大规模多输入多输出可见光通感一体化系统的信道状态信息还原和定位

得益于丰富的频谱和光源,可见光通信感知一体化(IVLCP)系统为解决高性能通信定位的室内无线网络需求提供强有力的技术支撑。同时,大规模多输入多输出(m-MIMO)技术能有效提高IVLCP网络的服务范围和质量。然而,m-MIMO赋能的IVLCP网络的信道环境更加复杂且先验信息更易变化,这使得传统方法难以快速准确地完成信道估计和定位。针对此,该文提出一种信道状态信息还原和定位(CSIRP)网络,该网络不仅能够有效地捕捉复杂分布的可见光通信信道特征,同时能够应对信道状态的时变性,从而提高信道和位置估计的鲁棒性和动态适应性。具体而言,CSIRP网络首先基于条件生成对抗思想自适应训练生成器和鉴别器,进而实现根据接收信号进行信道估计,接着结合长短期记忆网络(LSTM)从估计的信道中获取接收终端的位置估计值。仿真结果表明,采用CSIRP网络所获得的信道状态准确度和定位精度均优于现有的深度学习参考方法,这为m-MIMO赋能的IVLCP系统提供了可靠和精准的信道状态信息和位置感知能力。

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。

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。

宽带太赫兹大规模MIMO系统中的混合预编码

针对宽带太赫兹大规模多输入多输出(multiple input multiple output,MIMO)通信系统中更大的带宽和更多的天线导致的波束分裂问题,构建了基于时延的宽带太赫兹大规模MIMO系统的混合预编码通信模型,并提出了一种高效且可实现的联合时延和相位的宽带太赫兹混合预编码算法。考虑到时延器值的硬件限制,通过最小化最优模拟预编码与等效模拟预编码之间的差来联合优化模拟预编码矩阵和数字预编码矩阵,将联合优化问题转换成目标优化问题,通过将非凸问题转换成等价的凸问题来求全局最优解。仿真结果表明,提出的算法可以获得接近最优的可实现速率性能,且可以提高能量效率。

基于莱斯信道的大规模MIMO协作中继网络设计与优化

随着移动通信技术的不断发展,大规模多输入多输出(Multiple Input Multiple Output,MIMO)系统被广泛应用于提高网络容量和性能。而协作中继网络作为一种有效提高通信覆盖能力和网络容量的手段,也受到越来越多的关注。文章基于莱斯信道模型,针对大规模MIMO协作中继网络进行设计与优化,旨在提升网络的可靠性和传输效率。通过对信道特性的分析和系统参数的优化,可以实现更好的性能表现。

基于级联角度的AIRS辅助大规模MIMO系统波束跟踪方案

智能反射表面(intelligent reflecting surface,IRS)可以通过提供额外的视线(line of sight,LoS)路径补偿传播损耗或解决阻塞问题,有效地提高毫米波(millimeter wave,mmWave)通信系统的性能,被认为是下一代移动通信的核心技术。与传统的地面IRS相比,部署在无人机、热气球等空中平台上的空中IRS(aerial IRS,AIRS)结合了空中平台的高移动特性/旋转特性和IRS提供的优质链路特性,可以提供更广阔的信号覆盖范围。考虑到现实场景中用户的移动性,通信系统有必要实时调整波束成形以使波束对准移动用户。然而,AIRS不具备有源射频链,难以在AIRS处获取离开角和到达角,增加了波束跟踪的复杂性。针对这一问题,建立了具有时变信道的AIRS辅助mmWave大规模多输入多输出(multiple input multiple output,MIMO)系统模型,结合基站端有源波束成形、AIRS的旋转角度和无源波束成形设计,提出了一种基于级联角度的无迹卡尔曼滤波波束跟踪方案。仿真结果表明,提出的方案具有较高的跟踪精度,同时AIRS的旋转特性对提升系统可达速率起着重要作用。

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。

IRS辅助大规模MIMO系统中抑制残余硬件损伤的AQBFO无源波束赋形方案

由通信收发机硬件非理想特性导致的残余硬件损伤在智能反射面(Intelligent reflecting surface,IRS)辅助的大规模多输入多输出(Multiple-input multiple-output,MIMO)系统中难以避免,并且会严重降低上行用户的可达和速率。针对这一问题,本文提出了一种基于自适应量子菌群觅食优化(Adaptive quantum bacterial foraging optimization,AQBFO)算法的无源波束赋形方案,用于抑制残余硬件损伤对系统性能的影响。首先,基于统计信道状态信息(Channel state information,CSI)推导出系统上行可达和速率的近似解析表达式。然后,以最大化和速率为目标,基于AQBFO算法对无源波束赋形进行优化。仿真结果验证了在IRS辅助大规模MIMO系统中,基于AQBFO算法的无源波束赋形方案能够有效抑制残余硬件损伤的影响,并显著提升系统的上行遍历和速率。

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。

基于统计CSI的空中智能反射面辅助大规模MIMO系统传输优化方案

智能反射面(IRS,intelligent reflecting surface)被认为是下一代移动通信的核心技术,其在增强网络覆盖、频谱效率、能源效率和部署成本方面具有显著优势。空中智能反射面(AIRS,aerial intelligent reflecting surface)结合了空中平台的高移动性和智能反射面提供的优质链路特性,可以有效解决复杂通信场景中基站与用户之间易受障碍物阻挡的问题,从而增强网络覆盖。针对AIRS辅助的多用户大规模多输入多输出(MIMO,multiple input multiple output)系统,研究了基站波束成形、AIRS部署位置与相移设计的联合优化问题。在已知统计信道状态信息(CSI,channel state information)的条件下,提出了一种基于块坐标下降(BCD,block coordinate descent)的系统遍历和速率优化方案。首先,建立了一个联合优化基站端波束成形、AIRS的部署位置与AIRS相移的复杂优化模型。其次,通过BCD算法,将非凸优化问题解耦成3个易于处理的子问题。最后,分别采用拉格朗日乘子法、松弛变量法和RMSProp梯度下降算法求解子问题。仿真结果表明,所提出的优化方案有效地提高了系统的遍历和速率,并且具有较好的收敛性。

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%。

星地链路中基于毫米波大规模MIMO的混合预编码算法研究

为了提升星地链路通信系统频谱效率,针对毫米波(millimeter Wave,mmWave)大规模多输入多输出(Massive Multiple Input Multiple Output,Massive MIMO)系统,在正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法的基础上,提出了一种改进的OMP(Improved-OMP)混合预编码算法。针对星地链路间通信的特定场景,引入了基于扩展的Saleh-Valenzuela(S-V)信道模型;针对OMP算法中求解模拟预编码矩阵时存在迭代次数过多的问题,在结合多步长思想的基础上,从天线阵列响应集合中选取与射频链路(Radio Frequency Chains,RF Chains)相等的前多列作为模拟预编码矩阵;为了克服OMP算法中的伪逆运算复杂度较高的问题,结合矩阵分解和Hölder不等式简化了数字预编码的求解。仿真结果表明,在理想的信道状态信道条件下,当RF Chains的数量和数据流的数量之间的差距较小时,Improved-OMP算法可以获得更优的性能。Improved-OMP方案有效地降低了计算复杂度。

多用户大规模MIMO-OTFS信道参数估计方法

高速移动环境会导致信道的双弥散效应,给无线通信系统带来巨大挑战。正交时频空间(orthogonal time frequency space,OTFS)调制通过将时-频域的双弥散信道转换为时延-多普勒域的平坦衰落信道,能够有效缓解双弥散信道带来的频率和时间选择性衰落的影响。针对多用户大规模多输入多输出(multiinput multi-output,MIMO)OTFS系统中的信道参数估计问题,通过对多天线信道结构特征进行深入分析,将用户与基站间的信道建模为稀疏结构模型。将大规模MIMO信道划分为多个群组,设计了适用于多用户大规模MIMO-OTFS系统的导频图案,提出了基于群组块共稀疏阈值结构化贝叶斯学习信道估计算法。利用估计得到的信道状态信息设计了分数多普勒频移、到达角度等信道参数估计方法,从而进一步感知用户状态。仿真结果表明,提出的信道参数估计算法具有更高的估计精度和系统频谱效率。

大规模多输入多输出系统的信道估计及性能

在大规模多输入多输出系统中应用深度学习进行信道估计的性能优于传统信道估计算法的性能,并且能有效地降低导频开销。因此,在配备低分辨率数模转换器的大规模多输入多输出系统中提出基于注意力机制的生成对抗性神经网络模型,用于提高信道估计性能。仿真结果表明,当使用少量导频时,对抗性神经网络模型能够获得比传统方法更为准确的信道状态信息,具有更强的鲁棒性。

智能反射面辅助多用户大规模MIMO系统的联合波束成形

智能反射面(Intelligent Reflecting Surface,IRS)作为面向第6代通信的关键技术之一具有创新、高效、节能和成本效益高等特点,但其联合波束成形设计为非凸优化问题,仍然是具有挑战的难题。为此,提出了一种用于IRS辅助多用户大规模多输入多输出系统的联合波束成形设计方案,以实现系统数据速率最大化。该方案在基站端采用迫零波束成形以消除用户间干扰,同时在IRS端设计了近最优反射波束成形以实现系统和数据速率最大化。仿真结果表明,该方案可获得较高的系统和数据速率,也为IRS位置布局的选择提供了数据支持与参考准则。

基于天线选择的大规模MIMO系统能效优化算法

针对多用户大规模MIMO下行链路系统,考虑用户QoS需求和功耗要求,以最大化系统能效下界为准则建立能效优化模型。区别于传统单一优化天线数目或天线子集的方法,首先采用朗伯函数推导出最佳发射功率和最优发射天线数的闭式表达式;其次提出一种将多天线选择算法与系统能效联合优化的方法,并采用凸优化方法求解最佳发射天线子集,以此提出一种迭代的多用户最大化能效优化算法。仿真结果表明,当用户数为6时,所提算法与最优能效算法相比,系统能效提高了6.5%。

超大规模混合场MIMO去伪峰信道估计技术

超大规模MIMO(Multiple-Input Multiple-Output)是6G移动通信的潜在关键技术。在现有的信道模型中,大多假设所有的散射体要么都在远场区域,采用基于平面波假设的远场信道模型;要么都在近场区域,采用基于球面波假设的近场信道模型。实际中,超大规模MIMO系统更容易产生混合场的信道环境,现有的信道模型并不能很好地匹配这种远场近场混合信道的特征,因此不能直接采用现有的信道估计方案。本文对混合场信道进行建模,针对混合场信道空间谱中出现的伪峰问题,提出了一种去伪峰混合场信道估计方案。同时,该方案的设计也考虑了超大规模MIMO天线阵列的空间非平稳问题。仿真结果表明,本文提出的混合场下去伪峰的信道估计方案有较好的信道估计性能。

毫米波大规模MIMO系统混合连接天线结构的混合预编码算法研究

在大规模多输入多输出(Multiple Input Multiple Output,MIMO)系统中,混合连接天线结构结合全连接和部分连接的结构优势,能更好地平衡频谱效率和能量效率。但是当前该结构的混合预编码算法繁杂。针对这一问题,研究混合连接天线结构的低复杂度混合预编码算法设计。为了简化该结构的混合预编码算法,将信道矩阵划分成一系列子信道矩阵,分别对每一个子信道矩阵采用交替迭代矩阵分解(Alternating Iterative Matrix Decomposition,Alt-IMD)算法求解最优混合预编码矩阵。通过理论分析该算法复杂度,并且通过仿真实验分别对全连接天线结构、部分连接天线结构混合预编码算法、混合预编码算法的频谱效率和能量效率进行对比。结果表明:与当前混合预编码算法相比,该算法能获得更高的频谱效率和能量效率。