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。     

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...     

基于LSTBC-OFDM系统的信道估计简化算法

针对MIMO-OFDM通信系统中基于导频的常规信道估计算法存在矩阵求逆过程,使算法计算量过大的现象,提出了一种基于最小二乘(LS)的信道估计简化算法。该算法利用分层结构的空时分组编码技术(LSTBC)和优化设计的导频符号,避免了LS算法的矩阵求逆过程,大大降低LS算法的复杂度和运算量。仿真结果表明,该方法在运算复杂度显著降低的情况下,仍可取得和原算法同样的性能结果。     

基于压缩感知和递归最小二乘的IR-UWB信道估计算法

为了减轻脉冲无线超宽带(impulse radio ultra-wide band, IR-UWB)接收机高采样频率的负担,提出了基于压缩感知和递归最小二乘的低采样率信道估计算法。该算法先令接收到的训练符号通过随机滤波器,并对其欠采样,对采样到的信号进行递归最小二乘计算,最后利用压缩感知重构算法得到信道参数的估计值。提出的算法能够在低采样率的情况下对IR-UWB信道参数进行有效估计。该算法一方面降低了接收机对于模数转换器的要求;另一方面,低采样率产生较小的数据量,从而降低了估计算法的计算量。     

基于压缩传感的MIMO-OFDM水声通信信道估计算法

充分利用水声信道的稀疏特征,提出一种基于压缩传感理论的多输入多输出正交频分复用(multiple-input multiple-output orthogonal frequency division multiplexing, MIMO-OFDM)水声通信系统信道估计算法。在MIMO-OFDM水声通信系统模型的基础上,考虑Doppler频移的影响设计符合压缩传感理论框架的过完备字典,利用一系列非正交基在过完备字典下描述待重建信号。通过对比分析基追踪降噪、丹茨格选择器以及正交匹配跟踪3种算法的信道估计性能,进一步证明了算法的有效性。仿真实验结果表明,基于压缩传感的稀疏信道估计算法具有优于传统最小二乘算法的信道估计精度,并且在最小二乘矩阵求逆奇异的情况下仍能准确地估计出信道参数;在计及Doppler频移的影响时,直接压缩传感估计优于补偿后的压缩传感估计方法。     

无线MIMO信道空时相关特性分析

针对无线多输入多输出(multiple-input multiple-output,MIMO)信道的空时相关特性,在经典平面波假设下,基于随机信道模型对其进行了深入分析。信道模型分别利用冯.米塞斯分布和拉普拉斯分布角度功率谱来描述移动站和基站的空间统计特性,在此条件下推导了相关系数的闭合表达式并绘制了相应曲线,分析了角度功率谱的各向异性对信道相关特性的影响。蒙特.卡洛仿真结果与理论分析的结果能够很好地吻合。     

基于负熵最大化的压缩感知信道估计算法

讨论了在5G时代随着移动终端和网络流量的增长、大规模机器类型通信的产生以及天基卫星网络与地面蜂窝主干网络的结合, 使得移动无线通信的频谱使用范围更宽, 导致信道具有更为明显的稀疏性, 从而得以利用无线信道的稀疏性引入压缩感知技术来进行无线通信系统的信道估计。通过负熵最大化算法与l_p正则化改进现有的压缩感知信道估计算法, 将传统的最小化误差函数均方误差替代为最大化目标函数的负熵以适应信道非高斯噪声, 同时稀疏约束采用更为精确的l_p正则化以加强信道估计算法的稀疏表示。研究表明, 该算法不仅可以提高信道估计精度, 增强抗噪声鲁棒性; 另一方面可以利用更少的导频实现更高精度的信道估计, 具备提高系统频谱利用率的作用。     

可重构智能表面通信系统的渐进信道估计方法

针对现有可重构智能表面(reconfigurable intelligent surface,RIS)的信道估计方法中反射系数为随机配置而导致接收端信噪比较低的问题,提出一种配置特定反射系数的渐进式信道估计方法.该方法利用非完整信道状态信息(channel state information,CSI)计算出当前时刻下的...     

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。     

基于调制分集的MIMO DFT-S-OFDM系统

以离散傅里叶变换扩展正交频分复用（discrete Fourier transform spread orthogonal frequency division multiplexing,DFT-S-OFDM）技术为核心的单载波频分多址（single carrier frequency division multiple access,SC-FDMA）方案,已经成为第三代合作伙伴计划长期演进项目上行多址技术标准。提出了一种基于调制分集的多入多出（multiple input multiple output,MIMO）DFT-S-OFDM方案。该方案将调制分集和Turbo码相结合,有效利用时间分集和空间分集特性,在衰落信道下,既可以使系统具有较低误码性能,又可以获得较高的频谱效率。仿真结果表明,在最优旋转角度下,通过较小复杂度的增加,提出的系统与传统基于比特交织编码调制技术的MIMO DFT-S-OFDM系统相比,可获得明显的性能优势。     

Mobile channel estimation for MU-MIMO systems using KL expansion based extrapolation

In multi-user multiple input multiple output(MU-MIMO) systems,the outdated channel state information at the transmitter caused by channel time variation has been shown to greatly reduce the achievable ergodic sum capacity.A simple yet effective solution to this problem is presented by designing a channel extrapolator relying on Karhunen-Loeve(KL) expansion of timevarying channels.In this scheme,channel estimation is done at the base station(BS) rather than at the user terminal(UT),which thereby dispenses the channel parameters feedback from the UT to the BS.Moreover,the inherent channel correlation and the parsimonious parameterization properties of the KL expansion are respectively exploited to reduce the channel mismatch error and the computational complexity.Simulations show that the presented scheme outperforms conventional schemes in terms of both channel estimation mean square error(MSE) and ergodic capacity.     

基于EM的MIMO-OFDM系统MAP信道估计算法

最大后验概率（maximum a posteriori, MAP）信道估计算法应用于MIMO-OFDM系统时将带来大规模矩阵求逆和乘积运算,且OFDM符号的数据传输效率随着发送天线的增多逐渐下降。针对这些弊端,提出一种基于期望最大化（expectation maximum, EM）的MAP信道估计算法,并分析了算法的性能。该算法利用EM算法把多输入输出信道估计问题化简为一系列独立的单输入输出问题,避免了大规模矩阵运算,降低了MAP算法的计算复杂度;为进一步改善MAP算法的数据传输效率及其估计性能,可通过对多个连续的OFDM符号进行联合信道估计。通过仿真实验证明了该算法的有效性。     

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。     

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。     

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。     

Compressive sensing based multiuser detector for massive MBM MIMO uplink

Media based modulation(MBM)is expected to be a prominent modulation scheme,which has access to the high data rate by using radio frequency(RF)mirrors and fewer transmit antennas.Associated with multiuser multiple input multiple output(MIMO),the MBM scheme achieves better performance than other conventional multiuser MIMO schemes.In this paper,the massive MIMO uplink is considered and a conjunctive MBM transmission scheme for each user is employed.This conjunctive MBM transmission scheme gathers aggregate MBM signals in multiple continuous time slots,which exploits the structured sparsity of these aggregate MBM signals.Under this kind of scenario,a multiuser detector with low complexity based on the compressive sensing(CS)theory to gain better detection performance is proposed.This detector is developed from the greedy sparse recovery technique compressive sampling matching pursuit(CoSaMP)and exploits not only the inherently distributed sparsity of MBM signals but also the structured sparsity of multiple aggregate MBM signals.By exploiting these sparsity,the proposed CoSaMP based multiuser detector achieves reliable detection with low complexity.Simulation results demonstrate that the proposed CoSaMP based multiuser detector achieves better detection performance compared with the conventional methods.