大规模MIMO系统的智能天线选择与功率分配方法研究

为了满足大规模多输入多输出(multiple input multiple output, MIMO)系统的数据传输需求并降低系统能耗,提出一种基于量子化学反应优化的智能天线选择与功率分配方法。根据大规模MIMO系统不同时段的用户传输需求建立智能天线选择与功率分配模型,推导出其最大能效方程。为有效求解该非线性、多约束的混合优化难题,结合量子计算和化学反应优化机制的优势设计了量子化学反应优化算法,可得到最佳的天线选择与功率分配方案。仿真结果表明,所提的智能天线选择与功率分配方法能实时满足用户的信息传输需求,显著提高系统能效。针对不同的仿真场景,所提方法与现有的智能算法与分配策略相比均可得到最高的系统能效。     

去蜂窝大规模MIMO系统功率控制算法

针对移动通信流量需求持续增长的需求, 同时考虑用户接入点选择和下行功率控制, 对去蜂窝大规模多输入多输出(multiple input multiple output, MIMO)系统的用户体验进行优化。基于最大信号干扰加噪声比, 为每个用户选择有效的服务接入点子集。在此基础上, 针对为不同优先级用户提供不同服务质量的目标, 建立长期功率约束下的下行链路加权功率控制优化问题模型。将该问题转化为凸优化问题, 求解得出一组优化的下行链路功率控制系数。算法经仿真验证, 能将去蜂窝大规模MIMO系统的95%用户频谱效率提升约11倍, 同时有效提升高优先级用户的体验, 对于去蜂窝大规模MIMO系统的研究具有一定参考意义。     

MIMO系统的发射天线选择及自适应链路实现

针对多输入多输出(MIMO)系统信道低秩引起信道容量下降的问题,提出了一种依据信道状态信息进行发射天线选择的算法,并给出了以此算法为基础的VBLAST自适应链路的实现方法。发射天线的选择依据权系数的范数大小进行,该方法可以有效降低天线选择的运算量。仿真结果表明,该方法的选择效果逼近最大容量法的选择效果。自适应链路实现方法将发射天线数的确定和天线选择并行进行,保证了在所处通信环境下达到最大的空间复用系数。     

基于正则信道求逆预编码的MIMO功率分配方案研究

提出一种多用户MIMO系统中基于正则信道求逆预编码并具有QoS保障的功率分配方案:结合信道状态信息和用户QoS需求,分析得出约束条件的可行性判断依据;利用连续几何规划算法将非凸优化问题近似为凸优化问题,并辅以内点法求解最优功率分配方案;最终综合得出一套基于滑动窗口机制的功率分配框架。仿真结果表明,与现有算法相比,该方案能在有效保障用户最小速率和时延需求的基础上,显著提高系统可达速率。     

一种MIMO OFDM系统中的自适应比特和功率分配算法

分析了MIMOOFDM系统中的自适应调制问题,提出了一种BICM-OFDM系统中的自适应比特和功率分配算法。基于完整的信道状态信息和奇异值分解理论,该算法自适应的为各发射天线的各个子载波分配比特和功率。蒙特卡罗仿真表明在10-5的误码率条件下在2×2MIMOOFDM系统中该算法相对于不采用自适应技术有大约4dB的相对增益。     

基于神经网络的高并行大规模MIMO信号检测算法

随着5G和未来移动无线网络的不断发展,大规模多输入多输出(multiple input multiple output, MIMO)是其中的关键技术之一。随着天线数目的不断增加,给接收机的设计带来更高的挑战,复杂度过高的检测算法在实际中难以应用。本文将一种高并行(high-parallelism, HP)检测算法展开到神经网络中,单层神经网络基于该算法的每次迭代,并将其与可训练的权重参数和非线性神经单元相结合,提出基于网络结构HP-Net的方法。通过训练HP-Net得到最优可训练参数,进而提高检测性能。实验结果表明,所提方法相对传统最小均方误差(minimum mean square error, MMSE)算法复杂度更低,并能够得到更低的误码率;同时相对HP并行检测算法误码率性能更优。     

基于模糊层次分析的MIMO/SA多天线系统算法性能评估方法

多输入多输出（multiple input and multiple output, MIMO）和智能天线（smart antenna, SA）是第四代移动通信系统的关键技术,其结合的MIMO/SA多天线系统所采用算法的不同,直接影响系统性能,准确评估MIMO/SA多天线系统的算法性能,对于实际应用十分重要。结合波达方向估计算法、空时编译码算法、波束成形算法的算法性能指标,应用模糊层次分析法建立了层次结构模型,确定了各算法性能指标的权重和隶属度,得到了MIMO/SA多天线不同实现方案中不同算法的模糊综合评估方法,进行了仿真验证。仿真结果表明,评价方法能在不同的MIMO/SA多天线实现方案中选择出优化方案,对MIMO/SA多天线系统的方案设计与算法实现有较好的参考价值。     

可重构智能面辅助的低精度量化大规模MIMO系统的信道估计

针对可重构智能面辅助的低精度量化的大规模多输入多输出(multiple input multiple output, MIMO)系统中信道估计问题进行了研究。该系统的信道估计难点在于可重构智能面由近无源反射天线构成, 没有基带信号处理能力。系统观测值通过低精度的模数转换器量化使信道估计问题变得更富挑战性。本文基于基站-可重构智能面-用户的级联信道推导出等效信道, 并证明在虚拟角域上,该有效信道是结构稀疏信号。提出了基于期望最大化的近邻学习广义近似消息传递算法,从低精度量化的观测值中恢复等效信道。仿真结果表明所提出算法比传统算法具有更好的性能表现。     

非完美CSI情况下大规模MIMO系统的下行链路能效优化

为了满足密集的用户需求, 正在发展的蜂窝网络增加了移动系统下的能量消耗, 但更广的网络覆盖范围和功耗更低的无线通信系统也给无线通信系统带来了更多的挑战。针对这些持续增长的需求, 本文设计了一种能实现能量效率最大化的多小区大规模多输入多输出(multiple input multiple output, MIMO)系统下行链路的实现方法, 提出了在非完美信道状态信息(channel state information, CSI)情况下包含基站天线数、导频复用因子以及用户数量等参数的信干噪比最佳闭式表达, 通过最大比合并(maximal ratio combining, MRC)接收技术推导出大规模MIMO系统的下行链路频谱效率, 再根据功耗模型得到系统的整体能量效率, 利用交替迭代的优化算法进行优化求解, 得出最大能效时的相关参数数值。由仿真结果可知, 本文所提的多小区大规模MIMO系统的下行链路的实现方法与现有多小区方法相比, 能量效率有12.2%的提升, 并且对于环境的变化有更好的鲁棒性, 对于多小区大规模MIMO系统具有一定参考意义。     

改进的子载波比特功率分配算法

针对多用户多输入多输出-正交频分复用(multiple input multiple output-orthogonal frequency divi-sion multiplexing,MIMO-OFDM)系统的自适应资源分配问题,对子载波比特功率两步分配(Two-Steps)和联合分配方法进行了比较,分析了收发天线数目对系统性能的影响.提出了一种改进的子载波比特功率算法,该算法基于两个用户可以同时在一个子载波上发送数据的子载波复用方法,将子载波和比特功率联合分配,对比特重新调整的迭代过程进行了改进.仿真结果表明,该算法在不影响系统误码性能的前提下降低了复杂度.     

基于集中式MIMO雷达的功率带宽联合分配算法

针对集中式多输入多输出雷达对多目标进行跟踪的问题,提出一种基于后验克拉美罗下界的功率和带宽联合分配方法。该方法首先对各目标位置误差的后验克拉美罗下界进行预测,将克拉美罗下界构建为代价函数建立优化模型,从而将资源分配问题转化为求解非凸优化问题;而后运用凸松弛技术和循环最小化算法对该非凸优化问题进行求解;最后通过仿真验证所提算法的有效性。结果表明,与另外3种分配算法相比,所提算法在多种场景下均能有效提高目标跟踪精度。     

大规模MIMO系统中分布式压缩感知LMMSE信道估计

大规模多输入多输出(multiple input multiple output,MIMO)系统中,信道估计算法复杂度随着基站侧天线数量的增加而急剧增加,针对需要在信道估计算法复杂度与算法性能之间进行折中的问题,提出分布式压缩感知线性最小均方误差(distributed compressed sensing linea...     

注意力机制CNN的毫米波大规模MIMO系统信道估计算法

在室外光线追踪通信场景下,针对毫米波大规模多输入多输出(multiple input multiple output,MI-MO)信道具有稀疏特性、系统受噪声因素影响导致信道估计精度低的问题,提出一种基于图像去噪的注意力机制卷积神经网络信道估计方法.首先,设定参数产生模拟真实环境的数据集,将所产生的信道矩阵看作二维图像...     

分布式MIMO系统中基于矩阵分割的检测算法

针对分布式多输入多输出(multiple input multiple output, MIMO)系统中由于收发天线在地域上的离散分布所引起的异步接收问题,提出了一种基于矩阵分割的串行检测算法。该算法先从等效信道矩阵中划分出较小的矩阵,然后在此矩阵内进行检测。检测出的结果,部分用于干扰消除,部分用于和之后的检测结果合并。最后,从干扰消除后的信道矩阵中再划分矩阵,重复检测步骤,直至所有信号被检测出。在瑞利衰落信道下的计算机仿真表明,该算法与已有的分布式天线下的排序干扰对消(distributed antenna ordering successive interference cancellation, DA-OSIC)检测算法相比,可支持信号的连续发送,且随着发送序列的增长,算法性能逐步逼近DA-OSIC算法,并具有较低的计算复杂度。     

MIMO雷达子阵级m-Capon方法研究

针对多输入多输出（multiple input multiple output, MIMO）雷达虚拟阵列孔径大,典型的降维空时自适应处理（space time adaptive processing, STAP）方法--m-Capon法无法适用的问题,对子阵级m-Capon法进行了研究,并与相应的相控阵雷达3-Capon方法进行了比较。计算机仿真结果表明,处理器维数相同时,子阵级3-Capon方法性能明显提高,但非主杂波区误差鲁棒性差;子阵级1-Capon法在非主杂波区性能明显提高,但主杂波凹口太宽。在实际应用中,可综合运用两种方法对主杂波和非主杂波区分开处理,为工程实现提供可靠依据。     

突出重点目标跟踪的分布式MIMO雷达阵元选取

在分布式多输入多输出(multiple input multiple output, MIMO)雷达执行目标检测和跟踪多任务时, 为了在多个目标中突出对重点目标的跟踪, 提出了基于改进公平起点搜索的阵元选取模型与求解算法。在限定目标检测性能、跟踪性能和系统资源的前提下, 以最小的阵元集合为代价函数, 建立优化模型。为在同一框架下讨论系统的不同性能指标, 对参数进行预处理, 将表征跟踪性能的位置估计误差界进行去量纲化、归一化处理。分别引入表征目标重要程度和任务重要程度的权重因子, 得到表征系统综合性能的参数。遍历每一个初始阵元对, 逐次增加对系统贡献最大的阵元, 最终完成阵元集的选择。仿真结果表明, 所提算法能够提供接近穷举算法的性能并有效降低系统计算量。