无蜂窝大规模MIMO系统接入点动态选择算法

在无蜂窝大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统中,所有接入点(Access Point,AP)为用户提供服务的方式会造成较大的功率消耗和增加前传链路压力。以“用户为中心”的AP选择方案为每个用户选择最佳的AP集合,使系统频谱效率和能量效率得以提升。为了给每个用户选择最佳的AP集合,提出了一种基于反向传播(Back Propagation,BP)神经网络的接入点动态选择算法。将AP与用户之间的大尺度衰落向量作为输入,AP与用户之间的连接关系作为BP神经网络输出的预测向量,同时,针对BP神经网络初始化权值,提出了一种改进的自适应遗传算法以提高算法的收敛速度和收敛性能。仿真结果表明,改进后的BP神经网络预测结果更接近于实际值,并且比全连接和启发式的AP选择方案具有更高的系统和速率。

IRS辅助去蜂窝大规模MIMO系统反窃听安全波束赋形研究

为提高物理层安全通信性能,针对目前物理层通信容易受到建筑物遮挡和非法用户窃听的问题,提出了一种智能反射面(intelligent reflecting surface,IRS)辅助去蜂窝大规模多输入多输出(multiple-input multiple-output,MIMO)系统反窃听安全传输波束赋形方案。考虑信道理想的情况下,以还原合法用户接收信号和阻止非法用户接收信号为目标,最小化发射波束赋形向量,构建了一个基站主动波束赋形向量和IRS相移的联合波束赋形问题。通过交替优化将原问题分解为基站波束赋形向量优化子问题和IRS相移优化子问题,并通过解非齐次线性方程组思想的方法,对优化子问题进行求解。仿真结果表明,相较于传统物理层安全通信方案,提出的方案能够有效使非法用户窃听信号为0,降低传输功率,并且具有较好的误码率。

基于SWIPT的无小区大规模MIMO-NOMA系统能量效率研究

无小区大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)与非正交多址接入(Non-Orthogonal Multiple Access,NOMA)都是未来6G的使能技术。无线携能通信(Simultaneous Wireless Information and Power Transfer,SWIPT)技术在进行信息解码的同时收集能量,与无小区大规模MIMO-NOMA优势互补。文中基于SWIPT研究无小区大规模MIMO-NOMA系统中的能量效率问题,通过联合优化功率分配系数和SWIPT的时隙切换(Time Switching,TS)系数,提高系统的能量效率。为了最大化能量效率,采用布谷鸟算法设计功率分配系数。考虑一种特殊情况,将所有终端的TS系数设置相同,进而推导了最佳TS系数的封闭表达式。仿真结果表明,相较于几种已有方案,文中提出的优化方案可以显著提升系统的能量效率。

基于卷积特征提取及深度降噪网络的大规模MIMO系统信号检测

传统多输入多输出(Multiple-Input Multiple-Output,MIMO)信号检测算法受到天线数量和收发天线比例的限制,一般仅适用于少量天线、收发天线比例较低的情况。本文提出一种基于深度学习(Deep Learning,DL)的稀疏连接卷积降噪网络模型,用于大规模MIMO系统上行链路信号检测。首先,通过简化经典的检测网络(Detection Network,DetNet),改进ScNet(Sparsely Connected Neural Network)检测算法,引入卷积神经网络(Convolutional NeuralNetworks,CNN)对三通道输入数据提取特征以减少训练参数,提出一种SConv(SparselyConnected Convolutional Neural Network)检测算法。与DetNet算法相比,该算法可同时降低计算复杂度和提高检测精度。在此基础上,进一步基于CNN构建信号降噪模块,并嵌入SConv网络,提出一种卷积神经降噪(Sparsely Connected Convolutional Denoising,SConv-D)网络辅助的大规模MIMO检测算法。此算法检测过程分为两级,第一级由SConv算法提供初始估计值,再将初始估计值作为降噪过程的输入,并由此构成算法第二级。实验结果表明,本文提出的SConv-D算法适用于QPSK、4QAM及16QAM等多种信号调制模式,在高阶调制模式下获得的性能增益尤为明显。此外,该算法能够适应各种比例的收发天线及数量规模的系统配置,尤其是在收发天线数量相等的情况下亦能获得更优的性能。本文算法还克服了MMNet在高阶调制情况下的性能平台效应,在16QAM调制、收发天线数量相等的情况下,SConv-D在10^(-2)误比特率上能获得接近2 dB的性能增益。

基于无线传播环境的无蜂窝大规模MIMO系统接入点部署优化

无蜂窝大规模多输入多输出(MIMO)系统通过在覆盖区域内部署大量的接入点(AP),可以为用户提供均匀、可靠的服务。传统的无蜂窝大规模MIMO系统采用随机部署,未考虑AP周围的路径损耗、阴影衰落散射物以及环境遮挡对覆盖质量的影响。为了考虑实际环境下无蜂窝大规模MIMO能实现均匀、一致的覆盖,提出了基于无线传播环境的AP部署方案。首先,通过混合概率路径损耗模型对无线传播环境进行表征,其次构建了以最大化平均吞吐量为目标的AP部署优化问题,最后将问题转化为马尔可夫博弈过程,并且基于多智能体深度确定性策略梯度(MADDPG)算法得出最优的AP部署策略。仿真结果表明,相比于传统的随机部署和现有AP部署策略,所提方案可明显改善复杂环境下的非均匀覆盖问题,为用户提供良好一致的均匀覆盖。

基于深度强化学习的毫米波大规模MIMO系统资源联合优化

针对毫米波大规模多输入多输出(multiple-input multiple-output,MIMO)系统中无线资源受限、功耗巨大且能量效率与系统容量相互制约而导致吞吐量和能量效率低的问题,提出一种基于深度强化学习(deep reinforcement learning,DRL)的资源联合优化方法。该方法采用三阶段策略,首先,构建射频波束成形器,通过少量的射频链降低硬件成本和总功耗;其次,利用有效信道状态信息设计基带预编码器;最后,设计应用双层DRL架构实现动态离散带宽和连续功率资源的分配。实验结果表明,与单级全数字预编码和混合预编码的均等资源分配方法及基于粒子群优化的资源分配算法相比,所提的联合优化方法显著提高了系统的吞吐量和能量效率。

基于CNN的毫米波无蜂窝大规模MIMO信道估计

针对小区间干扰导致蜂窝边缘无法满足不断增长的数据速率需求问题,毫米波无蜂窝大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统被认为是一种很有前途的解决方案。然而,毫米波的高频率、大带宽以及接入点配置的大量天线给信道估计带来了较大挑战。将毫米波大规模MIMO信道矩阵视为二维图像,结合图像去噪方法提出一种基于改进去噪卷积神经网络(Improved-Denoising Convolutional Neural Network,I-DnCNN)的信道估计算法。通过具有注意力机制的压缩与激励(Squeeze-and-Excitation,SE)模块,自适应调整提取的全局特征以增强对信道噪声特征的学习,根据接收信号估计出噪声等级图且增添为输入,提升对噪声的鲁棒性。最后,采用残差学习的方式获得估计信道矩阵。利用理论信道模型和基于波束追踪的信道数据集进行的仿真实验结果表明,与去噪卷积神经网络(Denoising Convolutional Neural Network,DnCNN)算法相比,所提算法在两个数据集下的信道估计精度可分别平均提升2.27 dB和2.60 dB。

融合残差SENet的毫米波大规模MIMO信道估计

在户外光线追踪场景下,针对毫米波大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统受户外环境噪声干扰导致估计精度低的问题,提出了一种融合残差挤压激励网络(Squeeze-and-Excitation Network,SENet)的条件生成对抗网络的信道估计方法。该方法采用条件生成对抗网络将低分辨率接收信号重建为高分辨率的原始信号完成信道估计,同时在生成器网络中引入SENet网络模块来抑制户外场景下显著性噪声干扰,提高估计精度;最后将残差网络中的残差块添加到SENet的放缩操作后,提高条件生成对抗网络的收敛速度。仿真结果表明,相较于正交匹配追踪算法、卷积神经网络、去噪卷积神经网络和条件生成对抗网络算法,所提方法在户外噪声环境下估计精度平均提高了约2.2 dB,且在高噪声强度下估计精度的提高更为显著。

基于均匀线性阵列的超大规模MIMO混合场信道估计算法

超大规模MIMO(extremely large-scale massive MIMO,XL-MIMO)是未来6G通信的关键技术之一。现有的XL-MIMO混合场信道模型大多对均匀线性阵列和单天线用户之间信道建模,且采用散射体最后一跳模型。若收发双端均配备线性阵列,现有的混合场信道估计方案将不再适用。为此,针对收发端均部署超大规模线性阵列的XL-MIMO场景,采用Saleh-Valenzuela模型进行信道建模,并提出了一种基于正交匹配追踪(OMP)的混合场信道估计算法。该算法首先利用角域变换矩阵对远场分量进行估计,然后通过极域变换矩阵估计近场分量。此外,引入克拉美罗-下界(CRLB)对所提算法进行评估。仿真结果表明,提出的混合场估计算法相较于仅考虑远场和近场的估计算法在信道估计性能上有约0.6 dB的提升。

无蜂窝大规模MIMO的接入点间同步与空口校准技术

无线通信系统中多个天线单元相干协作发送(CJT)技术的性能严重依赖于发送端已知信道状态信息(CSI)。为了避免CSI反馈,通常假设系统工作在时分双工(TDD)模式。利用TDD空口上下行信道的互易性,根据上行探测信道获得下行CSI。但是,实际系统中由于节点(AP)间存在同步误差及通道的非理想因素,上下行整体信道并不互易。研究了面向无蜂窝大规模MIMO的网络侧时频同步以及空口(OTA)校准技术。基于现网商用远端天线单元(RRU)以及同步技术,给出了大规模组网的同步和空口校准方案。结合试验系统,探讨了CJT对同步和校准的性能的要求以及无蜂窝大规模MIMO实现方式和节点天线配置,给出了校准相位的预测性能。

面向大规模MIMO的分块空间调制技术研究

广义空间调制(Generalized Spatial Modulation,GSM)是一种基于多输入多输出(Multiple-Input Multiple-Output,MIMO)系统的高效的数字调制技术,在传统调制符号之外同时通过激活天线模式组合发送信息比特。针对大规模MIMO系统中发送天线数量过多导致的激活天线模式组合的数量过多的问题,提出了一种分块空间调制算法,将每个发送天线子块的激活模式组合构成完整的激活天线模式组合,可有效降低大规模MIMO系统中发送端的调制复杂度。在接收端使用球形译码方法实现逐个子块的天线激活模式组合的解调,可以大幅降低接收端的计算复杂度。仿真分析表明,提出的球形译码算法可以在大幅降低计算复杂度的情况下,实现接近最大似然(Maximum Likelihood,ML)接收机算法的误比特率(Bit Error Rate,BER)性能,且可实现接收端检测性能和计算复杂度之间的最佳折衷。

超大规模MIMO阵列可视区域空间分布数据集

可视区域(VR)信息可用于降低超大规模多输入多输出(XL-MIMO)系统传输设计复杂度,但现有理论分析与传输设计多基于简化的VR统计分布模型。为评估分析XL-MIMO在实际物理传播场景中的性能,该文公开了XL-MIMO阵列VR空间分布数据集,其由环境参数设置、射线追踪仿真、天线场强数据预处理和VR判定准则等步骤构建。该数据集针对典型城区无线传播场景,建立了用户位置采样与场强数据、VR数据之间的关联,总数据条目数量达上亿级。进一步对其中VR形态、VR分布进行了可视化展示与分析,并以基于VR的XL-MIMO用户接入协议为例,利用该数据集对其在真实传播场景中的性能进行了仿真,为该数据集的应用提供了典型样例。

5G系统中一种大规模MIMO信号检测加速算法

在多输入多输出(Multiple Input Multiple Output,MIMO)系统中,由于MIMO系统配置的大量天线,传统检测算法难以平衡由于算法复杂度高造成的系统性能损失。在保证达到较好性能的前提下,尽可能降低复杂度,提出一种基于分块矩阵和修正因子的MBSOR(Block-Modification Successive Over-Relaxation)检测算法,该算法对滤波矩阵进行分块使对角矩阵获得更多的信道信息,并针对迭代矩阵引入修正因子,以进一步加快收敛速度。通过该算法与传统逐次超松弛(Successive Over-Relaxation,SOR)算法模拟仿真,表明MBSOR算法在减少重复次数的同时,比SOR算法的误码率更逼近最优解。

无蜂窝大规模MIMO中的大规模随机接入

研究了以用户为中心的无蜂窝大规模多输入多输出(MIMO)架构下的大规模随机接入方案。为实现可扩展架构,讨论了接入点(AP)与用户设备(UE)的关联以及AP的分簇方法。针对活跃用户检测(AUD),一种基于最大似然检测(ML)的方案被提出以获取活跃用户。通过调整阈值,可以得到不同精度的检测结果。利用AUD的检测用户集合,系统利用基于狄利克雷过程的稀疏贝叶斯学习(DP-SBL)完成信道估计(CE)。该算法可以充分利用AP的空间聚散特性,提高系统准确性。基于以上工作,我们提出了联合AUD和CE算法。仿真结果验证了所提方案在性能上的优越性。

U6G超大规模MIMO技术

为了满足不断攀升的数据传输速率需求,扩大频带宽度、增加天线数量是直接有效手段。在6G应用场景与关键能力的驱动下,6 425~7 125 MHz频段(U6G)超大规模多输入多输出(MIMO)技术成为满足6G需求的潜在使能技术之一。基于U6G超大规模MIMO系统的天线形态及信道特征,针对该技术面临的成本、开销、复杂度三重挑战,提出高效能U6G超大规模MIMO无线传输的总体设计目标,并展望其未来研究趋势。

基于广义投影梯度下降算法的深度学习大规模MIMO信号检测

为了提升大规模MIMO系统的信号检测性能,对由投影和梯度下降(gradient descent,GD)这2个基础操作构成的投影梯度下降(projected gradient descent,PGD)算法进行研究.在基于PGD算法的大规模MIMO检测器中,由于投影和GD操作的损失函数不同,迭代时需要使两者达到平衡,因此通过广义投影梯度下降(generalized projected gradient descent,GPGD)方法实现了投影和GD操作的灵活选取.GPGD方法中在多次的GD步骤后执行1次投影,与传统方式中交替进行投影和GD操作相比,具有显著优势;同时为了保证算法的收敛效率,也对GD操作的步长进行了探究.另外,通过对GPGD算法进行基于深度神经网络的迭代展开,进一步构建了自纠错自动检测器的检测框架,有效提升检测性能和效率.仿真结果表明,GPGD方法带来了明显的系统增益,具有显著的优越性.

基于Transformer大规模MIMO的CSI反馈网络

针对频分双工大规模多输入多输出系统中信道状态信息反馈方法反馈精度低的问题,提出了一种名为CDTransformer的基于Transformer和卷积分解(convolutional decomposition,CD)的CSI反馈网络。CDTransformer将卷积分解融入改进的Transformer结构网络中,在不增加计算复杂度的情况下提升网络性能,并通过对网络的全连接层进行二值化实现轻量级部署。针对用户端功率有限的情况,提出了一种MixedTransformer网络模型。其中编码器采用计算成本较低、结构简单的单层卷积神经网络,而解码器则采用与CDTransformer模型相同的结构。CDTransformer模型融合了Transformer结构和卷积分解,提高了CSI反馈精度并实现轻量级部署。此外,引入了MixedTransformer模型,结合了CDTransformer和卷积神经网络的优点,以在功率有限情况下提供更好的性能。结果显示,相比于CsiTransformer网络模型,CDTransformer网络模型在归一化均方误差和余弦相似度方面分别提高了37.7%和0.2%。

基于数字孪生信道的大规模MIMO信道低开销预测研究

准确的CSI对于大规模多输入多输出系统的性能优化至关重要,而其庞大的天线数量会给CSI获取带来巨大的开销与时延。提出了一种基于Crossformer网络的信道预测方法,利用该方法可以在数字孪生信道中获得准确有效的CSI,从而实现对物理信道的精准指导。具体地,将使用间隔多个时隙的历史CSI数据与孪生环境中终端的位置坐标作为神经网络的输入,首先通过维度分段模块将输入的多元时间序列嵌入到二维矢量数组中,以保留时间、空间以及跨维度信息,然后通过二阶注意层来捕获多维度间的依赖关系,最后通过分层编码器-解码器结构利用挖掘到的信道空时依赖关系和环境与信道跨维度依赖关系联合预测未来多个时隙的CSI。最后将所提出的信道预测框架与传统的LSTM与Transformer模型的预测性能进行比较,验证该方法的优越性。

基于深度展开的大规模MIMO低轨卫星预编码方法

低轨卫星通信系统能够提供低成本、低功耗、高灵活性的发射需要,为实现下一代移动通信系统的空天地海一体化发挥重要作用。将大规模MIMO技术应用于低轨卫星通信系统中,能够显著提升低轨卫星通信系统的能量效率与频谱效率,其中预编码作为大规模MIMO系统中的关键技术而被广泛研究。WMMSE方法是优化预编码问题的一种方法,尽管可以有效地找到局部最优解,但它需要矩阵求逆、二分搜索等操作,导致算法复杂度较高。鉴于此,提出了一种基于深度展开的大规模MIMO低轨卫星预编码方法。首先,采用Dinkelbach算法和WMMSE方法交替优化求解能效最大化问题。进而将迭代算法的每一次迭代展开为类似于神经网络每一层的结构,通过将矩阵求逆用一阶泰勒展开替代并引入矩阵形式的可训练参数,以降低算法复杂度。仿真结果表明,所提方法能够在逼近采用交替优化的低轨卫星预编码方法性能同时有效降低复杂度。

双极化天波大规模MIMO鲁棒预编码方法

天波通信利用电离层反射短波信号,在没有中继站的情况下能够实现数千公里的超长距离信号传输。此外,天波通信还具有广泛的覆盖区域、强大的抗干扰能力和良好的机动性,在应急救灾及边远地区信息服务等领域有重要价值。大规模MIMO应用于天波通信可以极大地提升系统性能,为了应对高移动场景下不完美CSI对天波大规模MIMO系统性能带来的严峻挑战,提出一种使用双极化天线的鲁棒预编码方法。通过建立双极化天波大规模MIMO后验信道模型,用统计方式描述信道估计误差、信道老化和空间相关性,给出相应的能效最大化优化问题。针对这一问题,提出了考虑交叉极化干扰的鲁棒预编码器设计的迭代算法。数值结果表明,与传统方法相比,所提算法能提高天波大规模MIMO系统的性能。