基于深度学习的多用户Massive MIMO预编码方法

在下行链路传输场景中,发射机处的功率分配和波束赋形设计至关重要。考虑一个多用户Massive MIMO系统中总功率约束下最大化加权和速率问题,经典的WMMSE算法可以获取次优解,但计算复杂度过高。为了降低计算复杂度,提出了一种基于深度学习的快速波束赋形设计方法,该方法可以离线训练深度神经网络,利用训练后的神经网络求解最优波束赋形解,只需要简单的线性和非线性操作即可完成。实验结果显示,该方法可以逼近WMMSE算法精度的90%以上,同时计算复杂度和时延也大大降低。

面向C-RAN的群稀疏线性预编码

云无线接入网络(cloud radio access network,C-RAN)是一种能够集中处理信号的网络架构。C-RAN能够通过算法动态选择无线电单元(remote radio head,RRH)来调整用户通信速率。而通信速率作为用户服务质量(quality of service,QoS)的关键部分,当参与服务的RRH越多时,用户的通信速率更大且体验更好,但同时所带来的能源损耗越大,因此本文研究通信速率和功率消耗二者之间的权衡关系。提出一种优化算法,将权衡问题建模成一个单目标优化模型,通过权衡系数来协调速率和RRH激活个数之间的矛盾。为了解决l0-范数的非凸问题,本文使用重复加权l1-范数去近似l0-范数,同时使用加权最小均方误差(weighted minimum mean square error,WMMSE)的方法将通信速率从非凸问题转换成一个凸问题,最后使用改进的次梯度法对预编码矩阵进行更新。仿真结果证明该算法减少了时间复杂度,同时达到了与穷举法相近的性能。

基于加权MMSE方法的中继发射波束成形器设计

针对一个全双工(Full Duplex, FD)双向通信系统提出了中继发射波束形成器的设计问题.该系统的两个源结点配备多根天线,附近的每个中继结点配备两根天线,一根用于传输,另一根用于接收.中继处在有限的发射功率和使用迫零归零技术下,设计了两种具有迭代线性复杂度的中继波束成形器:最小化两个源结点加权均方误差和最大化较小源结点的信噪比.通过对加权总和传输速率和平均运行时间的仿真,数值实验验证了改进加权最小均方误差波束成形器的有效性和高效性.