面向5 G无线通信系统的关键技术综述

对未来无线通信系统的几种潜在的关键通信技术,如异构网络、大规模多输入多输出(MIMO)通信、绿色通信和毫米波通信,给出了较详尽的论述与讨论。首先简要介绍了未来无线通信网络结构的异构化变化所引起的复杂干扰信号的出现及能源消耗增加问题。介绍了大规模MIMO通信技术的优点,大规模MIMO通信的研究现状与研究难点。详尽叙述了分别以频谱效率、能源效率和资源效率最大化为目标的绿色无线通信传输优化问题的解决方案。最后,给出了进一步解决频谱稀缺问题的毫米波无线通信系统的混合波束成形的方案。     

Massive MIMO关键技术及其在5G网络性能提升中的运用

随着无线通信技术的不断发展以及各种新型网络业务的出现,社会对于数据传输速率的要求在逐渐提高。为了满足数据传输速率的要求,增加基站天线数目、构建Massive MIMO系统就成为一种便捷、高效的方式。因此,本文就Massive MIMO关键技术进行分析,并且阐述其对于5G网络性能提升的具体作用,希望可以满足Massive MIMO技术的应用需求。     

一种多天线多用户大规模MIMO上行系统能效资源分配算法

针对目前大规模MIMO系统的资源分配研究集中于用户终端配备单天线的场景,但随着技术的发展和用户需求的增长,用户智能终端配备多天线情形越来越多,提出一种基于多天线多用户大规模MIMO上行系统的能效资源分配算法。在满足用户速率和续航要求的条件,基站采用迫零(ZF)接收情况下,通过建立系统能效函数,采用凸优化方法进行优化。首先确定用户不同天线的最优发射功率,再运用二分法确定基站激活的天线数目,通过联合用户发射功率和激活基站天线数来优化系统能效。仿真结果表明本文所提算法可以在迭代次数较少的情况下取得较好的系统能效。     

无线知识驱动的大规模MIMO信道估计

大规模多输入多输出(multiple-input multiple-output, MIMO)技术能够显著提升无线通信系统的能量效率和频谱效率,其关键前提是获取精确的信道状态信息,然而导频复用造成的导频污染问题严重影响信道估计精度,成为制约大规模MIMO系统性能的核心难题.本文提出无线知识驱动的大规模MIMO信道估计模型,基于信道海图技术挖掘用户在角度域空间中的近邻关系作为无线信道知识,设计基于无线知识驱动的卷积神经网络(convolutional neural network, CNN)信道估计器(WKDCNN)提高信道估计精度.研究表明,在不同信噪比(signal-to-noise ratio, SNR)下,天线数、导频污染程度、训练集大小对所提方法的信道估计性能均有重要影响.仿真结果表明, WKD-CNN在高信噪比区域的归一化均方误差相较于传统信道估计算法、基于多层感知机(multilayer perceptron, MLP)和无信道海图知识驱动卷积网络的信道估计方法均明显降低.     

基于大规模MIMO技术的中继协作物理层安全研究

传统无线通信的安全依靠上层加密,无法保护物理层的安全。为了克服传统无线通信系统加密的不足,采用人工噪声(Artificial Noise)生成和随机预编码器来研究中继协作下大规模多输入多输出(MIMO)下行链路系统的安全传输方法。针对估计的信道状态信息推导出和速率表达式,分析得出用户节点上的保密率。针对基站处的最小均方误差预编码器(MMSE)和迫零(ZF)预编码器,分析对比其性能差距。理论分析和仿真结果表明,该方法可以为大规模MIMO中继系统设计安全的物理层传输策略,且MMSE预编码器比ZF预编码器表现出更好的保密性能。     

基于功率控制的大规模MIMO系统能效优化算法

能效优化是5 G通信领域的一个研究热点.首先针对单小区多用户上行大规模MIMO通信系统,在满足用户QoS需求和系统可容忍的信道有效噪声条件下,建立关于发射功率、导频序列长度、基站天线数的能效优化模型;其次,不同于传统利用迭代算法求解使系统能效最佳的基站天线数,提出了采用Lambert W函数分析得到最佳基站天线数的闭式表达式;最后根据分式规划理论,采用迭代优化算法联合优化系统导频序列长度、发射功率、基站天线数.仿真结果表明,该算法较现有算法能效提高了11.2％,说明该算法能有效提高系统性能.     

大规模MIMO系统中导频污染下的信道估计研究

大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)技术的很多优点让它发展为5G通信系统的主要技术之一。基于导频的信道估计方法原理较为简单,但系统的性能会受到导频污染很大的影响,所以研究低复杂度且能有效抗导频污染的信道估计算法就显得尤为重要。论文详细论证了导频污染下的信道估计在大规模MIMO系统中的主要运算过程。将LS信道估计方法与贝叶斯信道估计方法做比较,仿真结果表明贝叶斯信道估计方法有着较好的抗导频污染能力。     

基于深度学习的频分复用大规模多输入多输出下行信道状态信息获取技术

大规模多输入多输出（Multiple input multiple output, MIMO）技术的演进是第6代（The sixth generation, 6G）无线通信系统性能进一步提升的重要支撑。随着天线阵列规模的持续扩大,频分复用（Fvequency division duplexing, FDD）大规模MIMO系统获取下行信道状态信息（Channel state information, CSI）面临着严峻挑战。深度学习具有强大的学习及处理高维数据的能力,能够为解决这一挑战提供新的方案。本文综述了基于深度学习的FDD大规模MIMO下行CSI获取技术,包括CSI反馈和预测技术。首先给出了基于深度学习的CSI反馈和预测的原理框架,其次分析比较了国内外相关研究成果的优越性能,为解决面向6G的FDD大规模MIMO系统获取下行CSI问题提供了可行的参考方案。最后讨论了FDD大规模MIMO下行CSI获取的有待进一步解决的开放性问题以及所对应的潜在研究方案。     

基于空时域压缩的大规模MIMO导频污染抑制算法

导频污染问题是限制大规模多输入多输出(MIMO)系统性能的主要因素。为此,提出一种新的大规模MIMO导频污染抑制算法,建立空时域二维压缩感知模型,并利用传统的匹配追踪算法进行导频信号重构。仿真结果表明,与基于最小均方误差的预编码算法相比,该算法可在相同系统需求的前提下进一步减少导频使用数量,从而有效抑制导频污染,提升大规模MIMO系统整体性能。     

基于射线跟踪的大规模MIMO信道建模

大规模MIMO具有巨型阵列尺寸和多维阵列结构,能够有效提升无线频谱效率,是未来无线通信领域重要的物理层技术之一.但大规模阵列具有的近场效应、高计算复杂度等问题,对其无线信道建模带来很大的挑战.本论文主要针对这些挑战,对大规模MIMO的信道模型进行了深入分析.首先在球面波假设前提下,建立大规模MIMO信道模型的基本框架;进一步利用基于马德里格地图的射线跟踪算法,对信道模型参数进行求解;最后给出大规模MIMO信道时延扩展及空间距离的统计分布.上述研究结果表明,所提信道模型能够反映大规模MIMO的主要信道特征.     

Beamforming techniques for massive MIMO systems in 5G: overview,classification, and trends for future research

Massive multiple-input multiple-output (MIMO) systems combined with beamforming antenna array technologies are expected to play a key role in next-generation wireless communication systems (5G), which will be deployed in 2020 and beyond. The main objective of this review paper is to discuss the state-of-the-art research on the most favourable types of beamforming techniques that can be deployed in massive MIMO systems and to clarify the importance of beamforming techniques in massive MIMO systems for eliminating and resolving the many technical hitches that massive MIMO system implementation faces. Classifications of optimal beamforming techniques that are used in wireless communication systems are reviewed in detail to determine which techniques are more suitable for deployment in massive MIMO systems to improve system throughput and reduce intra- and inter-cell interference. To overcome the limitations in the literature, we have suggested an optimal beamforming technique that can provide the highest performance in massive MIMO systems, satisfying the requirements of next-generation wireless communication systems.     

An overview of transmission theory and techniques of large-scale antenna systems for 5G wireless communications

To meet the future demand for huge traffic volume of wireless data service, the research on the fifth generation (5G) mobile communication systems has been undertaken in recent years. It is expected that the spectral and energy efficiencies in 5G mobile communication systems should be ten-fold higher than the ones in the fourth generation (4G) mobile communication systems. Therefore, it is important to further exploit the potential of spatial multiplexing of multiple antennas. In the last twenty years, multiple-input multiple-output (MIMO) antenna techniques have been considered as the key techniques to increase the capacity of wireless communication systems. When a large-scale antenna array (which is also called massive MIMO) is equipped in a base-station, or a large number of distributed antennas (which is also called large-scale distributed MIMO) are deployed, the spectral and energy efficiencies can be further improved by using spatial domain multiple access. This paper provides an overview of massive MIMO and large-scale distributed MIMO systems, including spectral efficiency analysis, channel state information (CSI) acquisition, wireless transmission technology, and resource allocation.     

无线MIMO系统的上行资源分配算法研究

在存在同信道干扰的无线MIMO系统中,为具有多种QoS需求的调度业务分配资源是一个具有挑战性的问题.提出一种实用的、基于SDMA的贪婪资源分配(SGRA)算法.在高效的干扰管理基础上,SGRA算法可以执行两阶段启发式计算和搜索.在第1阶段,包括上行调度和子信道分配的贪婪资源分配首先在时域频域二维进行;在第2阶段,资源分配被扩展到时域频域空域三维进行.SGRA的算法复杂度低,适用于实际无线通信系统.仿真结果表明,与同类算法相比,SGRA算法可以提高系统吞吐量,更好地保证实时业务的时延和最小数据速率需求,同时兼顾系统公平性.     

Massive MIMO 下行系统能效资源分配算法

摘 要: 针对无线通信网耗能造成二氧化碳排放量和运营成本日益增加的问题,提出了一种下行大规模天线系统能效最优的资源分配算法。算法在基站端采用最大比合并(MRT)的预编码情况下,考虑各用户最小数据速率、最大发射功率和可容忍的干扰水平约束条件下,以最大化系统能效下界为准则建立非凸优化模型。首先采用一种迭代算法确定每个用户的带宽分配,然后根据分数规划的性质,将能效优化问题的分数形式转化为减式形式,进而利用凸优化方法求解基站端最优的发射天线数和发射功率来获得最优能效。仿真结果表明,所提算法能以较小的迭代次数收敛到最大能效值,并且有较好的系统频谱效率性能,同时算法复杂度得到了显著降低。     

毫米波无线通信系统混合波束成形综述

毫米波频段拥有大量未充分使用的频谱资源,能有效缓解低频段频谱拥塞,并且由于毫米波波长较短,能极大地减小大规模天线系统的物理尺寸,使得毫米波通信成为5 G无线通信系统潜在的关键技术之一。考虑到毫米波传播路径损耗严重,毫米波系统需采用波束成形技术改善传输质量。在毫米波大规模多输入多输出(Multiple-input multiple-out, MIMO)系统中,由于数字波束成形高功耗、高成本问题,混合数模波束成形成为重要的替代方案。本文首先阐述了毫米波混合波束成形的研究现状,而后给出了系统模型,最后介绍了信道估计、码本设计和低复杂度设计等混合波束成形的关键技术。     

基于随机波束成形MIMO系统的信道反馈算法

MIMO系统是未来移动通信发展的趋势.随机波束成形利用包含信道质量的反馈信息,可以开发多用户分集增益,进一步提高MIMO系统的容量.然而繁重的反馈信息会占据大量的无线资源,降低系统的实际效率.主要研究降低随机波束成形MIMO系统反馈开销的方法,提出了两种部分信道反馈算法:门限反馈和最优反馈.理论推导表明了系统平均容量与反馈率之间的权衡关系,仿真结果证明了只要恰当地选取反馈参数,这两种反馈算法可以在几乎不牺牲系统容量的前提下,极大节省反馈开销.其中,门限反馈在系统容量方面表现要好于最优反馈,而最优反馈在实现简便性方面要强于门限反馈,因此实际设计时要折中考虑.     

Energy- and spectral-efficiency of zero-forcing beamforming in massive MIMO systems with imperfect reciprocity calibration: bound and optimization

In a time-division duplex (TDD) system with massive multiple input multiple output (MIMO), channel reciprocity calibration (RC) is generally required in order to cope with the reciprocity mismatch between the uplink and downlink channel state information. Currently, evaluating the achievable spectral efficiency (SE) and energy efficiency (EE) of TDD massive MIMO systems with imperfect RC (IRC) mainly relies on exhausting Monte Carlo simulations and it is infeasible to precisely and concisely quantify the achievable SE and EE with IRC. In this study, a novel method is presented for tightly bounding the achievable SE of massive MIMO systems with zero-forcing beamforming under IRC. On the basis of the analytical results, we demonstrate key insights for practical system design with IRC in three aspects: the scaling rule for interference power, saturation region of the SE, and the bound on the SE loss. Finally, the trade-off between spectral and energy efficiencies in the presence of IRC is determined with algorithms developed to optimize SE (EE) under a constrained EE (SE) value. The loss of optimal total SE and EE due to IRC is also quantified, which shows that the loss of optimal EE is more sensitive to IRC in a typical range of transmit power values.     

基于SAOR的Massive MIMO系统信号检测算法

大规模多输入多输出(Massive multiple input multiple output, Massive MIMO)系统采用最小均方误差(Minimum mean square error, MMSE)接收检测方法时存在矩阵求逆复杂度高的问题，已有较多降低复杂度的研究。在降低检测算法复杂度的同时，如何提高算法收敛速度和检测性能一直是人们关注的焦点。本文将对称加速超松弛(Symmetric accelerated over-relaxation， SAOR)迭代算法应用于Massive MIMO系统信号检测中，避免了复杂的矩阵求逆计算，实现了复杂度较最小均方误差算法降低了一个数量级。仿真结果表明，基于SAOR的检测方法通过较少的迭代次数就能逼近最小均方误差（Minimum mean square error, MMSE）算法的检测性能，为Massive MIMO系统中接收信号的快速检测提供了较好的实现方法。