基于信道分析的动态可重构MIMO检测器

在多输入多输出(MIMO)系统中分析信道增益对信号检测性能的影响,提出一种基于信道分析的智能MIMO信号检测算法,根据各对天线间的信道增益动态调整子节点扩展数,在检测性能接近最大似然算法性能的前提下,该算法比传统K-best算法减少54%的子节点扩展数。基于该算法设计并实现的动态可重构的超大规模集成电路MIMO检测器支持4×4天线阵列、QPSK/16-QAM调制信号,数据吞吐率达到800 Mb/s。     

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。     

基于大规模MIMO的散射信道估计技术

随着用户对通信速率的要求日益增长,散射通信的通信容量亟待提升。大规模多输入多输出(MIMO)技术是提升容量的一种重要途径,本文研究基于大规模MIMO的对流层散射通信系统的信道估计问题。首先建立基于二维均匀方形天线阵列的大规模MIMO对流层散射信道模型,其次提出一种信道协方差矩阵估计算法对传统最小均方差(MMSE)信道估计算法进行改进,最后与最小二乘(LS)、传统MMSE算法和理想MMSE信道估计算法的准确度进行对比。仿真结果表明：在信噪比(SNR)为0～25 dB的情况下,传统的MMSE算法的准确度相较于LS算法的提升效果并不明显,与理想MMSE算法的准确度有一定差距;但改进MMSE信道估计算法的准确性优于传统MMSE算法,同等条件下NMSE相同时,其SNR可提升3～5 dB,并随着SNR的增大逐渐逼近理想MMSE算法。     

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。     

基于对称连续超松弛的大规模MIMO信号检测算法

在大规模MIMO系统中,当基站端天线数远大于单天线用户数时,传统的最小均方误差(MMSE)算法能达到接近最优的线性信号检测性能。但是,由于MMSE算法涉及了复杂的矩阵求逆,从而导致其难以快速有效地实现。利用信道特征,改进了MMSE检测算法,提出了对称连续超松弛(Symmetric Successive Over-Relaxation,SSOR)算法以避免矩阵求逆,并给出了合适的松弛参数和初始值。此外,从算法实现角度考虑,采用信道硬化信息传递(Channel Hardening-Exploiting Message Passing,CHEMP)接收机对信道进行估计。结果表明,通过简单的几次迭代,在给定的松弛参数和初始值条件下,SSOR算法就能快速接近MMSE算法的检测性能,并大幅降低了计算复杂度。     

大规模MIMO系统的改进MCMC检测算法

大规模MIMO(多输入多输出)技术通过配置大规模天线阵列提高系统的频谱和能量效率,接收算法的复杂度是其实现的瓶颈。MCMC(马尔可夫链蒙特卡罗)检测方法可以较低复杂度获得接近理论最优的性能。提出一种改进的MCMC算法,将超松弛迭代方法应用于MCMC检测,引入松弛因子加快马尔可夫链收敛速度,降低检测复杂度。仿真结果表明,该算法能改善系统的误码率(BER)性能,解决传统MCMC算法在高信噪比条件下的"陷入"问题,同时降低运算复杂度。     

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。     

空间复用MIMO系统总体资源效率测度

通过定义归一化带宽和归一化信噪比构建需求平面，提出基于带宽效率与能量需求的总体资源效率测度方法，将该方法应用于多输入多输出（Multiple-input multiple-output system，MIMO）系统，分析MIMO系统在不同收发天线数目，不同调制方式以及不同检测算法下的总体资源效率，综合上述结论得出MIMO系统比传统的单输入单输出 （Single-input single-output，SISO）系统总体资源效率高；当发射天线数目固定，MIMO系统总体资源效率随着接收天线数目的增加而增加；采用正交振幅调制（M-ary quadrature amplitude modulation ，MQAM）的总体资源效率要高于采用多进制相移键控（M-ary phase shift keying ，MPSK），而且其总体资源效率随着M的增大而提高；最大似然检测（Maximum likelihood detection ，MLD）是最优的检测算法，其总体资源效率相对较高。上述结论证实该算法的可靠性，为总体资源效率测度算法应用于其他系统以及新检测算法的构建提供了重要依据。     

低复杂度的大规模MIMO上行链路软输出信号检测

针对信道矩阵维度高以及接收信号复杂的情况,提出了一种适用于大规模MIMO系统上行链路信号检测的混合迭代算法,即结合自适应阻尼雅克比(damped Jacobi,DJ)算法和共轭梯度(conjugate gradient,CG)算法。首先利用CG算法为自适应阻尼雅克比迭代算法提供有效的搜索方向;随后提出切比雪夫方法消除松弛参数对信号检测的影响,在降低算法复杂度的同时加快收敛速度;最后,利用信道编译码中的比特似然比近似求解软信息,以提升检测性能。通过理论分析算法的复杂度,仿真在不同判决方式下对不同检测算法进行误码率对比,并对混合迭代算法的收敛进行了分析。仿真结果表明,混合迭代算法在少量迭代次数下快速收敛并近似达到最佳MMSE检测性能,且算法复杂度远低于MMSE算法。     

MIMO检测算法与深度学习方法探讨

作为未来5G通信的核心技术之一,大规模多输入多输出(multiple-input multiple-output,MIMO)技术获得了广泛的研究。但是,"大规模"带来显著性能增益的同时,也给接收机设计带来了挑战,尤其是考虑到资源和成本限制,基站天线在满足性能需求的同时,需要尽可能少。论文首先讨论了MIMO情景下的传统检测算法,如最大似然(maximum likelihood, ML)检测算法、迫零(zero-forcing, ZF)检测算法及线性最小均方误差(linear minimum mean square error, LMMSE)检测算法等。仿真结果表明最优的ML算法的复杂度随着用户数指数增加。在接收天线数不是充分多时,次优的ZF和LMMSE算法都会有显著的性能损失。针对这一问题,讨论了基于深度学习框架的解决方案,包括目前已有的LAMP(learned approximate message passing)检测算法和神经网络DetNet算法;基于全连接网络结构做了初步探索。经过对它们的仿真比较,发现基于深度神经网络的MIMO检测算法,确实可以提升传统检测算法的性能;但对神经网络系数的优化,可能会导致较高的训练复杂度,论文讨论了可能的解决方法。