基于多点信道海图的低能耗网络覆盖结构优化

资源小区覆盖结构是实现超高数据密度类业务场景的关键覆盖结构之一,其具有弹性可扩展、高能效按需覆盖的特点。依托这种覆盖结构,研究了一种基于多点信道海图的资源小区优化方法,旨在发射功率约束下提高系统和速率。将多点信道海图感知到的相邻用户划分到同一资源小区,通过在资源小区内分配正交资源块和在资源小区间复用正交资源块的方式,减少系统干扰并提升系统和速率。仿真结果表明,该方法能够有效提高系统和速率,不需要用户位置信息和瞬时信道状态信息,并且在相同系统和速率的情况下,资源小区覆盖结构可以有效降低网络能耗。

无线知识驱动的大规模MIMO信道估计

大规模多输入多输出(multiple-input multiple-output, MIMO)技术能够显著提升无线通信系统的能量效率和频谱效率,其关键前提是获取精确的信道状态信息,然而导频复用造成的导频污染问题严重影响信道估计精度,成为制约大规模MIMO系统性能的核心难题.本文提出无线知识驱动的大规模MIMO信道估计模型,基于信道海图技术挖掘用户在角度域空间中的近邻关系作为无线信道知识,设计基于无线知识驱动的卷积神经网络(convolutional neural network, CNN)信道估计器(WKDCNN)提高信道估计精度.研究表明,在不同信噪比(signal-to-noise ratio, SNR)下,天线数、导频污染程度、训练集大小对所提方法的信道估计性能均有重要影响.仿真结果表明, WKD-CNN在高信噪比区域的归一化均方误差相较于传统信道估计算法、基于多层感知机(multilayer perceptron, MLP)和无信道海图知识驱动卷积网络的信道估计方法均明显降低.