基于图神经网络的位置辅助波束选择

基于深度神经网络的位置辅助波束选择方法存在着训练成本过高和准确性随码本增大而大幅下降的问题。针对该问题,提出了一种基于GNN的波束选择方法。该方法首先根据预定义码本中波束间的相关性构建图结构,然后使用GNN捕捉图结构信息并进行消息传递,从而根据用户设备的位置信息预测最优的收发波束。仿真结果表明提出的基于GNN的方法降低了训练成本,并提升了波束对准的准确率和稳定性。

基于压缩感知的波束选择算法研究

针对大规模毫米波多输入多输出(MIMO)数字波束成形射频链多、成本高且功耗大等难题,研究了低硬件复杂度和功耗的混合波束成形算法,基于第三代合作伙伴计划(3GPP)的TR 38.901 V16.1.0构建了毫米波无线信道仿真模型,以系统“和速率”最大化和总发射功率最小化为优化目标,获得了基于压缩感知的波束选择算法。仿真结果表明:本文所研究基于压缩感知波束选择算法的混合波束成形系统“和速率”随着用户数K近似对数增长。系统“和速率”会受到多用户干扰的限制,在信噪比为10 dB且用户数K较大时,波束选择算法比全数字多用户波束成形算法的系统总发射功率高约2 dB,但波束选择方案有着较低的系统复杂度。

基于GCNet的毫米波波束选择算法

在车辆到基础设施(V2I)通信中,毫米波波束宽度窄、设备移动性高,有效的毫米波波束选择是一项关键而又富有挑战性的任务。针对波束搜索过程开销大的问题,文章提出了一种基于雷达和位置信息的毫米波波束选择算法。所提算法使用Top-k分类度量在激光雷达数据和波束跟踪通道数据集上训练神经网络结构,并且使用全局上下文网络(GCNet)模型预测最佳波束对。仿真结果表明,所提算法性能在分类识别准确率上有明显提升,与此同时,仅需搜索5个波束便能接近穷举搜索的性能,大大减少了波束搜索开销。

面向5G毫米波通信的波束选择机制

针对5G下行多用户多输入多输出(MIMO)系统,在毫米波频率下工作,并且在Sub-6 GHz系统的辅助下进行波束选择的问题,首先分析毫米波大规模MIMO系统以及Sub-6 GHz系统的波束选择模型,从Sub-6 GHz系统中获取空间信息,对其采用对数加权的方式并将其应用于毫米波波束选择中;在此基础上,采用启发式贪心算法进行波束选择,此算法可以匹配出最强的波束,算法复杂度低,性能一般。为了给所有用户和波束进行最大最优的匹配,提出了基于匈牙利算法的波束选择,通过将波束选择建模为二部图上的最大权匹配进行波束选择,此算法的计算复杂度稍高,性能较好。

一种卫星多波束中的波束选择构架及实现方法

为了以少量卫星载荷设备在广阔的服务区内提供高增益的通信链路,针对多波束通信卫星提出了一种星上收发波束选择的载荷构架及其实现方法。载荷构架分为波束分组与选择模块,实现方法则利用了收发无源设备的频率响应。通过控制前后端有源设备的混频本振,使上行接收波束和下行发射波束能够工作于多波束天线覆盖区内的任意位置。通过波束指向轮循,以低于波束数量的转发器实现了卫星在广大覆盖区内的高增益通信。分析结果表明,相比同样波束规模的多波束卫星,采用所提载荷架构的多波束卫星能够大幅降低载荷重量、功耗及热耗,提高转发器使用效率;相比同样承载规模的多波束卫星,能够大幅提高每个波束的传输性能及整星的吞吐量。

基于多小区协作分布式波束选择算法

针对多天线蜂窝系统中小区间干扰带来的性能损失,研究了使用多小区协作波束选择来减少小区间干扰,提出了可在各个小区独立实现的分布式波束选择算法。该算法首先使小区之间相互交换用户的信道状态信息,之后每个小区基于本小区以及邻小区用户的信道状态信息来估计所有用户的信干噪比,最后选择能够最大化信干噪比乘积的波束。分析表明,在两小区模型下该算法的性能接近最优波束选择算法,同时复杂度大大降低。经仿真结果验证,在多天线蜂窝系统中使用分布式波束选择算法,可以在不影响用户公平性的基础上显著提高系统平均速率。

毫米波大规模MIMO系统波束选择方案的设计

针对毫米波大规模MIMO系统采用全数字预编码时,所需射频链路数量过多而导致能量消耗高的问题,提出了一种基于透镜的波束选择方案。该方案首先通过分析用户受干扰的可能性,将所有的用户分为干扰用户组和非干扰用户组,然后对于非干扰用户,直接利用最大功率准则进行波束选取,而对于干扰用户,则通过低复杂度增量算法选择合适的波束使系统和速率最大化。仿真结果表明,在有效减少系统所需射频链路数量和降低计算复杂度的基础上,该方案的系统和速率能够达到接近全数字预编码方案的水平,并且能够获得更高的能量效率。

基于改进离散布谷鸟搜索算法的毫米波大规模MIMO系统波束选择

在毫米波大规模MIMO系统中采用全数字编码需要大量的射频链路,从而导致能量损耗过高。针对这一问题提出一种基于离散布谷鸟搜索算法(Discrete cuckoo search,DCS)的波束选择方案,减少所需射频链路数而不会造成明显的性能损失。首先分析毫米波大规模MIMO系统的波束选择模型,引用DCS算法来求解模型;然后针对布谷鸟算法Levy飞行离散化结果中出现的非正常编码,采用启发式贪婪算法进行修复;将遗传算法中的复制引入DCS算法中,复制全局最优的鸟巢来替换其中被发现的鸟巢,加快算法收敛速度。仿真结果表明,所提基于改进DCS算法的波束选择方案相比几种已有的方案可以获得更优的和速率性能。

采用波束选择的室内漫射红外无线通信系统

文章应用码分多址的思想,提出一种具有自动波束选择的室内漫射红外通信系统方案。该方案采用光正交码(OOC)作为收发器标识,根据接收器相关值选择发射器光束。通信过程分为两个阶段:波束选择阶段和数据传输阶段。波束选择阶段,所有指向不同的发射器同时发射,接收端完成捕获和最优波束选择,并将选择结果通知发送端;数据传输阶段发送端采用最优波束传输信号。本文仿真验证了所提方案的性能,数值结果表明:与普通准漫射链路相比,在满足接收机最小可探测功率条件下,本方案对平均发射功率要求可降低 2. 1dB;在总发射功率相同情况下,接收机表面平均辐射照度可提高 39. 7%。

基于深度学习的上行传输过程毫米波通信波束选择方法

文章研究了多用户上行传输过程毫米波大规模多输入多输出(multi-input and multi-output,MIMO)系统的波束选择问题,提出了一种基于深度学习的波束选择方法。针对使用透镜的多用户毫米波大规模MIMO上行传输过程,提出一种面向波束选择的深度学习框架,通过信道数据预先对神经网络进行离线训练,然后将实测信号输入训练好的神经网络在线预测信道直达径对应的波束,从而实现波束选择;基于该深度学习框架制定了具体的训练细则,采用柔性最大值交叉熵函数作为损失函数,使用自适应矩估计优化器优化神经网络参数。仿真结果表明,该文提出的基于深度学习的波束选择方法优于现有的正交匹配追踪方法。

MIMO系统中基于微时隙波束选择的机会波束形成性能仿真

文章研究了可以获得MIMO系统慢衰落信道中下行链路多用户分集增益和复用增益的机会波束形成(OBF)技术,并将其扩展到接收端多天线的情况下,发射端采用基于微时隙的波束选择技术进一步提高系统容量。每个微时隙基站利用随机产生的酉矩阵将M个数据子流承载在M个随机波束上进行发送,根据每个用户的反馈信干噪比机会地决定接收用户。最后系统选择使其容量最大的正交酉矩阵发送数据,并用注水算法进行功率分配进一步提高系统吞吐量。文中提出方法的优点在于,在接收端多天线的情况下系统通过波束选择技术进一步提高系统吞吐量。

天线振颤对GMR-1系统波束选择的影响分析及抑制

针对卫星天线振颤的现象,分析了天线振颤对地球同步轨道移动无线接口(GMR-1)系统波束选择性能的影响,并提出了一种抑制这种影响的改进型波束选择算法。改进算法根据移动地面站(MES)与其所在波束中的网关(GS)的距离动态设置滞后余量。利用OPNET软件搭建系统模型进行仿真验证,结果表明:天线振颤对不同地理位置的MES的波束选择过程有不同程度的影响;传统波束选择过程中,波束选择错误次数随滞后余量和天线最大振颤幅度的增加而增加;改进算法能够显著减少波束选择错误次数,有效抑制天线振颤对波束选择性能的影响。

毫米波通信低复杂度波束选择和用户调度算法

针对毫米波混合波束成形系统中用户调度方案复杂度过高的问题,提出两种低复杂度的波束选择和用户调度联合优化算法。混合波束成形架构使得用户调度问题面临着新的挑战,变成了模拟波束选择和用户调度的联合优化问题。考虑发送端无法获得完美信道状态信息的实用场景,采用基于固定码本的波束训练方案获取等效信道状态信息,引入调用指示函数将联合优化问题建模成非凸组合优化规划,分别以粒子群优化和贪婪算法为核心,提出两种低复杂度的次优解决方法。仿真结果表明,相较穷举搜索,所提算法能在性能和复杂度之间取得很好的折中。

基于部分随机波束选择的机会式空分多址技术

为解决机会式空分多址系统在稀疏用户网络中容量低的问题,提出了基于部分随机波束选择的机会式空分多址技术。所提方案考虑无线信道的时间相干性,充分利用前一次波束训练期间基站获得的反馈信道信息,新的训练波束组参照上一组训练波束部分随机地产生。新方法推广了机会式空分多址的系统模型。仿真表明,该方法显著提高了稀疏用户网络中机会式空分多址的系统容量,且不增加反馈开销。

基于垂直光波束选择的可见光通信物理层安全表现增强方法

为改善可见光链路的保密传输表现,在分析静态、动态光波束配置下的链路保密容量的基础上,提出了基于动态垂直非朗伯光波束选择的可见光通信物理层安全表现增强方法,即根据不同的发射器、保密用户及窃听者位置关系动态地选择垂直候选光波束。量化结果显示:在典型室内环境下,相比传统静态朗伯光波束配置,基于动态垂直非朗伯光波束配置的平均保密容量增益高达3.03 b·s^(-1)·Hz^(-1),增益比例高达86%。

基于波束选择的5G毫米波通信技术仿真

本文构建了毫米波无线信道仿真模型,探究了基于机器学习的波束选择技术。以系统的总和传输速率为指标,通过毫米波无线信道进行传输,使用MATLAB分别对其进行了仿真,并分析了所提方案的系统性能。仿真结果表明,基于SVM机器学习的波束选择方法就可以提供接近理论的最佳性能,且该算法实现复杂度要比穷举搜索法低几个数量级。

一种基于深度学习的室内波束选择方法

针对以往利用搜索匹配进行波束对准的方法不适用于具有随机方向的室内手持用户终端这一问题,引入一种基于深度神经网络的室内波束选择方法。设定该室内场景中发射机位置和方向固定,接收机的位置和方向任意以模拟手持用户终端。该方法首先通过测量每个波束对的传输效率以及信噪比等特征,获得在设定场景中的波束对匹配列表数据库;而后将接收机的位置和方向作为输入,每个波束对的最佳概率作为输出,采用机器学习的分类方法对测试的室内场景进行训练,获得学习模型;最后,结合已训练好的学习模型,根据实际接收机状态信息匹配最佳波束对。仿真结果表明,与广义逆指纹算法相比,该方法具有更高的波束匹配概率和搜索效率。

基于透镜天线阵的毫米波系统波束选择研究

透镜天线阵列下毫米波大规模多输入多输出(MIMO)系统通过波束选择可以大大减少所需的射频链数目,解决系统硬件成本和能耗过高的问题,然而,波束选择需要基站端获取准确的信道状态信息。对此,文章首先利用波束空间的结构特性,采用基于支持检测(SD)的信道估计方案,以较低的导频开销和计算复杂度对大尺寸信道进行更加可靠的估计;其次受仿生学中蚁群优化(ACO)算法的启发,文章提出了一种基于SD估计信道的ACO波束选择方案,该方案既能有效地避免用户间波束的干扰,又能最大限度地提高系统和速率;最后,仿真结果表明,该方案能够得到计算复杂度显著降低的近优解,在提高系统和速率方面优于现有方案。

一种基于无人机毫米波通信的波束选择方法（英文）

在无人机毫米波多用户通信网络中,基于波束空间多输入多输出系统提出了一种利用无人机移动特性的波束选择方法.首先,以减少用户间的能量泄漏为目标设计了无人机基站的最优部署位置;然后,为避免不同用户选择同一波束造成射频链路浪费的情况,提出了一种通过用户接收能量衡量的波束重新选择准则.仿真结果表明,相比传统的波束选择方法,所提方法可以实现接近最优的系统和速率性能以及更高的能量效率.

一种波束成形的分组空时编码系统检测算法

根据分组空时编码系统的特性,提出了一种新的基于波束成形的检测算法.发射端采用酉矩阵将数据映射到空间正交的波束方向上,通过接收端波束方向上的匹配滤波,各数据分块所获得的增益为信道矩阵在其波束方向上的投影之和,波束选择通过最大化所有数据分块最小增益,从而有效地提高了系统的分集增益.进一步提出一种多速率分组空时编码的设计方案.理论分析和仿真结果表明,这种算法可获得更好的容量和误码性能,同时具有较低的译码复杂度.