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。     

大规模MIMO系统研究进展

随着无线通信技术的快速发展和智能手机的迅速普及,人们对数据传输速率提出了更高的需求。为进一步提高数据传输速率,通过增加基站天线数目构建大规模MIMO系统,是一种高效而相对便捷的方式。大规模MIMO系统能深度发掘空间维的自由度,使得基站能够利用同一时频资源服务于多个用户。本文探讨了大规模MIMO系统的导频污染问题及解决方案、适用于大规模MIMO系统的信道模型以及低复杂度的传输技术与实现方法三项关键技术。与现有MIMO系统相比,大规模MIMO系统能显著提高频谱效率、能量效率和系统的鲁棒性能。作为第五代移动通信（5G）最具潜力的研究内容之一,大规模MIMO无线通信技术已引起国内外的广泛关注,但相关研究工作尚处在起步阶段,还有大量的技术难点需要进一步突破。     

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.     

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。     

5G毫米波大规模MIMO阵列失效特性分析

大规模MIMO阵列是第五代移动通信(5G)的关键技术之一.然而,阵列在经历了长时间工作之后,会出现部分通道失效的情况,从而对大规模MIMO阵列的辐射性能造成不同程度的影响.本文针对5G毫米波大规模MIMO阵列中不同数量通道失效以及失效通道处于不同失效状态时的辐射特性进行了系统的仿真与实验研究,并在此基础上对MIMO阵列...     

3D MIMO信道建模及性能分析

本文首先对MIMO技术以及3D MIMO的技术优势做了简要介绍。紧接着叙述了LTE通信系统中对3D MIMO信道进行建模的意义,它在传统的2D MIMO以及目前的3D MIMO信道模型基础上需要做出的改进之处,体现出了该研究的必要性和创新性。为了建立最新标准下的可靠三维信道模型,结合三维信道特性更新了信道生成过程。在按照流程搭建了信道模型之后,对信道模型进行校准确定其准确性,并对仿真结果进行性能分析。全面考虑信道大尺度和小尺度部分,选取具有代表性的参量对信道性能进行分析,体现出了该信道模型对系统性能的影响。     

多用户 MIMO 多载波系统空时预编码技术的研究磁

多天线空时预编码技术利用信道状态信息能够有效地改善无线通信系统性能与吞吐量,成为未来无线移动通信领域研究的热点。根据发射端利用信道状态信息情况,预编码技术可分为完全信道预编码技术和部分信道预编码技术。文章主要研究了多用户 MIMO 多载波无线通信系统中空时预编码技术,研究了多用户 MIMO 多载波系统中空时预编码技术,文中还重点对基于码本的多用户 MIMO 预编码进行了研究。     

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。     

5G无线通信网络物理层关键技术研究

随着信息技术的发展和移动设备的普及,无线系统的技术和需求不断增多。5G时代,不仅要提高网络通信的容量,而且要提高网络技术的安全性和高效性,5G相对4G来说,传输速度可达4G的百倍之多,且安全性更高。5G通信系统,预计在2020年大规模推广和使用。基于室内和室外景象分离,详细介绍了5G的技术应用,特别是大规模的MIMO。新技术在使用和推广上,必定会遇到新的挑战,比如新通信基站的建立、无线网络和可见光通信技术等。