去蜂窝大规模多输入多输出非正交多址系统中基于量子菌群优化的接入点选择方案

去蜂窝大规模多输入多输出非正交多址(MIMO-NOMA)系统的接入点(AP)选择,对有效降低系统的回程链路开销、提高用户的下行可达速率影响较大。该文针对AP选择的去蜂窝大规模MIMO-NOMA系统下行链路建立了用户平均速率的表达式;在此基础上,提出了基于量子菌群优化(QBFO)的AP选择方案,将AP与用户的连接关系以量子比特的形式编码,利用自适应量子旋转门模拟细菌趋化,实现细菌位置更新,通过对量子细菌种群进行测量,获得AP与用户的选择解集,并引入驱散操作避免算法陷入局部最优。实验结果表明,所提方案能够在降低回程链路开销的同时显著提高用户的下行平均速率,相较于基于接收功率和基于信道估计均方误差的AP选择方案,该文所提方案在降低用户间干扰、提高系统总吞吐量方面表现更优。

大规模多输入多输出系统的信道估计及性能

在大规模多输入多输出系统中应用深度学习进行信道估计的性能优于传统信道估计算法的性能,并且能有效地降低导频开销。因此,在配备低分辨率数模转换器的大规模多输入多输出系统中提出基于注意力机制的生成对抗性神经网络模型,用于提高信道估计性能。仿真结果表明,当使用少量导频时,对抗性神经网络模型能够获得比传统方法更为准确的信道状态信息,具有更强的鲁棒性。

基于AAT模型的毫米波大规模MIMO系统信道估计

针对毫米波大规模多输入多输出信道具有时间相关性、系统易受噪声因素影响导致信道估计精度低的问题,提出了一种基于改进的时序卷积神经网络信道估计方法。该方法将仿真获得的信道矩阵以二维图像数据方式输入系统;利用时间相关性进行特征融合,构建集中注意力机制网络,增强系统模型对信道深层特征的提取能力;将AAN嵌入时序卷积神经网络中进行训练;系统输出去噪后的二维图像,即信道估计矩阵。仿真结果表明,所提信道估计方法在性能和复杂度方面优于传统的信道估计方法,并且当测试场景发生改变时依旧具有鲁棒性。

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。

基于GSIC的无小区大规模MIMO-NOMA系统下行可达速率分析

探索了无小区大规模多输入多输出(Multiple-input multiple-output,MIMO)系统与非正交多址接入(Non-orthogonalmultipleaccess,NOMA)的融合方案,将基于群体串行干扰删除(Group successive interference cancellation,GSIC)的NOMA技术应用于无小区大规模MIMO系统下行链路,并提出根据用户等效路径损耗对用户进行群体划分的方法,推导得出基于GSIC的无小区大规模MIMO-NOMA系统下行链路用户可达速率表达式。仿真结果表明,相比于传统的串行干扰删除(Successive interference cancellation,SIC)-NOMA系统,基于GSIC的无小区大规模MIMO-NOMA系统在可达速率方面具有明显优势。

RIS辅助的无小区大规模MIMO系统中信道估计及谱效分析

无小区大规模多输入多输出(cell-free massive multiple input multiple output,Cell-Free mMIMO)技术打破传统蜂窝小区边界,从根本上解决了小区间干扰问题,从而大幅度提高系统吞吐量;同时,基于超材料的可重构智能表面(reconfigurable intelligent surface,RIS)可实现对无线电磁环境的智能操控。针对RIS辅助的无小区mMIMO系统,基于叠加导频(superimposed pilot,SP)复用模式,提出了一种基于吉洪诺夫正则化(Tikhonov regularization,TR)的迭代信道估计方法,在此基础上,从理论上推导了系统上行频谱效率(spectral efficiency,SE)的闭合表达式,通过最大化系统SE研究了SP复用模式的最优功率分配因子。仿真结果表明,采用该信道估计方法可有效提升系统SE。

基于级联角度的AIRS辅助大规模MIMO系统波束跟踪方案

智能反射表面(intelligent reflecting surface,IRS)可以通过提供额外的视线(line of sight,LoS)路径补偿传播损耗或解决阻塞问题,有效地提高毫米波(millimeter wave,mmWave)通信系统的性能,被认为是下一代移动通信的核心技术。与传统的地面IRS相比,部署在无人机、热气球等空中平台上的空中IRS(aerial IRS,AIRS)结合了空中平台的高移动特性/旋转特性和IRS提供的优质链路特性,可以提供更广阔的信号覆盖范围。考虑到现实场景中用户的移动性,通信系统有必要实时调整波束成形以使波束对准移动用户。然而,AIRS不具备有源射频链,难以在AIRS处获取离开角和到达角,增加了波束跟踪的复杂性。针对这一问题,建立了具有时变信道的AIRS辅助mmWave大规模多输入多输出(multiple input multiple output,MIMO)系统模型,结合基站端有源波束成形、AIRS的旋转角度和无源波束成形设计,提出了一种基于级联角度的无迹卡尔曼滤波波束跟踪方案。仿真结果表明,提出的方案具有较高的跟踪精度,同时AIRS的旋转特性对提升系统可达速率起着重要作用。

基于深度学习的下行大规模MIMO OFDM系统的1比特预编码算法

大规模多输入多输出(MIMO)系统中通过在基站端配备数百根天线,在提高频谱利用效率的同时,也带来了系统成本的增加。本课题组之前提出了一种适用于下行大规模MIMO正交频分复用(OFDM)系统的收敛保证的多载波1比特预编码算法(CG-MC1bit),能够获得较优的系统性能,但相应的计算复杂度较高,阻碍了其在实时系统中的应用。为进一步解决大规模MIMO系统中的成本和功耗问题,该文提出了一个模型驱动的神经网络,在CG-MC1bit算法的基础上迭代展开(Unfolding)得到了一种更加高效的CG-MC1bit-Net算法。具体而言,将迭代算法展开为一个神经网络,并引入可训练的参数来替代前向传播中的高复杂性操作。实验结果表明,该方法能够自动更新参数,与传统的预编码算法相比,收敛速度更快,计算复杂度更低。

IRS辅助大规模MIMO系统中抑制残余硬件损伤的AQBFO无源波束赋形方案

由通信收发机硬件非理想特性导致的残余硬件损伤在智能反射面(Intelligent reflecting surface,IRS)辅助的大规模多输入多输出(Multiple-input multiple-output,MIMO)系统中难以避免,并且会严重降低上行用户的可达和速率。针对这一问题,本文提出了一种基于自适应量子菌群觅食优化(Adaptive quantum bacterial foraging optimization,AQBFO)算法的无源波束赋形方案,用于抑制残余硬件损伤对系统性能的影响。首先,基于统计信道状态信息(Channel state information,CSI)推导出系统上行可达和速率的近似解析表达式。然后,以最大化和速率为目标,基于AQBFO算法对无源波束赋形进行优化。仿真结果验证了在IRS辅助大规模MIMO系统中,基于AQBFO算法的无源波束赋形方案能够有效抑制残余硬件损伤的影响,并显著提升系统的上行遍历和速率。

基于AI通信的大规模MIMO信道状态信息反馈网络

在大规模多输入多输出系统中,由于天线数量的增加导致信道状态信息反馈带宽开销增大。为了减少反馈开销,提出了一种基于深度学习的反馈网络。该网络将卷积注意力模块和快速迭代收缩阈值算法(Fast Iterative Shrinkage Thresholding Algorithm,FISTA)进行了结合。为了贴合实际应用,考虑到了噪声情况,分析了阈值敏感度。仿真结果表明,该网络在不同环境下其性能和鲁棒性可以得到进一步提高。

基于统计CSI的空中智能反射面辅助大规模MIMO系统传输优化方案

智能反射面(IRS,intelligent reflecting surface)被认为是下一代移动通信的核心技术,其在增强网络覆盖、频谱效率、能源效率和部署成本方面具有显著优势。空中智能反射面(AIRS,aerial intelligent reflecting surface)结合了空中平台的高移动性和智能反射面提供的优质链路特性,可以有效解决复杂通信场景中基站与用户之间易受障碍物阻挡的问题,从而增强网络覆盖。针对AIRS辅助的多用户大规模多输入多输出(MIMO,multiple input multiple output)系统,研究了基站波束成形、AIRS部署位置与相移设计的联合优化问题。在已知统计信道状态信息(CSI,channel state information)的条件下,提出了一种基于块坐标下降(BCD,block coordinate descent)的系统遍历和速率优化方案。首先,建立了一个联合优化基站端波束成形、AIRS的部署位置与AIRS相移的复杂优化模型。其次,通过BCD算法,将非凸优化问题解耦成3个易于处理的子问题。最后,分别采用拉格朗日乘子法、松弛变量法和RMSProp梯度下降算法求解子问题。仿真结果表明,所提出的优化方案有效地提高了系统的遍历和速率,并且具有较好的收敛性。

RIS辅助去蜂窝大规模MIMO系统低复杂度预编码算法设计

构思了一种智能超表面(Reconfigurable Intelligent Surface, RIS)辅助去蜂窝大规模多输入多输出(Cell-free Massive Multiple-Input Multiple-Output, CF mMIMO)通信系统,提出了一种低复杂度预编码和RIS反射相位交替优化(Alternating Optimization, AO)算法。对于传统正则化迫零(Regularized Zero Forcing, RZF)预编码算法复杂度过高的问题,利用共轭梯度(Conjugate Gradients, CG)法,提出一种低复杂度的RZF-CG预编码算法,将RZF预编码的逆矩阵转换为线性方程组最小化问题,推导算法的残差以更新搜索方向,迭代求解逆矩阵。以最大化系统用户的总频谱效率为目标,推导了RIS相位闭合表达式,基于统计的信道状态信息提出一种低复杂度的投影梯度上升(Projected Gradient Ascent, PGA)算法。仿真结果表明,所提的AO算法能有效地提升系统性能,算法复杂度降低了约73.2%。

星地链路中基于毫米波大规模MIMO的混合预编码算法研究

为了提升星地链路通信系统频谱效率,针对毫米波(millimeter Wave,mmWave)大规模多输入多输出(Massive Multiple Input Multiple Output,Massive MIMO)系统,在正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法的基础上,提出了一种改进的OMP(Improved-OMP)混合预编码算法。针对星地链路间通信的特定场景,引入了基于扩展的Saleh-Valenzuela(S-V)信道模型;针对OMP算法中求解模拟预编码矩阵时存在迭代次数过多的问题,在结合多步长思想的基础上,从天线阵列响应集合中选取与射频链路(Radio Frequency Chains,RF Chains)相等的前多列作为模拟预编码矩阵;为了克服OMP算法中的伪逆运算复杂度较高的问题,结合矩阵分解和Hölder不等式简化了数字预编码的求解。仿真结果表明,在理想的信道状态信道条件下,当RF Chains的数量和数据流的数量之间的差距较小时,Improved-OMP算法可以获得更优的性能。Improved-OMP方案有效地降低了计算复杂度。

大规模多输入多输出系统中基于匹配博弈的导频分配算法

为了使得大规模多输入多输出(MIMO)系统的上行链路可达速率最大化,提出一种基于匹配博弈的导频分配(PA-MG)算法.在用户侧,根据用户效用函数生成对导频的偏好列表,并向排列最优的导频发出申请;在基站侧,根据导频效用函数生成对请求用户的偏好列表,并依次将导频分配给排列最优的用户,直到完成所有用户的导频分配.仿真结果表明:相比于潜博弈的导频分配(PG-PA)算法,所提PA-MG算法支持的小区规模更大、复杂度更低;相比于WGC-PD(Weighted Graph Coloring Based Pilot Decontamination)算法,PA-MG算法能够获得更大的上行链路可达速率,各用户的信干噪比分布更均匀,且对阴影衰落的鲁棒性更强.

大规模多输入多输出下的容量优化算法

针对3D相关信道中大规模多输入多输出系统的遍历和速率最大化问题,将空间自由度、信道估计精准因子引入预编码的容量分析中,提出一种联合优化问题的容量优化算法。推导空间自由度、信道状态信息准确度下的系统容量表达式,将系统容量最大化时的联合优化问题转化为用户数优化问题的条件,并基于中点法求优化问题的最优解。仿真结果表明,当信道估计精准因子为0.1、空间自由度为200时,该优化算法与基于用户数穷举搜索算法优化后的遍历和速率、用户数几乎相等,且收敛速度快、复杂度低。

单用户毫米波大规模多输入多输出系统的几何均值混合预编码

针对奇异值分解在不同的信道及信噪比中进行比特分配造成的误码问题,提出了一种基于几何均值分解的混合预编码算法。在同时考虑预编码器和合成器的情况下,首先在基站端用奇异值分解设计数字编码器,利用基追踪原理设计模拟预编码器。然后在接收端采用启发式算法来设计数字合成器和模拟合成器。仿真结果表明,提出的混合预编码方案比传统基于奇异值的混合预编码具有更低的误码率,且频谱效率更接近理想值。

基于压缩感知的大规模多输入多输出空间共稀疏信道估计

针对频分复用双工方式的大规模多输入多输出(MASSIVE MIMO)系统在虚拟角域信道中估计精度较差的问题,提出一种基于门限的稀疏度自适应匹配追踪(BT-SAMP)算法。该算法融合了回溯正交匹配追踪(BAOMP)算法的原子选择特性和稀疏度自适应匹配追踪(SAMP)算法的自适应特性,将BAOMP算法的"添加原子"规则作为SAMP算法的原子选择预处理,通过合理的阈值添加固定的原子,然后延续SAMP算法的步长迭代自适应特性,寻找到信道矩阵近似系数最大,达到了提高SAMP算法估计精度、加快算法收敛的目的。仿真结果表明,在低信噪比(SNR)情况下,与SAMP算法相比,信道估计精度均有提高,特别是信噪比在0~10 d B时,其估计精度提升4 d B,算法的运行时间减少约61%。

基于Grid-PARAFAC的毫米波大规模多输入多输出系统联合信道估计算法

针对在毫米波大规模多输入多输出系统中超密集组网存在干扰的问题,提出了基于Grid-PARAFAC(grid-parallel factor analysis)的联合信道估计方法。首先,将大规模天线的高维接收信号映射到大尺度张量空间,利用Grid-PARAFAC张量分解将其分解为子张量接收信号;然后对子张量接收信号并行张量分解得到符号、接收天线和子载波的子投影矩阵;最后,通过交替最小二乘准确求得隐藏高维接收信号中的信道信息。通过Grid-PARAFAC张量分解能够在保留原始空间信息的条件下深度挖掘数据隐藏因子,并对其处理而不是整个数据张量,降低了接收信号维度,同时又保留着高维接收信号的空间结构互相关信息。仿真结果表明,所提算法减少了超密集组网所存在高维度信道干扰,降低了计算复杂度,提高了系统性能。

基于天线分组的高铁大规模多输入多输出自适应波束赋形方案

针对高铁大规模多输入多输出(MIMO)系统的吞吐量未被充分提升的问题,提出一种基于天线分组的自适应波束传输方案。首先利用基站(BS)预知的列车位置信息,并将波束赋形技术引入高速场景,建立高铁大规模MIMO的三维模型;其次验证BS天线分组情况下,子波束的吞吐量与其对应的发射天线数满足非线性关系,且子波束天线数变化并未对其他波束的吞吐量产生影响。基于此,以天线分组的自适应波束赋形方案对列车运行至不同位置的波束数和子波束所需的发射天线数进行调整,保证不同位置的最优系统吞吐量。计算机仿真表明,该方案与传统的单波束、双波束、八波束相比,在列车距基站125 m范围内分别实现了系统吞吐量87.9%、62.3%、50.6%的提升,在125 m之外与单波束赋形的系统吞吐量相近。实验结果表明,所提方案无论列车距BS较近或较远时,系统吞吐量均处于最佳水平,更好地适应高速铁路环境。

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。