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。

无小区大规模MIMO系统中基于图着色的导频分配与功率控制算法

无小区大规模MIMO(Cell-Free Massive MIMO,CF-mMIMO)系统中大量的无线接入点在同一时间频率资源中服务所有的用户,具有较高的网络覆盖率和频谱效率,是下一代无线通信的前沿技术之一。然而,正交导频数量的限制以及用户信道质量的差异造成了较严重的用户间干扰。为了优化这一干扰问题,本文提出了无小区大规模MIMO系统中基于图着色的导频分配与功率控制算法。利用基于图着色的导频分配算法降低导频污染,提高了信道估计精度。在此基础上,通过最大-最小功率控制算法降低多用户同频干扰,满足了系统中用户的混合服务质量需求。数值仿真结果表明:所提出的基于图着色的导频分配与功率控制算法可以显著提高系统的95%用户频谱效率以及最小用户速率,较好抑制了CF-mMIMO系统中的用户间干扰。

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。

短期功率约束下的无小区大规模MIMO中的功率分配研究

文中考虑了一个下行无小区大规模多输入多输出(multiple-input multiple-output,MIMO)系统,其中M个单天线接入点(access point,AP)和K个单天线用户随机分布在服务区内,M> K。同一用户可以在同一时间、同一频率上被所有接入点服务。在短期功率约束(short-term power constraint,STPC)下,文中针对两种不同的优化问题分别提出了相对应的功率分配算法。第一个优化问题是在满足用户服务质量(quality-of-service,Qo S)约束的条件下最大化用户总速率,该问题可以利用连续凸逼近(successive convex approximation,SCA)的方法求解。此外,第二个优化问题是一个混合Qo S约束问题。它可以在保证高优先级用户(high propriety user,HPU)的QoS需求的基础上,为其余低优先级用户(low propriety user,LPU)提供相同速率的服务。该问题是拟凹的,因此可以通过二分法求解。仿真结果表明,文中提出的功率分配算法具有很好的性能。此外,同长期功率约束(long-term power constraint,LTPC)相比,STPC可以显著提高用户下行速率。

无小区大规模MIMO系统中免授权随机接入性能分析

海量机器类通信(mMTC)是5G网络的典型应用场景之一。以前的工作主要研究在传统蜂窝小区下的海量机器类通信,研究了无小区大规模多输入多输出(MIMO)网络中海量机器类通信的免授权随机接入中的联合检测问题。在该模型中,每个设备向接入点发送唯一的导频序列,接入点(APs)将接收到的信号发送到中央处理单元(CPU)进行集中联合检测。采用了近似消息传递算法(AMP)进行联合用户活跃性检测和信道估计。实验结果表明,无小区大规模MIMO系统可以支持大量的通信设备,解决传统小区间的干扰问题,提供一个增强的覆盖,它在很大程度上优于传统的蜂窝小区。

无小区大规模MIMO系统中基于叠加导频的上行频谱效率理论上限分析

无小区大规模多输入多输出(Cell-Free Massive MIMO)突破传统蜂窝小区的概念,被认为是未来移动通信中十分富有潜力的技术。该技术通过部署大量的分布式接入点(Access Point, AP)以获得充分的宏分集增益,以提高用户服务质量。受信道相干时间的限制,系统中可供用户分配的正交导频资源非常有限,部分用户将不得不复用相同的导频,从而常规的复用导频(Multiplexed Pilot, MP)配置模式将引起严重的导频污染问题。因此,本文利用叠加导频(Superimposed Pilot, SP)配置模式,基于线性最小均方误差(Linear Minimum Mean Square Error, LMMSE)准则和最大比合并(Maximum Ratio Combining, MRC)技术,研究了无小区大规模MIMO系统的信道估计,并从理论上推导了系统上行频谱效率(Spectrum Efficiency, SE)的上限闭合表达式。仿真结果表明,采用SP配置模式可有效减轻导频污染问题带来的影响,从而明显地提升系统的SE。

TDD模式下无小区大规模MIMO系统的导频干扰抑制

为了缓解无小区大规模MIMO系统的导频干扰、提高系统性能,提出了一种综合导频复用、AP选择和功率控制的导频干扰抑制策略。首先,提出了基于用户距离排序的导频分配,合理地避免了两个距离较近的用户复用导频,以减少导频干扰的影响。然后,通过分析系统吞吐量表达式中的影响因子确定AP选择的标准,只选择对用户的宏分集增益有主要影响的AP作为用户的服务AP。最后,提出了一种改进的最大最小功率控制算法,提高系统平均吞吐量。仿真结果显示,提出的导频干扰抑制策略有效地减轻了导频干扰带来的性能损失。

无小区大规模MIMO系统中结合贪婪导频分配的导频功率控制的算法

无小区大规模多输入多输出(multiple-input multiple-output,MIMO)系统具有广阔的频谱,但是导频训练阶段的导频污染严重影响了系统的性能,因此减少导频污染成为必要。为了减少导频污染,文中提出了一种结合贪婪导频分配的导频功率控制的算法。首先进行贪婪导频分配,此阶段提高了较低性能用户的有限性能。之后在合理的导频分配的基础上,进行导频功率控制,此阶段最小化了所有用户的归一化均方误差的最大值。两个阶段联合导频优化,提高了系统的网络吞吐量。仿真结果表明,文中提出的方法性能明显优于目前的研究所提出的分开优化导频分配和导频功率的方法性能。

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。

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。

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%。

用于大规模MIMO系统的改进自适应SOR检测算法

大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统由于具备较多的天线数,会导致传统线性信号检测算法如最小均方误差(Minimum Mean Square Error,MMSE)的复杂度过高。针对以上问题,提出了F修正的自适应超松弛迭代(F-corrected Adaptive Successive over Relaxation,FA-SOR)检测算法。该算法首先利用超松弛迭代(Successive over Relaxation,SOR)算法避免高阶矩阵求逆运算,降低复杂度;其次使用F修正的公式自动更新SOR算法迭代使用的松弛参数,同时优化迭代的公式与初始解来加快收敛速度。仿真结果表明,不论在理想独立信道还是相关信道下,相比于现有的自适应SOR算法,FA-SOR都能以更低的复杂度达到更低的误码率,同时逼近MMSE算法的性能。

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。

卫星辅助的去蜂窝大规模MIMO通感一体化系统

为了应对未来通信系统中物联网业务和数据业务需求的激增,以及通信与雷达频谱重叠导致的资源紧缺问题,同时提高系统容量和降低感知网络部署成本,卫星技术被认为是通信与感知一体化系统的有效辅助手段。对卫星辅助的去蜂窝大规模MIMO通感一体化系统架构进行深入研究,通过阐述信号处理流程,重点分析其通信性能,并利用仿真实验比较不同密集化部署和网络负载条件下的用户下行平均速率,验证了该系统有着比单纯地面去蜂窝大规模MIMO系统更优越的性能,为后续的星地融合通感一体化系统设计提供了指导和参考。

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。