基于可学习权重衰减的大规模MIMO信号检测

大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)系统随着天线数的增加,信号检测的计算复杂度随之提高,使用更深层次的神经网络并不会显著提高检测性能,因此设计一种低复杂度、高性能的检测算法尤为重要。文中提出了一种基于深度神经网络的大规模MIMO信号检测算法。该神经网络基于投影梯度下降算法展开,并引入了单调非递增函数,在训练期间可以动态地对权重进行优先级排序,从而保留重要的权重,将不重要的权重进行衰减。为了进一步提高检测性能,防止梯度消失,将单调非递增函数设置为可训练参数,在网络训练中对其值进行优化。仿真结果表明,所提出的学习算法收敛速度快,并且在检测精度方面优于大规模MIMO独立同分布模型(Massive MIMO-independent identically distributed, MMNet-iid)和最小均方误差算法。     

基于不完全CSI下多中继两跳通信的优化设计

研究了包含一个信源、一个信宿和多个放大转发中继的两跳无线通信网络。通过利用第一跳信道的完全信道状态信息(CSI)和第二跳信道的不完全CSI,提出了使得平均互信息速率最大的中继预编码设计方案。由于原速率最大化问题的目标函数是凹函数,为简化问题,列出了速率上界的近似为目标函数、中继总发射功率为约束条件的优化问题。最后该中继预编码方案通过蒙特卡罗(Monte-Carlo)仿真与知道两跳信道的完全CSI的情况进行了比较。     

NOMA无线通信系统中基于用户数自适应分组配对算法

非正交多址(Non-Orthogonal Multiple Access, NOMA)系统中,针对传统远近配对成功率低导致系统吞吐量小的问题,提出一种新的用户配对算法,该算法可根据用户的数目自适应选择最优分组进行配对。首先基于用户信道增益的大小将用户排序,然后根据用户的数目将用户划分为多种不同的偶数组,在每种偶数组下,将偶数组的前一半与后一半按照固定方式进行配对,最终找出最优的偶数组配对组合。此外,为进一步提高系统吞吐量,根据NOMA用户的信道好坏进行了动态的功率分配。仿真结果证明,所提算法在提高用户的配对数及系统吞吐量上具有优势。     

基于多IRS辅助的MIMO网络安全通信

智能反射面（Intelligent Reflecting Surface,IRS）可以通过调整反射元件的相移来反射信号,可以用来增强期望信号或者抑制不期望信号,在安全通信领域有着广阔的应用前景。文中研究了一种由多IRS辅助的多输入多输出（Multiple-Input Multiple-Output, MIMO）安全通信系统,建立了多IRS辅助安全通信系统中最大化保密速率的优化问题,该优化问题可以通过交替优化将其解耦为两个子问题,然后再分别设计发射端的波束形成矩阵和IRS的反射相移矩阵,从而最大化合法通信者的保密率。基于广义瑞利商,文中提出了一种改进的交替优化算法,在优化IRS的反射相移矩阵时,对所得的最优解进行归一化,使其满足约束,然后代入交替优化中进行循环。仿真结果表明,在IRS反射元件数量规模较大时,该算法的性能要明显优于现有算法。