为带宽的倒数，角度格数约等于阵元数。同一格里的各径只表现为一个合成复增益，也就是前文"衰落的统计力学"一节里 CLT 求和的对象。

对分辨单元内的各径幅度 \(\{a_n\}\)，定义参与比

\[ N_{\mathrm{eff}} \;=\; \frac{\big(\sum_n a_n^2\big)^2}{\sum_n a_n^4}, \]

它是 Taricco [9]"无主导路径"条件的连续化：\(N\) 条等幅路径给 \(N_{\mathrm{eff}}=N\)，一条独大时 \(N_{\mathrm{eff}}\to1\)。（本站提法。）

它在数什么

记能量占比 \(q_n = a_n^2/\sum_m a_m^2\)，则 \(N_{\mathrm{eff}} = 1/\sum_n q_n^2\)。

• \(k\) 条径平分能量、其余为零时，\(\sum_n q_n^2 = 1/k\)，\(N_{\mathrm{eff}}=k\)。
• 它数的是能量真正摊在几条径上。例如占比 0.7、0.1、0.1、0.1 给出 \(N_{\mathrm{eff}} = 1/(0.49+0.03) \approx 1.9\)，而不是 4。

又因

\[ (\max_n q_n)^2 \le \sum_n q_n^2 \le \max_n q_n \sum_n q_n = \max_n q_n \]

所以 \(N_{\mathrm{eff}}\to\infty\) 当且仅当最大单径能量占比趋于 0，即 CLT 所需的无单项主导（本模型下等价于第 3 章的 Lindeberg 条件）。

第四部第 7 章 7.7 节（定义 7.3）把同一构造用在干扰耦合权重上，数的是"真正起作用的邻区有几个"。

9.7.2 相边界的数与两代硬件的对比

行为分析（相边界的数）

设主径能量占比 \(\kappa\)、其余 \(N-1\) 条等幅，则莱斯因子 \(K=\kappa/(1-\kappa)\)。其余每条占比 \((1-\kappa)/(N-1)\)，能量占比平方和为 \(\kappa^2 + (N-1)\big[(1-\kappa)/(N-1)\big]^2\)，取倒数即

\[ N_{\mathrm{eff}}\;=\;\Big[\kappa^2+\tfrac{(1-\kappa)^2}{N-1}\Big]^{-1}. \]

代入数值：

• \(\kappa=0.5\)（\(K=0\) dB，瑞利/莱斯边界）、\(N=20\) 时，\(N_{\mathrm{eff}}\approx3.8\)。
• \(\kappa=0.3\) 时，\(N_{\mathrm{eff}}\approx8.6\)，在这条边界的瑞利一侧。
• \(\kappa=0.9\)（\(K\approx9.5\) dB）时，\(N_{\mathrm{eff}}\approx1.2\)，已经落进几何确定区。

验证本节自己的论断

按总时延扩展约 100 ns 估算：

• 20 MHz 单天线：时延分辨 50 ns，与室内 RMS 时延扩展同量级，角度不可分。约 2 个（\(100/50\)）分辨单元装下 ~30 条径，\(N_{\mathrm{eff}}\sim15\)，稳居瑞利区。
• 400 MHz + 256 阵元：时延分辨 2.5 ns、角度 256 格，约 \(10^4\) 个（\(40\times256\)）分辨单元装 30 条径。绝大多数单元里 \(N_{\mathrm{eff}}<1\)（空单元，无路径，按约定记 0）或 \(=1\)（独径），属于几何确定区。

同一条街道，两代硬件看到的是两个相。

怎么读这张图

• 横轴向左是环境变稀疏，纵轴向上是系统看得更清。两条路都通向几何确定区，这说明 \(N_{\mathrm{eff}}\) 是环境与系统的联合属性。
• 四个系统点连起来是一条从右下到左上的轨迹：6G 的每一次代际升级，都在把自己推向环境知识最值钱的区域。这条轨迹是硬件自己走出来的，不是谁选的。
• 相边界（\(N_{\mathrm{eff}}=\) 常数的等值线）的精确位置至今无定理【开放】。

相图上有一个容易被忽略的要点：\(N_{\mathrm{eff}}\) 是环境与系统分辨率的联合属性，不是环境的内禀属性。同一条街道：

• 20 MHz 单天线终端看到的是瑞利：几十条路径挤在一个分辨单元里互相干涉。
• 400 MHz 加 256 阵元的基站看到的是一条条可分辨的离散射线：每条路径独占分辨单元，上面的算例里 30 条径摊进约 \(10^4\) 个单元。

分辨率提高，会把统计"解析"成几何。第 4 章的空间自由度理论说的就是这件事。所以相图的边界不是固定的地理边界，而是随硬件代际移动的战线。统计与确定性之争没有终局裁决，只有随分辨率移动的分界线。

9.7.3 环境知识与瞬时 CSI 的分工

最后是环境知识与瞬时 CSI 的分工。工程直觉很清楚 [14]：环境知识（CKM）提供慢变的大尺度增益、遮挡状态与方向结构，残余的小尺度相位仍需实时测量。前者管"往哪指、指多准"，后者管"此刻相位是多少"。

把这个直觉升格为定理，即两种知识在信息论意义上的正交分解，称为可分离性猜想。目前没有任何结果，它同样是本站的原创提法【开放】。若它成立，6G 的 CSI 获取架构将有清晰的理论分层：耐用品走地图，易逝品走导频，两者互不赎买。这些悬而未决之处，是第 10 章研究纲领的起点。

跨部连线

本章所在的线索：任务与价值、信息结构、时间尺度。

• 第二部 5.4 节：知识汇率曲线的形状直接决定认知平衡点，即该拿多少资源去认识环境。
• 第二部 3.6 节：任务真正需要的那部分环境知识怎样定价（间接率失真）。
• 第三部第 5 章「第四级台阶」：第三部的 \(V(I)\) 给"预测"定价，与本章给"环境知识"定价是同一类逆定理在两种资源上的实例。
• 第四部 9.8 节：许多节点一起感知时的多方版汇率，连端点都还没有。

开放问题

1. CKM 的香农曲线【开放·本站提法】：环境描述率 \(R_{\mathrm{env}}\) 与容量增益 \(\Delta C(R_{\mathrm{env}})\) 的最优权衡曲线。两个端点已知碎片（统计先验极限；完整环境的确定性极限），中段形状、是否存在阈值/相变行为，截至 2026-08 无定理。
2. 环境失真度量【开放·本站提法】：几何误差如何映射为容量损失？该映射穿过波动方程，非线性且场景相关（同样 10 cm 的墙面误差可能致命也可能无关紧要），连"正确的失真定义"都尚未建立。没有它，率失真式的理论无从谈起。
3. CKM 构建的基本极限【开放·文献共识】：达到给定信道预测精度需要多少测量样本、多精细的环境模型；动态环境下的更新时效与跨场景泛化。CKM 综述明确列为 open challenge [14]。
4. 稀疏信道的"正确"衰落分布族【开放·文献共识】：毫米波/太赫兹小尺度衰落用高 K 莱斯、双波加漫散射还是 FTR 描述，无公认普适类 [12]。对应的普适性分类定理（何种几何条件洗出何种分布）不存在。
5. 有限精度 CSIT 的 DoF 崩塌与环境知识的补救【开放】：网络信息论中，有限精度 CSIT 会导致自由度崩塌（Jafar 学派 aligned image sets 系列结果，奠基结果见第三部第 6 章文献 [12]）。
   • 同一系列的 Davoodi–Jafar 2018 [15]（arXiv:1705.02775）进一步表明，即使接收端信道信息完美、发射端信道信息是瞬时的有限精度，网络相干时间也会影响 DoF。
   • DoF 即第二节的复用增益。"有限精度"指 CSIT 误差不随 SNR 缩小，正与 Jindal 定标律"每 3 dB 多付 \(M-1\) 比特"相反，此时多用户空分复用的额外自由度会丢失。
   • 环境知识作为"另一种形态的 CSIT"能否绕开该崩塌、在何种条件下等效于高精度 CSIT，完全未知。
6. 普适性相图的定量化与可分离性猜想【开放·本站提法】：序参量 \(N_{\mathrm{eff}}\) 的严格定义、相边界的定理刻画；以及环境知识与瞬时 CSI 的信息论正交分解。文献只有工程直觉 [14]，没有定理。

参考文献

1. A. J. Goldsmith, P. P. Varaiya, 《Capacity of fading channels with channel side information》, IEEE Transactions on Information Theory, 43(6):1986–1992, 1997. https://web.stanford.edu/class/ee359/pdfs/fading_capacity.pdf
2. G. Caire, S. Shamai, 《On the capacity of some channels with channel state information》, IEEE Transactions on Information Theory, 45(6):2007–2019, 1999. https://www.eurecom.fr/fr/publication/305
3. M. Médard, 《The effect upon channel capacity in wireless communications of perfect and imperfect knowledge of the channel》, IEEE Transactions on Information Theory, 46(3):933–946, 2000. https://www.semanticscholar.org/paper/c6bb8736bdac606793d46d6af494540c3984211a
4. A. Lapidoth, S. Shamai, 《Fading channels: how perfect need "perfect side information" be?》, IEEE Transactions on Information Theory, 48(5):1118–1134, 2002.
5. B. Hassibi, B. M. Hochwald, 《How much training is needed in multiple-antenna wireless links?》, IEEE Transactions on Information Theory, 49(4):951–963, 2003. https://authors.library.caltech.edu/records/y6rsb-e9851
6. N. Jindal, 《MIMO broadcast channels with finite-rate feedback》, IEEE Transactions on Information Theory, 52(11):5045–5060, 2006. https://ita.ucsd.edu/workshop/06/papers/79.pdf
7. D. J. Love, R. W. Heath Jr., V. K. N. Lau, D. Gesbert, B. D. Rao, M. Andrews, 《An overview of limited feedback in wireless communication systems》, IEEE Journal on Selected Areas in Communications, 26(8):1341–1365, 2008.
8. A. M. Tulino, S. Verdú, 《Random Matrix Theory and Wireless Communications》, Foundations and Trends in Communications and Information Theory, 1(1):1–182, 2004. https://www.nowpublishers.com/article/Details/CIT-001
9. G. Taricco, 《On the Convergence of Multipath Fading Channel Gains to the Rayleigh Distribution》, IEEE Wireless Communications Letters, 4(5):549–552, 2015. https://ieeexplore.ieee.org/abstract/document/7155505/
10. M. Franceschetti, J. Bruck, L. J. Schulman, 《A random walk model of wave propagation》, IEEE Transactions on Antennas and Propagation, 52(5):1304–1317, 2004. https://www.paradise.caltech.edu/~massimo/homepage/papers/APrevision.pdf
11. T. S. Rappaport et al., 《Millimeter Wave Mobile Communications for 5G Cellular: It Will Work!》, IEEE Access, 1:335–349, 2013. https://ui.adsabs.harvard.edu/abs/2013IEEEA...1..335R
12. M. R. Akdeniz, Y. Liu, M. K. Samimi, S. Sun, S. Rangan, T. S. Rappaport, E. Erkip, 《Millimeter wave channel modeling and cellular capacity evaluation》, IEEE Journal on Selected Areas in Communications, 32(6), 2014. https://arxiv.org/abs/1312.4921
13. R. Di Taranto, S. Muppirisetty, R. Raulefs, D. Slock, T. Svensson, H. Wymeersch, 《Location-Aware Communications for 5G Networks》, IEEE Signal Processing Magazine, 31(6):102–112, 2014. https://www.semanticscholar.org/paper/42e896ff3e3373cb43b531c0d8d675f34b21e699
14. Y. Zeng, J. Chen, J. Xu, D. Wu, X. Xu, S. Jin, X. Gao, D. Gesbert, S. Cui, R. Zhang, 《A Tutorial on Environment-Aware Communications via Channel Knowledge Map for 6G》, IEEE Communications Surveys & Tutorials, 2024. https://arxiv.org/abs/2309.07460（CKM 概念的最初提出见 Y. Zeng, X. Xu, "Toward Environment-Aware 6G Communications via Channel Knowledge Map," IEEE Wireless Communications, 28(3):84–91, 2021；构建方向的后续综述见 arXiv:2511.04944）
15. A. G. Davoodi, S. A. Jafar, 《Network Coherence Time Matters—Aligned Image Sets and the Degrees of Freedom of Interference Networks With Finite Precision CSIT and Perfect CSIR》, IEEE Transactions on Information Theory, 64(12):7780–7791, 2018. https://doi.org/10.1109/TIT.2018.2837880（预印本 arXiv:1705.02775）