大规模MIMO

摘要： 针对大规模毫米波多输入多输出(MIMO)数字波束成形射频链多、成本高且功耗大等难题,研究了低硬件复杂度和功耗的混合波束成形算法,基于第三代合作伙伴计划(3GPP)的TR 38.901 V16.1.0构建了毫米波无线信道仿真模型,以系统“和速率”最大化和总发射功率最小化为优化目标,获得了基于压缩感知的波束选择算法。仿真结果表明:本文所研究基于压缩感知波束选择算法的混合波束成形系统“和速率”随着用户数K近似对数增长。系统“和速率”会受到多用户干扰的限制,在信噪比为10 dB且用户数K较大时,波束选择算法比全数字多用户波束成形算法的系统总发射功率高约2 dB,但波束选择方案有着较低的系统复杂度。

摘要： 毫米波通信是5G网络的关键技术,因为它可以提供较高数量级的频谱,但它具有更大的路损,采用大规模天线阵列和定向波束成形技术可以有效解决这一问题。随着天线数量的增加,传统数字预编码器的硬件和能量成本非常高,需采用混合预编码来克服这一困难,但全连接结构中该算法的功耗较高,因此提出了一种新的基于子连接结构的混合预编码算法。该算法首先将发射天线阵列分为几个独立的子阵列;然后分别对每个子阵列的模拟预编码矩阵进行设计,并依次优化每个子阵列的频谱效率,以最大限度地提高总频谱效率;最后,在求得的模拟预编码矩阵的基础上,利用最小二乘法求解数字预编码矩阵。仿真结果显示,该算法的频谱效率与正交匹配追踪算法相差不超过3bps/Hz,但能量效率最多可提高23.8%;与功率迭代算法相比,该算法的频谱效率更高,且能量效率可提高4%左右。因此,所提算法具有很好的实际应用价值。

摘要： 针对大规模多输入多输出(multiple input multiple output,MIMO)系统中亟待解决的导频污染问题,提出一种基于K均值聚类的导频分配策略来减轻导频污染问题。该方案基于大尺度衰落因子对用户进行门限分组,再基于用户位置信息对用户进行K均值聚类分组,并对不同组别的用户采用不同的导频分配方案。仿真结果表明,基于K均值聚类的大规模MIMO导频分配方案可有效抑制导频污染问题对大规模MIMO系统性能的影响,提高导频效率并减少导频开销。

摘要： 5G移动通信技术作为支撑经济社会数字化、网络化、智能化转型的关键新型基础设施,满足了人们对于高速、大容量、高可靠、低时延等快速增长的移动通信业务的需求。大规模MIMO(multiple inputmultiple output)有源天线技术作为5G的关键技术之一,通过空间复用大幅度提升频谱利用效率,结合新型编码技术,可以大幅度提升通信系统容量和通信速率。但大规模MIMO有源天线技术的复杂性,也导致5G基站天线的研发和测试变得非常复杂。

摘要： 消息传递检测(Message Passing Detection, MPD)算法是一种基于置信度传播的检测算法,非常适用于多用户大规模空间调制多输入多输出(Spatial Modulation Multiple Input Multiple Output, SM-MIMO)系统,但传统MPD算法复杂度仍然较高。针对该问题,研究基于边动态调度的MPD算法,根据观测节点与变量节点可靠性,提出基于观测节点可靠性MPD(the Reliability of Observation Nodes MPD, TRON-MPD)和基于双节点可靠性MPD(the Reliability of Observation and Variable Nodes MPD, TROVN-MPD)两种边动态调度方案,在迭代检测过程中,根据边的可靠性,实现边信息的动态更新,以进一步降低算法复杂度。理论分析与仿真结果表明:与传统MPD算法相比,TRON-MPD与TROVN-MPD方案均可实现以损失较小误码率性能为代价大幅降低算法复杂度;同时,通过适当设定边动态调度方案的阈值,可在系统误码率与算法复杂度之间取得较好折中。

摘要： 针对高速移动环境信道特征复杂多变,同时存在加性噪声和非线性效应的影响,提出一种残差混合网络(RM-Net)的大规模MIMO CSI反馈算法。RM-Net通过学习高速移动信道的空间结构与时间相关性,具备去除大规模MIMO信道噪声的能力,能显著提高CSI压缩率与恢复质量。系统仿真结果表明,RM-Net可消除高速移动场景加性噪声的影响,学习并适应稀疏、双选衰落信道特征,在高压缩率与低信噪比条件下依然具有较好的性能表现,所提算法性能大幅优于其他基于压缩感知(CS)和深度学习(DL)的CSI反馈算法。

摘要： 大规模多输入多输出(Multiple input multiple output,MIMO)技术的演进是第6代(The sixth generation,6G)无线通信系统性能进一步提升的重要支撑。随着天线阵列规模的持续扩大,频分复用(Fvequency division duplexing,FDD)大规模MIMO系统获取下行信道状态信息(Channel state information,CSI)面临着严峻挑战。深度学习具有强大的学习及处理高维数据的能力,能够为解决这一挑战提供新的方案。本文综述了基于深度学习的FDD大规模MIMO下行CSI获取技术,包括CSI反馈和预测技术。首先给出了基于深度学习的CSI反馈和预测的原理框架,其次分析比较了国内外相关研究成果的优越性能,为解决面向6G的FDD大规模MIMO系统获取下行CSI问题提供了可行的参考方案。最后讨论了FDD大规模MIMO下行CSI获取的有待进一步解决的开放性问题以及所对应的潜在研究方案。

摘要： 通信感知一体化作为6G的关键技术之一,与大规模MIMO结合有望同时实现高速率通信和高精度感知。首先介绍了通信感知一体化和大规模MIMO的应用场景与需求,然后分析了大规模MIMO通信感知一体化的研究现状,包括波形设计、目标参数估计、感知辅助通信、通信信号处理、通信辅助感知、一体化信号处理和性能权衡等方面,最后展望了大规模MIMO通信感知一体化的未来研究方向,包括超大规模MIMO、无蜂窝大规模MIMO、智能超表面和太赫兹技术。

摘要： 针对大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统中信道估计训练开销大、计算复杂度高的问题,利用信道矩阵的低秩特性,提出了基于低秩矩阵近似的信道估计方法。采用非凸的γ-范数近似信道矩阵秩函数,提高了信道矩阵秩近似的精确性。利用交替方向乘子法求解信道矩阵,选择较少的信道参数降低训练开销。变量迭代更新过程中采用梯度下降法避免了求逆运算,有效降低计算复杂度。通过选择较小的迭代步长,提高信道估计精度。仿真结果表明,所提算法相较于其他低秩矩阵恢复算法具有更好的信道估计性能。

摘要： 在频分双工(FDD)大规模多输入多输出(MIMO)系统中,为了确保通信质量,用户设备(UE)需要将信道状态信息(CSI)反馈给基站(BS)。随着天线数量的增加,CSI反馈开销急剧增加,使得BS获得准确CSI变得困难。为了降低反馈开销,提高反馈质量,采用深度学习(DL)方法,提出一种基于全卷积网络的信道反馈网络MCMTNet,该网络由三部分构成。卷积神经网络(CNN)将CSI压缩。转置CNN和精细密集连接网络分别进行初始恢复和最终恢复。仿真结果表明:提出的MCMTNet的性能优于传统压缩感知方法和现有基于深度学习的网络CsiNet,MCMTNet可以处理任意维数的信道数据,且训练参数更少,复杂度更低。

摘要： 本发明提出了一种结合阵列增益控制和模拟波束赋形的空间调制方法，以及基于此空间调制方法的大规模多输入多输出(MIMO)系统。该方法将空间信息比特与发射样式相映射，可以有效利用空间自由度，提高系统的传输速率；本发明提出的对多个相邻天线子阵列采用的阵列增益控制方案有效提高天线子阵列的信道增益多样性，降低相邻子阵列的信道相关性；本发明基于信漏噪比准则提出的模拟波束赋形方法，可有效降低多用户大规模MIMO系统中射频链路的使用数量，同时减少用户间干扰。本发明所提出的系统，不仅适用于单用户混合结构大规模MIMO系统，还适用于多用户混合结构大规模MIMO下行传输系统。

摘要： 本发明提供用于分布式大规模MIMO(DM‑MIMO)的方法，其使用一个或多个中央基带单元(BBU)、用于每个BBU执行多用户MIMO计算的一个或多个多用户波束成形器、分布在地理区域上的多个RRH。

摘要： 本发明公开了一种FDD大规模MIMO系统中基于移动速度的天线规模选择方法，用户端采用模拟反馈方案向基站端反馈导频信号，基站端估计出下行信道；通过迫零预编码传输数据，然后根据用户的移动速度，根据MIMO系统的频谱效率对开启的天线数进行求导，获得移动速度与最优天线规模的关系，选择开启的天线规模。本发明能够依据用户移动速度的不同，合理的调整信道估计与反馈在相干时间的比重，在发射分集增益与信道估计与反馈开销之间做出最优的折中，有效提升系统的频谱效率。

摘要： 本发明提出了一种结合阵列增益控制和模拟波束赋形的空间调制方法，以及基于此空间调制方法的大规模多输入多输出(MIMO)系统。该方法将空间信息比特与发射样式相映射，可以有效利用空间自由度，提高系统的传输速率；本发明提出的对多个相邻天线子阵列采用的阵列增益控制方案有效提高天线子阵列的信道增益多样性，降低相邻子阵列的信道相关性；本发明基于信漏噪比准则提出的模拟波束赋形方法，可有效降低多用户大规模MIMO系统中射频链路的使用数量，同时减少用户间干扰。本发明所提出的系统，不仅适用于单用户混合结构大规模MIMO系统，还适用于多用户混合结构大规模MIMO下行传输系统。

摘要： 本发明公开了一种FDD大规模MIMO系统中基于移动速度的天线规模选择方法，用户端采用模拟反馈方案向基站端反馈导频信号，基站端估计出下行信道；通过迫零预编码传输数据，然后根据用户的移动速度，根据MIMO系统的频谱效率对开启的天线数进行求导，获得移动速度与最优天线规模的关系，选择开启的天线规模。本发明能够依据用户移动速度的不同，合理的调整信道估计与反馈在相干时间的比重，在发射分集增益与信道估计与反馈开销之间做出最优的折中，有效提升系统的频谱效率。

摘要： 本发明提供了一种基于域自适应网络的大规模MIMO动态环境指纹定位方法，该方法采用域自适应学习的方式，在初始环境位置指纹数据库的基础上通过结合少量当前环境下的无监督样本训练定位模型，能够提高模型在当前环境中的工作能力，训练后的模型在当前环境中具有较高的鲁棒性；本方案在动态环境下的定位精度改善效果良好，通过少量当前环境的无标签数据即可训练获得当前环境下的定位模型，能一定程度缓解环境变化后的定位模型失效和重采样代价大的问题。

摘要： 本发明所述的是一种在大规模MIMO系统中基于改进GAN网络的信道估计算法，其考虑在一比特上行多用户大规模MIMO系统中进行基于深度学习的信道估计时，为了提高性能，提出采用改进生成对抗网络的信道估计方法；在该方法中，引入随机量化方法来改进GAN网络的输入，使输入数据更加真实；通过对生成器和判别器分别引入惩罚项来生成新的优化目标函数，使网络优化方向正确，并由模型仿真确定网络结构。GAN网络利用先验的信道估计观测值来学习从量化测量值到信道的非平凡映射；对生成器和判别器进行对抗训练来预测更真实的信道。数值仿真结果，从归一化均方误差(NMSE,Normalized Mean Squared Error)的角度表明,该方法明显提高了大规模多输入输出系统信道估计的准确性。

摘要： 本发明公开了一种基于深度强化学习的无蜂窝大规模MIMO功率分配方法，包括：构建无蜂窝大规模MIMO系统，以AP与UE之间的功率控制系数为优化参数，提出下行链路功率分配的优化问题；将优化问题建模为一个马尔可夫决策过程，并构建可以与强化学习模型交互的无蜂窝大规模MIMO环境；建立DDQN网络拟合用于评价功率控制系数的Q函数，与无蜂窝大规模MIMO环境交互，训练Dueling DDQN网络，使得MDP问题的累积收益最大，最终得到各个AP与UE之间的功率控制系数。与传统的基于优化的算法相比，本方法通过建立环境，让强化学习模型与之交互的方式获得优解，而无需针对问题建立精确的模型。

摘要： 本发明属于无线通信技术领域，具体涉及大规模MIMO系统中利用信道共轭数据的信道估计方法及系统。其方法包括步骤：S1、接收端接收基站发送的信号，并根据接收信号得到初步估计信道信息；S2、根据初步估计信道信息及其共轭数据，构造合并汉克尔矩阵；S3、对合并汉克尔矩阵进行奇异值分解，以得到方位到达角估计值；S4、利用方位到达角估计值，恢复信道状态信息。本发明利用共轭数据估计信道的方法，与传统的方法相比，在已知少量信道信息的情况下，利用共轭数据的信道估计方法可以减少噪声的影响，因此能够实现更高的信道利用率，通信系统性能得到进一步提高。

摘要： 本发明公开了一种基于重构汉克尔矩阵的大规模MIMO下行信道估计方法。本发明方法的实现步骤：首先信道建模；基站端发送多个导频信号和用户端接收数据；基站端不发送导频信号和用户端接收数据；设计基于重构汉克尔矩阵的优化问题；求解优化问题和信道估计。本发明方法属于无网格方法，可以避免传统压缩感知方法的基不匹配问题；其次，该方法与传统方法相比可以显著降低导频开销；最后，本发明方法在用户端接收数据时，获取了基站接收机的噪声参数，使得模型具有去噪能力，提高了信道估计的准确性。