基于消息传递的大规模多用户MIMO低复杂度的检测算法

针对大规模多用户多输入多输出（MIMO）系统中基站端检测复杂度高的问题,提出了一种低复杂度、基于强制收敛的变量节点全信息高斯消息传播迭代检测（VFI-GMPID-FC）算法。首先对传统的GMPID算法进行改进,得到VFI-GMPID算法,VFI-GMPID算法的检测性能逼近最小均方误差检测（MMSE）算法,但复杂度要大大低于MMSE算法。然后结合强制收敛思想和VFI-GMPID,提出VFI-GMPID-FC算法,进一步降低算法复杂度,提升检测效率。最后通过仿真结果表明,所提算法在保证检测性能的同时,能有效地降低算法的复杂度。

大规模多用户MIMO系统导频波束形成预编码算法及仿真

为了降低大规模多用户MIMO系统中用户侧信道状态信息获取的开销,提出了一种基于导频预编码的波束训练算法.结合用户可达速率,采用几种不同线性预编码算法,给出了导频波束形成预编码算法.对该算法进行仿真,分析其在不同天线数和用户数条件下的频谱效率、信噪比以及相干时间间隔的关系.仿真分析结果表明:在相干时间间隔符号数大于50时,该算法频谱效率显著优于未采用导频预编码算法.信道估计开销不依赖于基站天线数目,仅与用户数目成正比.采用上述算法可有效降低MIMO系统中用户侧信道状态信息获取的开销.

毫米波大规模多用户MIMO的混合预编码研究

在毫米波大规模多输入多输出(MIMO)系统中,为了减小全数字预编码时硬件安装复杂度及安装费用,以及克服毫米波传输衰减大的问题,本文探讨一种线性混合预编码方法。首先分析了一个可渐近最优的线性模拟预编码方案,该方案可通过迭代处理就能实现。在此迭代模拟预编码基础上,本文进而在数字预编码方面考虑块对角化(BD)和最大比传输(MRT)两种线性方案,并在不同的参数下对MRT与BD进行仿真对比。仿真结果表明,在低信噪比和用户数少时,MRT性能优于BD,而在其它情况下,BD性能优于MRT。

基于空间相关性的大规模多用户MIMO预编码

由于FDD(frequency-division duplex)系统的信道不具有互易性,使得大规模MIMO(multiple-input multiple-output)系统发射端对多天线信道信息的获取变得十分困难。为了解决基站获取信道状态信息的问题,可以采用双重结构预编码方案,将对长期CSIT处理的波束成形和随后对短期CSIT处理的线性预编码进行级联,可以有效地降低反馈开销。预编码矩阵由基于空间相关性的预波束成形矩阵和基于短期CSIT的传统预编码矩阵决定。通过将具有空间相关性的用户进行分组,并将分组后的用户的信道矩阵与基于空间相关性的相同的预处理矩阵相乘,使预编码信号空间的维度降低。

大规模多用户MIMO系统中的低复杂度混合预编码方案

大规模多输入多输出(MIMO)可提供相当大的系统容量,但代价是硬件的高复杂性。本文提出了一种低复杂度的混合预编码方案phased-ZF(PZF),具有接近传统迫零(ZF)预编码的性能,其原理是在RF域仅进行相位控制,而在基带部分则进行低维基带ZF预编码。通过稀疏散射毫米波信道的仿真,证明了本方案的正确性。

大规模离散MU-MIMO:低复杂度、信息理论最优检测与多用户编码

研究了一种实际的大规模离散多用户多输入多输出(MU-MIMO)系统,涵盖了大规模天线与用户、实用的信道编译码、任意输入分布、仅接收机已知信道状态信息、一般右酉不变信道矩阵、模数转化器等实际通信约束。针对理想和低分辨率模数转换器下的大规模离散MU-MIMO系统,分别提出了低复杂度、信息理论最优接收机和多用户码设计准则,并给出实际多用户低密度奇偶校验码(LDPC)设计。数值实验证实所设计的多用户LDPC比现有的单用户LDPC获得了2~5dB性能增益,同时还解决在信道恶劣和低分辨率模数转换器下单用户码无法准确恢复信息的难题,揭示了现有贝叶斯最优接收机与单用户码直接结合不再是最优方案。

智能反射面辅助多用户大规模MIMO系统的联合波束成形

智能反射面(Intelligent Reflecting Surface,IRS)作为面向第6代通信的关键技术之一具有创新、高效、节能和成本效益高等特点,但其联合波束成形设计为非凸优化问题,仍然是具有挑战的难题。为此,提出了一种用于IRS辅助多用户大规模多输入多输出系统的联合波束成形设计方案,以实现系统数据速率最大化。该方案在基站端采用迫零波束成形以消除用户间干扰,同时在IRS端设计了近最优反射波束成形以实现系统和数据速率最大化。仿真结果表明,该方案可获得较高的系统和数据速率,也为IRS位置布局的选择提供了数据支持与参考准则。

面向大规模MIMO下行多用户迫零预编码的交替训练研究

为解决频分双工大规模MIMO的信道获取开销问题,针对服务质量保障与基站采用迫零(ZF)预编码的典型场景,引入对信干噪比(SINR)的监督机制,设计多用户逐根天线交替训练方案。进而考虑交替训练引入的时间开销,设计基于天线分组的多用户交替训练方案。然后推导了2种方案的平均训练长度、传输成功率以及平均有效和频谱效率闭合表达式。理论与仿真揭示了发射功率、SINR阈值、用户数、分组长度与信道误差水平等参数的影响,并证明相比全训练与部分训练,所提方案可显著降低导频开销,提升传输成功率。

多用户大规模LDPC-SM-MIMO联合分层消息传递检测

对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,消息传递检测(Message Passing Detection,MPD)是常用的检测算法,但其复杂度较高。针对该问题,引入基于分层消息传递机制的分层MPD(Layered MPD,LMPD)算法以加快算法收敛速度,降低算法复杂度。进一步,将低密度奇偶校验码(Low-density Parity-check,LDPC)与SM-MIMO系统相结合,提出联合LMPD-BP(Joint LMPD Belief Propagation,JLMPD-BP)算法,LMPD算法可利用BP算法反馈的概率信息,提升系统检测性能。理论分析与仿真结果表明:与传统MPD算法相比,LMPD算法在不损失误码率性能的前提下可加快算法收敛速度,当信噪比(Signal-to-Noise Ratio,SNR)为4 dB时,MPD算法需3次迭代才能达到收敛,而LMPD算法仅需2次迭代即可收敛;同时,通过与LDPC码结合,JLMPD-BP算法极大地降低了系统误码率,如在迭代次数为(2,2,2)、SNR=2 dB时,与迭代次数为(4,4,0)的LMPD-BP算法相比,JLMPD-BP算法的误码率由10-2降至5×10-3。

毫米波大规模MIMO-NOMA系统用户分簇和功率分配设计

针对多用户毫米波大规模多输入多输出-非正交多址接入(MIMO-NOMA)系统功率分配计算复杂的问题,提出新用户分簇和功率分配方案,提高系统的频谱效率。首先改进基于簇头选择的用户分簇方案,根据真实信道动态选择阈值并确定分簇数目,使分簇结果更适合实际情况,用户从波束中获得更大增益。然后以最大化系统频谱效率和能量效率的加权和为目标设计功率分配,使用改进的元启发算法求解。通过对粒子群(PSO)算法引入新的矢量成分和添加余弦扰动使算法更快收敛到全局最优值,并融合沙猫优化(SCSO)算法使算法结果更加精确。仿真结果表明,与现有算法相比,本文提出方案的频谱效率和能量效率优于传统方案,且更适合多用户情况。

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。

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。

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。

低复杂度的大规模MIMO分布式信道估计

针对大规模多输入多输出(multiple-input multiple-output,MIMO)系统传统信道矩阵获取方式导频开销大、计算复杂度高的问题,提出了一种低复杂度的二阶段分布式信道估计方案。该方案的初始阶段在基站侧采用传统压缩感知算法恢复信道矩阵,第2阶段在用户端利用信道的时间相关性,将大规模MIMO的角度域信道分解为密集部分和稀疏部分,并分别估计以实现连续信道追踪。稀疏部分信道通过所提的分布式自适应弱匹配追踪(distributed adaptive weak matching pursuit,DAWMP)算法,利用子信道的联合稀疏性进行多维重建。相比于线性最小均方误差(linear minimum mean square error,LMMSE)算法,所提方案的信道分解策略有效减少了在用户端进行信道估计的计算复杂度。仿真结果表明,所提算法与经典压缩感知信道估计算法相比,计算复杂度降低了约33%,算法性能提升了约0.5 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。

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。

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。