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。

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。

一种基于联合加权和截断的毫米波大规模MIMO信道估计

提出一种联合加权和截断核范数的毫米波大规模多输入多输出(MIMO)信道估计算法。针对毫米波大规模MIMO信道估计问题中训练和反馈开销大的问题,首先利用毫米波信道天线角度域稀疏的特性,把信道估计问题转化为低秩矩阵恢复问题。采用一种有效而灵活的秩函数——联合加权截断核范数作为核范数的松弛,构造出一种新的矩阵恢复模型用于信道估计问题,以最小化加权截断核范数为优化目标,并利用交替优化框架求解。仿真结果表明,该方法可以有效地提高信道估计的精度,并且具有可靠的收敛性。

一种抑制残余硬件损伤影响的毫米波大规模MIMO混合预编码方案

在假设通信收发机具有理想硬件特性的前提下,毫米波大规模多输入多输出(MIMO)系统的混合预编码问题已经获得了广泛的研究。然而,由通信收发机硬件非理想特性导致的残余硬件损伤在毫米波大规模MIMO系统中难以避免,并且会严重影响混合预编码的性能。针对这一问题,该文建立了在收发机残余硬件损伤影响下的毫米波大规模MIMO混合预编码模型,提出一种基于流形优化的混合预编码方案。首先根据收发信号之间的修正均方误差建立优化目标,进而推导出数字预编码矩阵与数字组合矩阵的闭合表达式,然后基于黎曼流形处理恒模约束问题获得模拟预编码矩阵与模拟组合矩阵,最后进行收发机交替迭代获得混合预编码的优化结果。仿真结果表明,该方案有效抑制了残余硬件损伤对毫米波大规模MIMO系统的不利影响,显著提升了系统的性能。

基于两步噪声学习网络的波束域毫米波大规模MIMO信道估计

针对波束域毫米波大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统,构建了一种新型两步噪声学习网络(Two-step Noise Learning Network,TNLNet)。基本原理是在接收信号反复经过卷积层和池化层提取噪声特征的基础上,利用波束域毫米波大规模MIMO信道矩阵稀疏性所引起的相邻元素相近的特点,采用下采样将信道矩阵重构成4个子矩阵,提高训练测试效率。该算法具有以比全卷积去噪近似消息传递(Fully Convolutional Denoising Approximate Message Passing,FCDAMP)算法和学习去噪的近似消息传递(Learned Denoising-based Approximate Message Passing,LDAMP)算法更低的复杂度,取得了比最小二乘算法、最小均方误差算法、FCDAMP和LDAMP更优的归一化均方误差(Normalized Mean Squared Error,NMSE)性能;与快速灵活去噪卷积神经网络(Fast and Flexible Denoising convolutional neural Network,FFDNet)相比虽然复杂度略高,但具有更优的NMSE性能,且在单一训练模型中获得了比FFDNet更宽的信噪比适用范围,增强了实用性。

基于SLNR与矢量扰动的毫米波大规模MIMO双层混合预编码算法

在多用户毫米波大规模多入多出(Multiple Input Multiple Output,MIMO)系统中,针对现有基于信漏噪比(Signal-to-Leakage-plus-Noise Ratio,SLNR)准则的混合预编码算法未考虑用户信道质量不同和信道矩阵具有病态性的问题,本文提出了一种联合SLNR与矢量扰动(Vector Perturbation,VP)的双层混合预编码算法.该算法分两层设计预编码矩阵.第一层,考虑用户信道质量不同,提出了基于SLNR准则的匹配加权算法.该算法充分考虑信道系数、预编码矢量和组合矢量的影响设计信道加权因子,利用加权因子对SLNR算法进行改进,从而设计更优的混合预编码器,消除用户间干扰.第二层,根据第一层获取到的等效基带信道,利用迫零(Zero Force,ZF)消除用户天线间干扰.考虑到信道矩阵具有病态性,采用VP算法进一步处理.通过在发射信号上添加扰动矢量减小发射端功率增强的影响.仿真结果表明,相较于同类混合预编码算法,所提算法可以获取更好的误码率(Bit Error Rate,BER)性能和频谱效率.

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。

基于GSIC的上行链路毫米波大规模MIMO-NOMA系统低功耗传输方法

非正交多址接入(non-orthogonal multiple access,NOMA)和毫米波大规模多输入多输出(multiple-input multiple-output,MIMO)的结合能够支持未来无线通信网络的巨流量大连接需求。研究了上行链路毫米波大规模MIMO-NOMA系统中的功率最小化问题,提出了基于群体串行干扰消除(group-levelsuccessiveinterference cancellation,GSIC)的混合波束成形毫米波MIMO-NOMA上行传输系统新架构。具体来说,根据信道增益对用户进行群体划分,不同群体用户由NOMA服务,群体内用户采用空分多址区分。通过给不同群体设计模拟波束成形矩阵,对数字波束成形和功率控制进行联合优化,提出了一种并行迭代算法来解决优化问题。仿真结果表明,所提出的新架构在总功率方面优于传统的基于分簇和用户级串行干扰消除的毫米波大规模MIMO-NOMA。

基于改进OMP算法的毫米波大规模MIMO混合预编码设计

针对全连接单用户毫米波大规模MIMO系统,以最大化系统可达和速率为目标,提出一种基于改进的正交匹配追踪(orthogonal matching pursuit,OMP)算法的混合预编码方案。在既有的基于OMP算法的混合预编码基础上,首先,针对其迭代次数过多的问题,受多步长思想的启发,从阵列响应集合中选取与射频链路数目相等的最优的前多列矢量,从而求得模拟预编码矩阵;其次,针对其求逆运算复杂度高的问题,利用H9lder不等式及Schatten范数来逼近待优化的目标函数,从而求得最优的数字预编码矩阵。仿真结果表明,所提基于改进的OMP算法的混合预编码方案有效降低了运算复杂度,且在数据流数目与射频链数目相差较小时,其系统性能更优。

面向毫米波大规模极化敏感阵列的多径信号二维快速测向算法

作为B5G/6G的可能发展方向之一,毫米波大规模敏感阵列拥有诸多潜在的优势,如能提供高分辨率的二维波达角(2D-DOA)估计、可以实现极化保密通信等。关注极化敏感阵列中的相干源2D-DOA估计问题,提出了一种基于矩阵重排的快速估计方法。首先利用矩阵重排解决矩阵秩亏问题,再利用传播算子(PM)进行高效测向,并给出了算法相关性能的理论分析,包括计算复杂度、可辨识性和Cramer-Rao界。最后,通过仿真结果验证了所提算法的有效性。

毫米波大规模MIMO系统联合稀疏混合预编码优化算法

为提高毫米波大规模多输入多输出(multiple input multiple output,MIMO)系统频谱效率及误码率性能,提出了一种联合稀疏混合预编码优化算法.首先根据毫米波信道的角度稀疏特性重构波瓣信道,分别对每个波瓣子信道进行混合预编码优化设计;然后针对混合预编码设计中含有非凸约束的多元稀疏信号重建问题,利用数字预编码矩阵的隐含稀疏结构,设计波瓣内每个数据流模拟预编码的自有支撑集和共有支撑集;最后根据模拟预编码矩阵与数字预编码矩阵之间的相关性,联合优化设计模拟预编码和数字预编码矩阵.进行了计算复杂度分析以及仿真分析.结果表明:与OMP算法相比,文中算法计算复杂度降低了91%或93%;相较于SLD算法,文中算法的频谱效率性能提高、误码率性能更好.

5G毫米波大规模MIMO阵列失效特性分析

大规模MIMO阵列是第五代移动通信(5G)的关键技术之一.然而,阵列在经历了长时间工作之后,会出现部分通道失效的情况,从而对大规模MIMO阵列的辐射性能造成不同程度的影响.本文针对5G毫米波大规模MIMO阵列中不同数量通道失效以及失效通道处于不同失效状态时的辐射特性进行了系统的仿真与实验研究,并在此基础上对MIMO阵列的辐射性能进行了统计分析.提出并建立了大规模MIMO阵列部分通道失效状态下的方向图参数概率模型,对概率模型的结果和统计分析的结果进行了对比,验证了概率模型的正确性和有效性,所给出的概率模型可以代替基于大量样本的仿真或实验结果进行统计分析的方法,对有不同比例的通道失效及不同失效状态时阵列的辐射特性进行快速评估,直接得出阵列主要辐射参数的期望值和方差.此外,本文还分析了不同失效比例和状态下主要辐射特性的概率分布.

毫米波大规模MIMO系统中低复杂度混合预编码方法

针对毫米波大规模多输入多输出(MIMO)系统混合预编码方案设计的难点,提出了一种低复杂度混合预编码方法。首先基于奇异值分解,构造初始射频(RF)预编码矩阵,然后构造数字预编码矩阵。进而将残差矩阵最大左奇异矢量构造的矢量添加到RF矩阵的最后一列,以更新初始RF矩阵。经过多次迭代,从而形成最终RF预编码矩阵。最后基于最小二乘准则设计数字预编码矩阵。理论分析和仿真结果表明,相比于基于正交匹配追踪(OMP)算法的混合预编码设计方法 ,该方法在计算复杂度大幅下降的同时,其性能远远优于基于OMP算法的混合预编码方法,同时在数据流数相对较小时,其性能接近最优的全数字预编码设计方法。

毫米波大规模MIMO中基于部分连接的混合预编码方案

针对发送端为部分连接、接收端为全数字接收的毫米波大规模MIMO系统,提出了一种采用等效信道的奇异值分解(SVD)设计数字预编码矩阵与数字合并矩阵,并根据模拟预编码矩阵的块对角化特性,以系统可达和速率最大化为目标函数将等效信道分块求得最优模拟预编码矩阵的预编码方案。考虑本方案的硬件成本与功耗问题,在此基础上进一步提出接收端为部分连接的预编码方案,并利用迭代交替更新的方法来求模拟预编码矩阵和模拟合并矩阵。仿真结果表明,接收端采用全数字接收的混合预编码方案相较于基于可持续干扰消除法(SIC)的混合预编码方案性能更优,而接收端采用部分连接的方案虽然性能略低于基于SIC的方案,但功耗与硬件成本大幅度降低。

毫米波大规模MIMO无线传输关键技术

认为毫米波大规模多输入多输出(MIMO)无线传输能够拓展利用新频谱资源,深度挖掘空间维度无线资源,大幅提升无线传输速率,是未来无线通信系统最具潜力的研究方向之一。基于毫米波大规模MIMO无线传输基本架构,论述了信道建模、信道信息获取、多用户无线传输及联合资源调配等毫米波大规模MIMO无线传输关键技术。

毫米波大规模MIMO系统中基于GMD的低复杂度混合预编码

针对毫米波大规模多输入多输出(multiple input multiple output, MIMO)系统中,基于几何均值分解(geometric mean decomposition, GMD)的混合预编码方案计算复杂度高的难题,提出一种基于GMD的低复杂度混合预编码方案。根据交替最小化原则,通过基于阶递归最小二乘的广义正交匹配追踪算法设计具有非凸约束的模拟预编码器;当模拟预编码器确定后,基于最小二乘准则设计数字预编码器。通过在每次迭代中选择多个向量减少最大迭代次数以及利用阶递归最小二乘避免模拟预编码器设计中的矩阵求逆来降低方案复杂度。通过对复杂度及频谱效率和误码率性能的仿真结果分析表明,所提方案在显著降低计算复杂度并提高预编码效率的情况下,性能接近现有基于GMD的混合预编码方案,并且误码率优于传统基于奇异值分解(singular value decomposition, SVD)的混合预编码方案。

基于两阶段的毫米波大规模MIMO低复杂度混合预编码算法

针对现有基于矩阵分解的混合预编码算法信道容量有损和算法复杂度高的问题,本文提出了一种基于两阶段的低复杂度混合预编码算法.该算法分为获取最优全数字预编码器和求解混合预编码器两部分.首先,本文联合奇异值分解(Singular Value Decomposition,SVD)与注水算法以容量无损的要求设计最优全数字预编码矩阵.其次,为了降低搜索超完备矩阵列的复杂度,提出两阶段混合预编码(Two⁃Stage Hybrid Precoding,TS⁃HP)算法求解混合预编码矩阵.第一阶段,根据天线阵列响应矩阵的相关性获取模拟预编码矩阵备选集;第二阶段,利用贪婪搜索对备选集进行搜索构建混合预编码矩阵.仿真结果表明,所提算法能够有效改善系统性能,降低复杂度.

毫米波大规模MIMO系统中基于智能搜索的混合预编码算法

为解决传统全连接结构毫米波大规模MIMO系统高硬件成本和实现难度大的问题,本文提出了一种基于智能搜索的部分连接结构混合预编码算法。该算法在基站端采用经典的迫零数字预编码,在模拟预编码部分单独设计模拟预编码矩阵,避免了数字、模拟预编码矩阵联合设计的高复杂度,并利用模拟预编码矩阵的块对角化特性,将其设计问题转化为最优化问题,采用SBO(satin bowerbird optimization)优化算法解决此问题。针对原始SBO算法易陷入局部最优的缺点,提出了一种基于动态突变概率的DSBO(satin bowerbird optimization based on dynamic mutation probability)算法。针对移相器分辨率有限的情况,改进了DSBO算法,使之能解决此离散优化问题。仿真结果表明,与其他现有算法相比,提出的算法具有更高的系统容量和更低的误码率,且能处理移相器分辨率有限的情况。

基于毫米波大规模MIMO的混合RZF预编码算法

针对毫米波大规模MIMO系统采用全数字预编码时,系统所需射频链路数量较大而导致实现成本和能耗较高的问题,提出了一种在基站端和用户端分别采用混合预编码和模拟合并的方案。在充分考虑信道特性的基础上,根据收发两端的天线阵列响应矢量分别设计模拟预编码矩阵和模拟合并矩阵,然后根据生成的有效信道矩阵,在基带部分设计低维的数字预编码,从而消除系统中噪声和用户间干扰的影响。仿真结果表明,在有效减少系统所需射频链路数量的基础上,所提混合预编码方案能够接近传统全数字预编码方案的性能。

基于遗传算法的毫米波大规模MIMO系统混合预编码

目前混合预编码方案中,大多采取高精度的移相器作为模拟预编码的设计基础,使得系统成本增加。针对这一问题,探讨了有限精度射频前端的混合预编码设计。为了实现更高的频谱利用率,考虑到天线权值的最优组合为一NP(Non-deterministic Polynomial)问题,受机器学习启发,采用遗传算法对阵列中阵元的相位取值进行建模设计模拟预编码。通过信道矩阵与模拟预编码矩阵的乘积引入等效信道矩阵,考虑用户间干扰,以最大信干噪比准则进行数字预编码设计。仿真结果表明,该方案得到的混合预编码矩阵其系统性能可逼近全数字预编码矩阵的性能。