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。

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。

RIS辅助的无蜂窝大规模MIMO关键技术研究

针对密集蜂窝组网干扰受限难题,无蜂窝大规模MIMO利用大规模宏分集,构建以用户为中心的新架构,大规模灵活协作显著提升每个用户性能。同时,无蜂窝辅以智能超表面技术,以低成本和低功耗极大提升网络容量。聚焦研究了RIS辅助的无蜂窝大规模MIMO天线校准和导频分配两个关键问题。针对大规模RAU校准难题,首先在最低校准信噪比和校准相干时间约束下,提出动态分簇的可自愈校准拓扑构建方法,然后为降低校准时域开销,设计了RAU簇内和簇间校准时序,研究了可扩展的天线校准算法,能实现任意多RAU联合相位校准。针对导频分配问题,首先提出基于空间高相关性的用户动态簇的构建新方法,然后提出用户簇内基于信道相关性最低和用户簇间最小复用概率的导频分配方法。仿真结果表明,提出的校准算法具有较小的校准误差和较好的扩展性。同时,提出的导频分配算法性能可逼近最大化容量导频分配算法,且复杂度大幅降低。

无蜂窝大规模MIMO网络下基于联邦学习的用户接入策略及能耗优化

针对无蜂窝大规模多输入多输出(CF-mMIMO)网络中用户如何选择接入点的问题,提出了一种基于信道排序的较差用户优先接入策略。首先,用户进行信道感知后对其信道质量和稳定性进行评估和排序,用户按照信道状态信息的顺序依次选择合适的接入点;其次,考虑到用户的能耗与数据安全等问题,采用联邦学习框架以增强用户的数据隐私安全,并提出一种基于能耗优化的交替优化变量算法,对多维变量进行优化,使系统总能耗最小化。仿真结果表明,相较于传统的大规模MIMO中用户为中心的接入策略,所提接入策略可使用户平均上行可达速率提升20%,信道较差用户的上行速率可提升2倍;在能耗优化方面,优化后的总能耗可降低50%以上。

无蜂窝大规模MIMO中基于深度强化学习的无人机辅助通信与资源调度

无蜂窝大规模多入多出(MIMO)网络中分布式接入点(AP)同时服务多个用户,可以实现较大区域内虚拟MIMO的大容量传输;而无人机辅助通信能够为该目标区域热点或边缘用户提供覆盖增强。为了降低反馈链路负载,并有效提升无人机辅助通信的频谱利用率,该文研究了基于AP功率分配、无人机服务区选择和接入用户选择的联合调度;首先将AP功率分配和无人机服务区选择问题联合建模为双动作马尔可夫决策过程(DAMDP),提出了基于Q-learning和卷积神经网络(CNN)的深度强化学习(DRL)算法;然后将用户调度构造为一个0-1优化问题,并分解成子问题来求解。仿真结果表明,该文提出的基于DRL的资源调度方案与现有方案相比,可以有效提升无蜂窝大规模MIMO网络中频谱利用率。

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。

面向6G的无蜂窝大规模MIMO无线传输技术

无蜂窝是一种新型的组网方式,对6G超高峰值速率、超高频谱效率、海量连接以及超低时延和超高可靠传输均有重要的支撑作用。介绍了面向6G的无蜂窝大规模MIMO系统中的无线传输技术,包括高频段和低频段的无蜂窝大规模MIMO以及网络辅助全双工等关键技术,分析了无蜂窝系统面临的瓶颈问题,包括信道信息获取、分布式收发机设计、交叉链路干扰等,并提出了一些解决思路和新的研究方向。

无蜂窝大规模MIMO无线传输技术研究

由于传输能量的效率较低,导致MIMO系统整体数据传输效率也处于较低水平,为此,提出无蜂窝大规模MIMO无线传输技术研究。在对MIMO系统的发送端进行预编码处理阶段,采用了ZF线性预编码技术对,通过建立传输信道之间的渐近正交关系,消除MIMO系统中不同用户之间的相互干扰作用,降低无效传输能量消耗的总量。以MIMO系统的最大和容量作为用户调度的基准,采用穷举搜索算法实现对用户的最优调度,使得MIMO系统同时服务用户数量为其可执行的最大值。测试结果表明,设计传输技术下,平均能量效率始终稳定在61.44 bps/Hz/Joule以上,实际传输效率与理论值相比,接收功率最大差值仅为2.41d Bm,SNR最大差值仅为2.98d B。

无人机辅助无蜂窝大规模MIMO中的空地协同调度

无蜂窝大规模多输入多输出(multiple-input multiple-output,MIMO)技术采用大量接入点(access point,AP)为地面用户提供高效的通信服务,但在有高速移动用户的场景中,会加剧对信道状态信息的依赖。为了减少导频资源的消耗,提出了一种综合无人机(unmanned aerial vehicle,UAV)辅助通信和无蜂窝大规模MIMO通信的双系统架构,该架构能够预测高速移动用户的轨迹,利用无人机为其提供可靠通信;进一步提出了基于深度强化学习(deep reinforcement learning,DRL)的无人机轨迹设计和地面用户调度方案,在满足各类约束的前提下实现系统总和速率最大化。仿真结果表明,与现有方案相比,所提方案能够有效提升系统容量。

面向6G的无蜂窝大规模MIMO技术研究及专利分析

无蜂窝大规模多输入多输出(Cell-Free Massive MIMO)突破传统蜂窝网络架构中小区间干扰对系统性能的限制,通过提高宏分集增益和空间自由度,使边缘用户性能得到大幅提升,被认为是未来第六代(6G)移动通信系统的技术方案之一。基于此,文章对面向 6G 的无蜂窝大规模 MIMO 的基本概念、关键技术、相关专利分析和未来发展方向进行重点阐述,希望对相关人员提供帮助和指导,促进无蜂窝大规模 MIMO 技术在 6G的有效应用。

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。

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。

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。

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%。

去蜂窝大规模MIMO辅助的移动边缘计算系统计算任务卸载与分配策略

面向B5G和6G的新兴网络架构和技术服务需求,将去蜂窝大规模多输入多输出(cell-free massive MIMO,CF-mMIMO)赋能于移动边缘计算(mobile edge computing,MEC),有助于处理分布式物联网中的计算密集型和延迟敏感型任务。针对CF-mMIMO辅助的MEC系统,在能量限制下意在最大限度地减少完成不同任务类型的计算任务的延迟。为完成以上目标,设计了一种基于本地设备(user equipment,UE)、多接入点(access point,AP)和中心处理器的云-边-端协作的任务卸载策略。具体地,首先根据每个UE和AP服务的不同数据类型,利用凸优化和图匹配方法交替迭代,进行卸载关联和任务比例的优化;然后在回传链路的限制下,提出一种改进的二进制鲸鱼优化算法,将未分配终端和关联接入点任务进一步卸载至处理高效的云端。所提算法相较于蚁群优化算法、混合灰狼优化算法等其他的元启发式效果更优,在离散的卸载优化问题上表现较好,可以为分布式网络提供良好的卸载优化策略并大幅度降低整体网络的平均时延。

低分辨率ADCs/DACs和低质量RF链技术辅助的D2D协助去蜂窝大规模MIMO系统

为了有效地解决当前频谱资源稀缺的问题,同时满足未来对大规模的无线接入和高速率的急剧需求,本文提出了低分辨率模数转换(analog-to-digital converters, ADCs)/数模转换(digital-to-analog converters, ADCs)和低质量射频(radio frequency, RF)链技术辅助的终端直连(device-to-device, D2D)协助去蜂窝大规模多入多出(multiple-input multiple-output, MIMO)系统,通过D2D分担数据传输压力,低分辨率ADCs/DACs和低质量RF链技术可用于减少硬件开销,从而提升系统传输速率与能量效率。研究发现增加接入点(access points, APs) APs数量、AP天线数量和D2D用户(D2D user, DUE)天线数量可以有效地提升系统的总速率,当比特数等于16或质量因子等于1时,系统总速率和总能量效率达到最优。此外,增加DUEs密度可以极大地提升系统的性能。研究结果为未来去蜂窝大规模MIMO的实际部署提供了参考方案。

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。

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。