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。

基于人工蜂群算法的去蜂窝大规模MIMO系统AP选择技术

为了提升去蜂窝大规模多输入多输出(multiple input multiple output,MIMO)系统中接入点(access point,AP)选择方案的性能,结合迫零(zero forcing,ZF)预编码技术和人工蜂群算法,提出了针对去蜂窝大规模MIMO系统用户端的AP选择算法。基于各个用户所需接收的信号,采用ZF预编码算法,使得所有AP都参与预编码,从而获得预编码信号;针对每个用户,利用人工蜂群算法,在优化目标为最大化用户的信道容量的前提下,求解相应的AP选择方案。仿真结果表明,相比于不进行AP选择的方案,提出的去蜂窝大规模MIMO系统的AP选择方案在信道容量性能方面表现更优。当用户数量为5、信噪比(signal to noise ratio,SNR)为40 dB、AP数量为40时,提出的AP选择算法对应的信道容量为14.8 bit/(s·Hz),与不进行AP选择的算法相比,信道容量提高5 bit/(s·Hz)。

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。

无蜂窝大规模MIMO系统信道估计中基于加权图的叠加导频分配

针对无蜂窝大规模多输入多输出(cell-free massive multiple-input multiple-output, CF-mMIMO)系统信道估计中导频污染问题,提出了基于加权图的叠加导频(superimposed pilot, SP)分配方案。首先分析导频污染对SP信道估计的影响,引入一种全新度量表示用户间潜在导频污染程度;其次根据接入点与用户间大尺度衰落系数完成用户加权干扰图构建,将系统吞吐量最大化问题转化为有容量最大k切割问题求解;最后采取顶点交换局部搜索算法实现SP次优分配。仿真结果表明:本文方案能够有效地改善SP信道估计误差以及系统吞吐量。

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%。

基于图神经网络的低复杂度无蜂窝大规模MIMO无线传输

波束成形是多天线无线通信网络研究中的基本问题之一。针对无蜂窝大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)多点联合发送中满足用户服务质量需求下的最大化系统和速率波束成形问题,利用网络历史数据,提出了基于图神经网络的波束成形智能优化算法,有效克服了传统优化算法在大规模多天线通信中计算效率低的缺点。仿真实验结果表明,所提算法的性能表现与传统优化算法接近,且具有更低的计算复杂度。

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。

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。

大规模MIMO蜂窝网络系统中的导频污染减轻方法

提出了2个减轻大规模天线蜂窝网络导频污染的方案:利用正交导频把蜂窝系统中的小区划分为两类一维大的天线阵列网络,每一类之内采用相同的导频,两类之间采用正交的导频,再利用导频功率控制方法减轻了导频污染。利用基站间的协调,以所有基站信道估计均方误差的求和最小为目标函数,寻求近似最优的导频序列长度和同导频用户发射导频时隙的分配方案,从而提高了信道估计的性能,提升了整个系统的下行链路可达和速率。

基于混合精度DAC的下行去蜂窝大规模MIMO-WPT系统能量效率研究

本文研究了采用混合精度数模转换器(Digital-to-Analog Converter,DAC)架构的下行去蜂窝大规模多输入多输出无线携能(Multiple-Input Multiple-Output Wireless Power Transfer,MIMO-WPT)系统.该系统中的用户(User Equipment,UE)收集接入点(Access Point,AP)发射的无线射频信号能量,基于加性量化噪声模型对量化后的能量信号建模,并引入混合DAC功耗模型,推导出UE收集到的能量(Harvested Energy,HE)和系统能量效率(Energy Efficiency,EE)闭式表达式.分析关键参数,如DAC精度、高精度DAC占比、AP/UE数目和AP发射功率等对下行WPT性能的影响.设计基于加速投影梯度(Accelerated Projected Gradient,APG)的EE最大化功率控制算法.该算法是一阶优化方法,且能求解出最优功率控制系数的闭式解,因此时间复杂度低,运行耗时短.仿真结果表明,与全低精度DAC结构相比,混合精度DAC结构可以同时改善HE和EE;对于不同高精度DAC占比的混合精度DAC结构,当除高精度DAC外的其余DAC的分辨率设置为5 bit时,在保证实现高HE的同时也可获得最优的EE;在中、低信噪比场景下,可以通过增大AP发射功率来改善系统EE;在UE数目较多的去蜂窝大规模MIMO-WPT系统中,所提的基于APG的功率优化算法不仅使等功率分配方案下的EE提升了约19.5%,而且同基于内点法的功率优化算法相比,运行耗时也大幅降低.

无蜂窝大规模MIMO-OTFS系统的上行信道估计方法

无蜂窝MIMO系统中,利用大规模天线与大规模宏分集,构建以用户为中心的架构,用户可以选择多个合适的接入点来获取服务,实现均匀的用户覆盖性能,从而可以更好地满足不断增长的移动通信服务需求。研究了采用OTFS调制的无蜂窝大规模MIMO系统的上行信道估计方法。首先,根据用户的位置关系,对用户划分组群,在有限的资源下服务更多的用户;然后,设计了用户上行导频结构,研究了基于LS和LMMSE的无蜂窝大规模MIMO-OTFS上行信道估计方法。仿真结果表明,提出的上行信道估计方法在不同用户速度和不同信噪比下都能够得到稳健的信道估计结果,同时,在有多个用户的无蜂窝大规模MIMO系统中,并且每个用户在高速移动的情况下,估计的结果也能够保持较高的准确度。

去蜂窝大规模MIMO系统中基于树种二进制差分进化的接入点选择算法

在去蜂窝大规模多输入多输出(Cell-Free Massive MIMO)系统中,大量接入点(Access Point,AP)同时为多个用户服务的连接方式会导致较大的功率损耗和回程链路开销。为了给用户选出最佳服务AP集合,本文提出了一种基于树种二进制差分进化的AP选择算法。首先,提出基于二进制差分进化的AP选择算法,通过多个个体的进化实现高维数据搜索的全局优化。其次,针对传统二进制差分进化算法容易陷入局部最优的问题,进一步给出基于树种优化的双机制搜索策略,利用搜索趋势(search tendency,ST)实现全局搜索和局部搜索的最佳平衡。最后,通过定义交叉率(crossover rate,CR)自适应递减准则,加快算法收敛速度。仿真结果表明,与现有算法相比,所提出的算法可显著提高系统和速率。

无蜂窝大规模MIMO中导频欺骗攻击检测方法

在无蜂窝大规模多输入多输出网络中,一方面,接入点(access points,APs)分布式部署导致信道硬化及利好传播现象不再显著,导频欺骗攻击(pilot spoofing attack,PSA)的恶意窃听者可以通过调整导频发送功率,得以模拟信道特性,传统依赖大尺度衰落先验信息的PSA检测技术不再适用;另一方面,基于信息论准则的PSA检测技术,需要比AP数量级高的导频样本进行观测,而信道估计阶段所耗费的时长无疑影响系统的频谱效率。针对这种情况,提出了一种基于信号子空间的欺骗检测(signal subspace based spoofing detection,SSBSD)方法。首先,在合法用户的训练序列上叠加一个随机序列,利用灵活检验准则对信源数量进行估计。其次,利用统计学中的线性收缩原理,对导频样本协方差矩阵进行优化,使观测样本的噪声特征值分布更好拟合信道噪声功率。最后,通过信号的正交补空间对观测矩阵进行投影处理,从而实现PSA检测。经仿真实验与理论分析,SSBSD方法无须大尺度衰落先验信息,也无须与AP数量级相同的导频长度,对PSA的导频发送功率十分敏感,在大尺度衰落未知、大尺度衰落时间相关或频谱资源受限的通信环境中,可以精确检测低电平功率的PSA。

去蜂窝大规模MIMO系统功率控制算法

针对移动通信流量需求持续增长的需求,同时考虑用户接入点选择和下行功率控制,对去蜂窝大规模多输入多输出(multiple input multiple output,MIMO)系统的用户体验进行优化。基于最大信号干扰加噪声比,为每个用户选择有效的服务接入点子集。在此基础上,针对为不同优先级用户提供不同服务质量的目标,建立长期功率约束下的下行链路加权功率控制优化问题模型。将该问题转化为凸优化问题,求解得出一组优化的下行链路功率控制系数。算法经仿真验证,能将去蜂窝大规模MIMO系统的95%用户频谱效率提升约11倍,同时有效提升高优先级用户的体验,对于去蜂窝大规模MIMO系统的研究具有一定参考意义。

基于神经网络的高并行大规模MIMO信号检测算法

随着5G和未来移动无线网络的不断发展,大规模多输入多输出(multiple input multiple output,MIMO)是其中的关键技术之一。随着天线数目的不断增加,给接收机的设计带来更高的挑战,复杂度过高的检测算法在实际中难以应用。本文将一种高并行(high-parallelism,HP)检测算法展开到神经网络中,单层神经网络基于该算法的每次迭代,并将其与可训练的权重参数和非线性神经单元相结合,提出基于网络结构HP-Net的方法。通过训练HP-Net得到最优可训练参数,进而提高检测性能。实验结果表明,所提方法相对传统最小均方误差(minimum mean square error,MMSE)算法复杂度更低,并能够得到更低的误码率;同时相对HP并行检测算法误码率性能更优。

基于SWIPT的去蜂窝大规模MIMO系统安全传输方法

基于无线携能通信(SWIPT)技术,研究分析了去蜂窝(cell-free)大规模多输入多输出(MIMO)系统的安全传输问题。Cell-free大规模MIMO是一种随着5G及6G发展而产生的一种新型网络架构,对实现SWIPT来说具备更为有效的优势,然而也面临更大的电磁波安全问题。首先从硬件设计和理论研究两个方面总结了SWIPT的研究现状,接着对基于SWIPT的Cell-free大规模MIMO网络进行了建模,为同时满足系统能量采集和安全性要求,针对存在主动窃听者的情况,提出了一种基于最大-最小公平算法的迭代功率控制方法,分析得到了可采集能量和可达速率的闭合表达式。数值仿真表明,该方法可以有效提高每个用户的可达速率和采集的能量,并将窃听速率降低到阈值以下。

基于指纹匹配的无蜂窝大规模MIMO三维定位方法

本文研究了无蜂窝大规模多输入多输出(Multiple input multiple output,MIMO)系统中基于指纹匹配的无线定位方法。假设服务区域内布设大量接入点(Access point,AP),每个AP配置水平均匀线性阵列天线(Uniform linear array,ULA)或垂直ULA。利用相互正交的线性阵列天线(Orthogonal uniform linear array,O-ULA)对不同地理位置用户的方位角和俯仰角进行辨识,提取无线信道的角度功率谱矩阵构建方位角和俯仰角指纹库。借助谱聚类算法对指纹数据库进行预处理,然后通过两阶段指纹匹配策略计算指纹相似度并排序,在指纹库中搜索与用户指纹相似度最高的参考点,并利用加权K近邻算法(Weighted K-nearest neighbor,WKNN)估计用户位置。仿真结果表明,所提方案和单天线方案、ULA方案、均匀矩形阵列(Uniform rectangular array,URA)方案相比能够获得更高的三维定位精度。

基于卷积神经网络的大规模MIMO-D2D的导频复用

大规模MIMO-D2D异构网络中,可以通过在蜂窝用户和D2D用户之间使用相同的频谱资源来提高频谱效率,但是在信道估计中,共享相同导频序列的用户之间会产生严重干扰。为了解决该问题,利用卷积神经网络,通过学习最优的导频分配来推断导频分配结果以减轻导频污染的影响。将用户在小区中的位置和相应的导频分配作为输入和输出标签,通过穷举法得到用户位置的最佳导频分配作为训练数据。经卷积神经网络导频分配系统(CNN-PAS)分析训练数据,利用所产生的推断函数提供近似最优的导频分配结果。仿真结果表明,该方案实现了近98.78%的理论上限性能。

去蜂窝大规模MIMO系统中基于迭代剔除的导频分配

针对去蜂窝大规模多输入多输出系统中导频污染问题,提出了一种基于迭代剔除的导频分配算法。首先利用各用户相对位置信息,为系统中用户建立适当半径的导频许可圈,为导频许圈的用户分配相互正交的导频,然后已经分配过导频的用户会从用户集剔除,不再参与后继导频许可圈中用户挑选和导频分配过程,最后利用贪婪导频分配算法为速率最低的用户更新导频。实验结果表明,基于迭代剔除的导频分配算法在合适的半径下可有效降低导频污染,实现去蜂窝大规模MIMO系统的网络吞吐量提升。

基于带内回程的全双工大规模MIMO异构网覆盖分析

在大规模多输入多输出(MIMO)系统中,带内全双工无线回程方案能够有效复用无线电接入频谱,大幅提高网络性能。为此,基于该方案构建大规模MIMO异构蜂窝网络模型,并假设网络元素分别服从独立齐次泊松点过程,利用随机几何理论分别研究宏蜂窝下行和小蜂窝上行链路信号干扰噪声比(SINR)的覆盖概率,分析不同参数对覆盖性能的影响。仿真结果表明,带内全双工无线回程方案能够有效提高系统频谱效率,但不能改善宏蜂窝和小蜂窝网络的SINR覆盖概率。