Improving Random Access with NOMA in mMTC XL-MIMO
针对拥挤mMTC XL-MIMO场景中的随机接入问题，提出结合NOMA与SUCRe-XL优势的NOMA-XL协议，通过子阵列级信号处理满足远场条件，减少接入尝试次数并提升平均总速率。
2023-04-07 cs.IT eess.SP math.IT
Accelerated Randomized Methods for Receiver Design in Extra-Large Scale MIMO Arrays
大规模多输入多输出（M-MIMO）的特征在于用于大量用户的空间复用的能力。这个数字在超大型（XL-MIMO）中变得更加极端，这是M-MIMO的一种变体，其中天线阵列具有非常大的尺寸。然而，M-MIMO中的信号处理复杂度的问题由于阵列的XL大小而进一步加剧。基本的处理问题归结为一个稀疏的线性方程组，可以解决的随机Kaczmarz（RK）算法。该算法最近已被应用于设计低复杂度的M-MIMO接收机;然而，它受到以下事实的限制，即线性方程的某些配置可能会显着恶化RK算法的性能。在本文中，我们拥抱在加速RK算法的兴趣，并介绍了三个新的RK为基础的低复杂度接收机设计。在我们的实验中，我们的方法不仅能够克服以前的计划，但他们对用户间干扰（IUI）和稀疏信道矩阵中产生的XL-MIMO制度更强大。此外，我们表明，基于RK的计划使用的机制类似于连续干扰消除（SIC）接收机近似正则化迫零（RZF）计划。
2021-05-14 cs.IT eess.SP math.IT
Low-Complex Channel Estimation in Extra-Large Scale MIMO with the Spherical Wave Properties
本文研究了极大规模MIMO系统在球面波模型下的低复杂度LMMSE信道估计，分别针对已知和未知信道协方差矩阵的情况提出了低复杂度算法，在不降低估计精度的前提下有效降低了复杂度。
2023-10-23 cs.IT eess.SP math.IT
Mid-Band Extra Large-Scale MIMO System: Channel Modeling and Performance Analysis
针对中频段超大规模MIMO系统，提出一种兼容性强的分析信道模型，并推导了频谱效率与中断概率的闭式表达式，仿真验证其性能优势。
2024-08-20 cs.IT eess.SP math.IT
Massive Access in Extra Large-Scale MIMO with Mixed-ADC over Near Field Channels
针对XL-MIMO系统近场信道与高成本挑战，提出基于混合ADC架构的免授权大规模接入方案，采用两阶段压缩感知算法联合进行活动检测与信道估计，克服角域能量色散，性能优于现有算法。
2023-04-03 cs.IT eess.SP math.IT
Sensing User's Activity, Channel, and Location with Near-Field Extra-Large-Scale MIMO
针对6G大规模物联网，提出基于毫米波XL-MIMO的免授权接入方案，利用近场空间非平稳性实现高效活动用户检测与信道估计，并设计多子阵列协作定位算法，实现厘米级定位精度。
2023-10-16 cs.IT eess.SP math.IT
Expectation Propagation Detector for Extra-Large Scale Massive MIMO
形成超大规模大规模多输入多输出（MIMO）系统的天线阵列的维度的数量级增加使得能够在频谱效率、能量效率和空间分辨率方面实现实质性改进。然而，实际的挑战，如过度的计算复杂性和要传输和处理的基带数据过多，禁止使用集中式处理。一个有前途的解决方案是将基带数据从不相交的天线子集分配到由中央处理单元协调的并行处理过程中。该解决方案称为基于子阵列的体系结构。在这项工作中，我们扩展了应用的期望传播（EP）原则，有效地平衡性能和实际可行性，在传统的集中式MIMO检测器的设计，以适应基于子阵列的架构。分析结果证实了所提出的迭代过程的收敛性和所提出的检测器渐近逼近贝叶斯最优性能在一定条件下。当只存在一个子阵时，所提出的基于子阵的EP检测器被简化为集中式EP检测器。此外，我们提出了额外的策略，以进一步降低并行子阵列和中央处理单元之间的信息交换的复杂性和开销，以促进所提出的检测器的实际实施。仿真结果表明，所提出的检测器实现了数值稳定，在几个迭代，并优于其同行。
2019-12-08 cs.IT eess.SP math.IT
Exploiting Multiple Polarizations in Extra Large Holographic MIMO
本研究通过全息近似方法，分析了在视距和近场条件下使用多正交分集的超大MIMO阵列的渐近信道与可达速率，发现存在使频谱效率最大化的天线表面最优尺寸。
2024-10-11 cs.IT eess.SP math.IT
MIMO Precoding Exploiting Extra Degrees of Freedom (DoF) in the Wavenumber Domain
本文提出波数域MIMO预编码方案，利用波数支撑集提供的额外自由度突破秩1信道限制并打破瑞利距离分界，支持多流传输，仿真显示优于传统空间分割方案，接近SVD性能上限。
2024-09-20 cs.IT eess.SP math.IT
A Distributed Massive MIMO Channel Sounder for "Big CSI Data"-driven Machine Learning
提出了一种用于获取大型CSI数据集的分布式大规模MIMO信道探测器DICHASUS。测量的数据在用于用户定位、JCAS、信道制图、在FDD操作中实现大规模MIMO等的各种机器学习算法的研究中具有潜在的应用。所提出的信道探测器架构与以前类似的设计不同，因为每个单独的单天线接收器是完全自主的，能够实现任意的空间分布的天线部署，并提供几乎无限的天线数量的可扩展性。可选地，提取的信道系数向量可以用通过GNSS接收器（用于室外操作）或通过各种室内定位技术获得的地面实况位置数据来标记。
2022-06-30 cs.IT eess.SP math.IT
Deep Learning Based Antenna-time Domain Channel Extrapolation for Hybrid mmWave Massive MIMO
Xidian University（西安电子科技大学）；Science and Technology on Electronic Information Control Laboratory（电子信息控制重点实验室）；Memorial University（纪念大学）
在时变大规模多输入多输出（MIMO）系统中，由于下行链路训练和上行链路反馈的开销过高，在基站获取下行链路信道状态信息是一项非常具有挑战性的任务。在本文中，我们考虑在BS的混合预编码结构，并检查天线时域信道外推。我们设计了一个潜在的常微分方程（ODE）为基础的网络变分自动编码器（VAE）的框架下学习的映射函数，从部分上行链路的信道到完整的下行链路的BS侧。具体地说，编码器采用门控递归单元，解码器采用全连接神经网络。利用端到端的学习来优化网络参数。仿真结果表明，该网络可以有效地从部分上行链路信道中推断出完整的下行链路信道，从而显著降低了信道训练开销。
2021-08-09 cs.AI cs.IT eess.SP
Empirical Studies of Propagation Characteristics and Modeling Based on XL-MIMO Channel Measurement: From Far-Field to Near-Field
本文系统研究了6G中XL-MIMO近场无线电通信的信道测量与建模，通过室内外实验提取并验证了从近场到远场的信道特性，发现发射端角扩展的空间非平稳特性对建模至关重要。
2024-04-26 cs.IT eess.SP math.IT
AnciNet: An Efficient Deep Learning Approach for Feedback Compression of Estimated CSI in Massive MIMO Systems
在大规模多输入多输出（m-MIMO）系统中，由于信道状态信息（CSI）开销过大，而反馈带宽有限，因此准确的CSI反馈对于提高系统性能具有重要作用。通过考虑由于不完美的信道估计导致的噪声CSI，我们提出了一种新的深度神经网络架构，即AnciNet，以有限的带宽进行CSI反馈。AnciNet从有噪声的CSI样本中提取无噪声特征，以实现对反馈的有效CSI压缩。实验结果表明，该方法在各种条件下均优于现有方法.
2020-08-17 cs.IT eess.SP math.IT
Channel Extrapolation in FDD Massive MIMO: Theoretical Analysis and Numerical Validation
众所周知，大规模MIMO系统中的下行链路信道估计在频分双工（FDD）模式中产生大的开销，因为训练的量通常与发射天线的数量成比例。相反，使用从测量的上行链路估计到下行链路频带的信道外推完全去除了该开销。在本文中，我们研究了信道外推在频率上的理论极限。我们强调的优势，基于高分辨率的信道估计的外推。推导了外推信道均方误差的下界。文中还提出了一种简化的LB算法，给出了信噪比增益和外推范围的物理直观性。简化LB的有效性依赖于路径被很好地分离的假设。然后，SNR增益随着接收天线的数量线性地提高，而外推性能损失与频率和训练带宽的比率成二次比例。使用3GPP信道模型的理论LB进行数值评估，我们表明，LB可以达到实际的高分辨率参数提取算法。我们的研究结果表明，有很强的限制的外推范围比可以预期的SISO系统，而更有前途的结果，可以得到在多天线设置的路径可以更容易地分离在延迟角域。
2019-02-19 cs.IT math.IT
Statistical Beamforming for FDD Downlink Massive MIMO via Spatial Information Extraction and Beam Selection
在本文中，我们研究了频分复用（FDD）下行链路大规模MIMO系统中的波束成形设计问题，其中瞬时信道状态信息（CSI）被假定为在基站（BS）不可用。我们提出了提取的信息的角度的偏离（AoD）和相应的大尺度衰落系数（a.k.a.）。空间信息）的下行链路信道估计过程，基于此提出了一种新颖的下行链路波束成形设计。在波束形成设计中，我们利用物理信道的空间信息和隐藏稀疏性，将不同用户的子路径分离，构造出近似正交的虚拟信道。此外，我们推导出一个和率表达式及其近似所提出的系统。基于这些封闭形式的速率表达式，我们开发了两个低复杂度的波束选择方案，并进行渐近分析，为系统设计提供有价值的见解。数值结果表明，我们所提出的算法的国家的最先进的波束成形方法的性能显着改善。
2020-03-06 cs.IT math.IT
Sensing and Classification Using Massive MIMO: A Tensor Decomposition-Based Approach
基于无线的活动感测由于其广泛的应用而获得了显著的关注。我们研究了基于无线电的多类分类的人类活动，使用大量的多输入多输出（MIMO）信道测量在视线和非视线的情况下。我们提出了一种基于张量分解的算法，通过利用从测量形成的通道张量的时间，频率和空间的复杂相关特性来提取特征，然后通过神经网络学习输入特征和输出目标标签之间的关系。通过对实际测量数据的评估，证明了即使对于较小的实验数据集，使用大规模MIMO阵列的分类精度也比最先进的方法获得了更好的结果。
2021-09-02 cs.IT eess.SP math.IT
Deep Learning-based Position-domain Channel Extrapolation for Cell-Free Massive MIMO
针对无蜂窝大规模MIMO信道获取开销问题，提出PCEnet，以用户位置为桥梁实现跨基站信道外推，并给出低时延与无位置标签方案，最高减少50%导频和反馈开销。
2025-07-23 cs.IT eess.SP math.IT
Uplink Channel Estimation and Signal Extraction Against Malicious IRS in Massive MIMO System
研究了恶意情报反射面（IRS）的影响.恶意IRS用于通过将合法用户（LU）的数据序列随机地反射到基站（BS）来执行攻击。我们发现LU的数据序列与恶意IRS反射的信号是相关的。传统的基于特征值分解（EVD）的信道估计（CE）方法的相关性破坏了性能。为了解决这个问题，我们提出了一个基于随机分布的信道估计方法，在存在恶意IRS。所提出的方法的工作原理是捕获所需的凸包从恶意IRS干扰的信号，其经验分布的基础上。仿真结果表明，我们提出的方法优于传统的EVD为基础的方法多达近5 dB的归一化均方误差（NMSE）。
2020-11-04 cs.IT math.IT
Optimal Downlink Training Sequence for Massive MIMO Secret-Key Generation
该文在时分双工（TDD）大规模多输入多输出（MIMO）系统中，通过优化下行链路训练序列来最大化秘密密钥容量。考虑了单用户和多用户情况。与以前的工作不同，最优训练序列和相关的秘密密钥容量在单用户情况和大天线多用户情况下以封闭形式表征。还提出了考虑到对最大导频数目的约束的设计。在多用户的情况下，最大-最小和总和容量标准都被考虑，包括潜在的用户优先级。最后，它表明，大规模MIMO提高秘密密钥的能力，通过利用：i）空间维度增益和ii）阵列增益。此外，在大天线的情况下，与单用户的情况相比，在没有额外的导频开销的情况下获得多用户容量。
2021-04-14 cs.IT eess.SP math.IT
CF-CGN: Channel Fingerprints Extrapolation for Multi-band Massive MIMO Transmission based on Cycle-Consistent Generative Networks
National Mobile Communications Research Laboratory, Southeast University（东南大学国家移动通信研究中心）；Purple Mountain Laboratories（紫金山实验室）；Department of Electrical and Computer Engineering, University of Delaware（德克萨斯大学电气与计算机工程系）
针对多频段大规模MIMO传输中信道指纹外推问题，提出基于循环一致生成网络的CF-CGN方法，通过图像翻译、耦合生成网络及联合训练等策略提升外推精度，误差比基准低5-17dB，和速率性能接近完美CSI。
2024-12-30 cs.IT cs.LG eess.SP
Multi-resolution CSI Feedback with deep learning in Massive MIMO System
Beijing National Research Center for Information Science and Technology (BNRist)（北京信息科学与技术国家研究中心）；Tsinghua University（清华大学）
在大规模多输入多输出（MIMO）系统中，用户设备（UE）需要向基站（BS）返回下行信道状态信息（CSI）。然而，在大规模MIMO系统中，随着CSI复杂度的增加，反馈变得昂贵。近来，深度学习（DL）方法被用于提高CSI反馈的重构效率。本文提出了一种新的反馈网络CRNet，通过在多个分辨率上提取CSI特征来实现更好的性能。还介绍了一种先进的训练方案，进一步提高网络的性能。仿真结果表明，在相同的计算复杂性下，该CRNet的性能优于现有的CsiNet.开放源代码可在https://github.com/Kylin9511/CRNet上获得
2021-05-27 cs.IT cs.LG eess.SP
Large-scale MU-MIMO: It Is Necessary to Deploy Extra Antennas at Base Station
在本文中，大规模MU-MIMO系统被认为是具有极大数量的天线（N）的基站（BS）服务于相对较少的用户数量（K）。为了实现最大的和速率，它被证明，用户的数量必须是有限的，使得在BS的天线的数量是在所有用户的天线的优势。换句话说，BS处的天线应该是多余的。在基站处增加天线不再仅仅是提高系统性能的可选方法，而是获得最大和速率的前提。在此基础上，对于一个固定的N，最大化和速率的最佳K进一步获得。此外，还指出，当系统为N=KM时，仅通过在BS处添加少量天线就可以实质性地提高和速率，其中M表示每个用户处的天线。推导是在N和M趋于无穷大的假设下进行的，并且在不同的预编码器上实现。数值模拟验证了我们的渐近结果的严密性和准确性，即使在小的N和M。
2013-07-15 cs.IT math.IT
Low-Complexity Channel Estimation Framework for Non-Square UPA-Assisted XL-MIMO Systems
East China Normal University（华东师范大学）；Imperial College London（伦敦帝国理工学院）；Southeast University（东南大学）；Nanjing University of Information Science and Technology（南京信息工程大学）；University of Macau（澳门大学）
针对非方形UPA辅助的XL-MIMO系统在混合场环境中面临的信道估计难题，提出低复杂度框架。通过天线域和相关域外推方案及算法解耦参数，突破分辨率限制，验证了该框架能有效提升信道估计性能。
2026-10-15 cs.IT eess.SP math.IT
A Low-Overhead Incorporation-Extrapolation based Few-Shot CSI Feedback Framework for Massive MIMO Systems
Jinan University（暨南大学）；University of Macau（澳门大学）；East China Normal University（华东师范大学）；Southeast University（东南大学）
针对大规模MIMO系统CSI反馈开销高和样本需求大的问题，提出基于合并-外推的少样本反馈框架IEFSF，结合知识驱动和AIGC数据增强，在DeepMIMO上实现64倍开销降低并保持高精度。
2024-06-21 cs.AI cs.IT eess.SP
Low-Overhead Channel Estimation via 3D Extrapolation for TDD mmWave Massive MIMO Systems Under High-Mobility Scenarios
Jinan University（暨南大学）；University of Macau（澳门大学）；East China Normal University（华东师范大学）；Southeast University（东南大学）；Tsinghua University（清华大学）
针对高移动 TDD mmWave massive MIMO 的信道老化与高维导频开销问题，提出空间-频率-时间 3D 外推框架及 KDD-SFCEN、TUDCEN，将导频开销降低 16 倍并提升频谱效率。
2024-12-29 cs.AI cs.IT eess.SP
Massive MIMO for Next Generation Wireless Systems
多用户多输入多输出（Multiple-Input Multiple-Output，MIMO）技术与传统的点到点MIMO技术相比有很大的优势：它可以使用廉价的单天线终端，不需要复杂的散射环境，并且由于每个活动终端都利用了所有的时频段，因此简化了资源分配。然而，如最初设想的具有大致相等数量的服务天线和终端以及频分双工操作的多用户MIMO不是可扩展的技术。大规模MIMO（也称为“大规模天线系统”、“超大型MIMO”、“超MIMO”、“全维MIMO”和“ARGOS”）通过在活动终端上使用大量过量的服务天线和时分双工操作，与当前的实践彻底决裂。额外的天线有助于将能量集中到更小的空间区域，从而大大提高吞吐量和辐射能源效率。大规模MIMO的其他好处包括广泛使用廉价的低功耗组件，减少延迟，简化媒体访问控制（MAC）层，以及对故意干扰的鲁棒性。预期的吞吐量取决于向终端提供渐近正交信道的传播环境，但是到目前为止，实验还没有公开在这方面的任何限制。虽然大规模MIMO使许多传统的研究问题变得无关紧要，但它揭示了迫切需要关注的全新问题：制造有效地一起工作的许多低成本低精度组件的挑战，新加入的终端的捕获和同步，利用由过多的服务天线提供的额外的自由度，降低内部功耗以实现总的能量效率降低，并寻找新的部署方案。本文介绍了大规模MIMO的概念和当代研究的概述。
2014-01-21 cs.IT math.IT
Comments on "On Favorable Propagation in Massive MIMO Systems and Different Antenna Configurations" [1]
证明了文[1]中定理1的条件在实际中不成立，定理2在所述条件下是不正确的。需要额外的假设或/和修改以使上面的定理1和2的结论有效，这在下面提供。
2019-09-18 cs.IT math.IT
Channel Estimation in RIS-assisted Downlink Massive MIMO: A Learning-Based Approach
对于时分双工协议下的下行大规模多输入多输出（MIMO），只要信道硬化成立，用户就可以仅利用信道统计信息有效地解码信号。然而，在可重构智能表面（RIS）辅助的大规模MIMO系统中，由于有效信道增益的额外随机波动，传播信道可能不太硬化。为了解决这个问题，我们提出了一种基于学习的方法，训练一个神经网络来学习接收到的下行链路信号和有效信道增益之间的映射。所提出的方法不需要任何下行链路导频和干扰用户的统计信息。数值结果表明，在信道估计的均方误差方面，我们提出的基于学习的方法优于现有技术的方法，特别是当视线（LoS）路径由具有低水平信道硬化的非LoS路径主导时，例如，在RIS元件和/或基站天线的数量较少的情况下。
2022-05-15 cs.IT eess.SP math.IT
Transformer-assisted Parametric CSI Feedback for mmWave Massive MIMO Systems
针对毫米波大规模MIMO系统CSI反馈开销大的问题，提出结合深度学习的参数化CSI反馈方法，将信道压缩为少量几何参数以降低开销，通过深度学习提取参数与重建信道抑制量化误差，在NMSE和BER上优于传统方法。
2024-10-09 cs.IT eess.SP math.IT
Constant-Envelope Multi-User Precoding for Frequency-Selective Massive MIMO Systems
我们考虑在频率选择性多用户大规模MIMO系统中的下行链路预编码与高效，但非线性功率放大器在基站（BS）。提出了一种低复杂度的预编码算法，该算法在每个基站天线处产生恒定包络（CE）信号。为了实现期望的每用户信息速率，当与通常使用的不太严格的总平均发射功率约束相比时，在每天线CE约束下所需的额外总发射功率是小的。
2013-05-07 cs.IT math.IT
Low-Complexity Distance-Based Scheduling for Multi-User XL-MIMO Systems
本文提出基于用户等效距离分类的DBS用户选择方法，在XL-MIMO下行多用户系统中以低复杂度抑制干扰，并揭示球面波前传播可增加可服务用户数。
2021-04-28 cs.IT eess.SP math.IT
Joint DOD and DOA Estimation in Slow-Time MIMO Radar via PARAFAC Decomposition
针对慢时间MIMO雷达多普勒域样本不足问题，提出基于新张量模型与改进交替最小二乘的PARAFAC分解方法，利用阵列范德蒙德结构实现性能更优的联合DOD与DOA估计，仿真验证了有效性。
2020-07-30 cs.IT eess.SP math.IT
A Partial Reciprocity-based Channel Prediction Framework for FDD Massive MIMO with High Mobility
大规模多输入多输出（MIMO）被认为可以为5G及以后提供未被代表的频谱效率增益。然而，在其商业部署过程中出现了一个实际挑战，这被称为“移动性的诅咒”。大规模MIMO系统的性能随着用户速率的增加而急剧下降。在本文中，我们解决了频分双工（FDD）的大规模MIMO与新的信道状态信息（CSI）获取框架的问题。提出了一种用于信道训练的联合角度延迟多普勒（JADD）宽带预编码器。我们的想法包括在开发的FDD和角度延迟多普勒信道结构的部分信道互易性。更精确地，基站（BS）使用矩阵变换（MP）方法基于UL导频来估计UL信道的角度延迟多普勒信息。然后根据提取的参数计算宽带JADD预编码器。之后，用户估计并反馈一些标量系数，以供BS重构预测的DL信道。渐近分析表明，随着基站天线数和带宽的增加，CSI预测误差收敛到零。工业信道模型的数值结果表明，该框架能够很好地适应高速（350 km/h）、大CSI时延（10 ms）和信道采样噪声。
2022-05-26 cs.IT eess.SP math.IT
Mini-Batch Gradient-Based MCMC for Decentralized Massive MIMO Detection
本文针对大规模MIMO集中式处理的计算与数据交换瓶颈，提出一种去中心化架构下结合小批量随机梯度下降的梯度MCMC检测方法，在降低计算延迟和互连带宽的同时实现显著性能提升。
2024-07-26 cs.IT eess.SP math.IT
From Antenna Abundance to Antenna Intelligence in 6G Gigantic MIMO Systems
KTH Royal Institute of Technology（皇家理工学院）；Bilkent University（比尔肯特大学）；Nokia Technology Standards（诺基亚技术标准）；Constructor University Bremen（不来梅康斯坦斯大学）
本文提出通过智能天线设计减少天线数量，提升6G巨型MIMO系统性能。
2026-01-13 cs.IT eess.SP math.IT
Predicting Future CSI Feedback For Highly-Mobile Massive MIMO Systems
大规模多输入多输出（MIMO）系统在提供前所未有的高数据率方面具有广阔的应用前景。为了实现其全部潜力，收发器需要完整的信道状态信息（CSI）来执行发送/接收预编码/组合。然而，由于不可避免的处理和反馈延迟，这一要求在实际系统中是具有挑战性的，这通常会在很大程度上降低性能，特别是在高移动性场景中。在本文中，我们开发了一个基于深度学习的信道预测框架，该框架基于过去观察到的信道序列主动预测下行链路信道状态信息。在其核心，该模型采用基于3-D卷积神经网络（CNN）的架构，以有效地学习下行链路信道样本的时间，空间和频率相关性，基于此可以执行准确的信道预测。仿真结果突出了潜在的开发的学习模型提取信息和预测未来的下行链路信道直接从观察到的过去的信道序列，这显着提高了性能相比，采样和保持的方法，并减轻了动态通信环境的影响。
2022-02-05 cs.IT eess.SP math.IT
Rate-Splitting for Cell-Free Massive MIMO: Performance Analysis and Generative AI Approach
本文研究基于速率分裂的无小区大规模MIMO系统，推导了和频谱效率闭式表达式，并提出基于扩散模型的生成式AI算法解决功率分裂与控制的非凸联合优化问题，有效缓解干扰。
2024-09-24 cs.IT eess.SP math.IT
Deep Learning Based FDD Non-Stationary Massive MIMO Downlink Channel Reconstruction
针对频分复用（FDD）大规模多输入多输出（MIMO）系统，提出了一种基于模型驱动的深度学习下行信道重构方案。空间非平稳性是未来超大孔径大规模MIMO系统的关键特征。利用神经网络代替信道矩阵学习信道模型参数，节省了系统开销，提高了信道重构的准确性。通过将通道视为图像，我们引入You Only Look Once（YOLO），这是一种用于目标检测的强大神经网络，可以快速估计模型参数，包括检测路径的角度和延迟以及识别散射体的可见区域。基于深度学习的方案避免了由基于算法的参数提取方法引入的复杂迭代过程。基于低复杂度算法的细化器进一步细化YOLO估计，以达到高精度。鉴于模型驱动深度学习的高效性以及神经网络与算法的结合，该方案能够快速准确地重建非平稳下行信道。此外，所提出的方案也适用于广泛关注的平稳系统，并实现了相当的重建精度作为一种基于算法的方法，大大减少了时间消耗。
2020-02-23 cs.IT eess.SP math.IT
Hybrid Quantum Convolutional Neural Network-Aided Pilot Assignment in Cell-Free Massive MIMO Systems
本文提出混合量子卷积神经网络（HQCNN）用于无小区大规模MIMO系统的导频分配，利用参数化量子电路增强特征提取，实现接近穷举搜索的吞吐量并优于现有基准。
2025-07-09 cs.IT eess.SP math.IT
Deep Learning based Channel Extrapolation for Large-Scale Antenna Systems: Opportunities, Challenges and Solutions
随着频谱资源的日益枯竭，无线通信系统转向利用大规模天线阵列来实现空域自由度，如毫米波大规模多输入多输出（MIMO）、可重构智能表面辅助通信和无小区大规模MIMO等。在这些系统中，如何获取准确的信道状态信息（CSI）是一个难点，成为通信链路的瓶颈。在这篇文章中，我们介绍了信道外推的概念，依赖于一小部分的信道参数来推断剩余的信道参数。由于信道外推的实质是从一个参数子空间到另一个参数子空间的映射，因此我们可以求助于深度学习（DL），一种强大的学习架构，来近似这种映射函数。具体而言，我们首先分析了信道外推的要求，条件和挑战。然后，我们提出了三个典型的外推天线尺寸，频率维度，和物理终端，分别。我们还说明了各自的原则，设计挑战和DL策略。可以看出，与传统的策略相比，信道外推可以大大减少传输开销，从而提高性能增益。最后，我们提出了未来智能通信系统中信道外推的几个潜在研究方向。
2021-02-25 cs.IT eess.SP math.IT
QoE-Aware Beamforming Design for Massive MIMO Heterogeneous Networks
未来无线网络的主要目标之一是提高用户体验质量（QoE）。在本文中，我们考虑的问题，基于QoE的资源分配在下行链路的大规模多输入多输出（MIMO）异构网络（HetNet）。网络由宏小区和嵌入其中的多个小小区组成，小小区基站（BS）配备有少量天线，而宏BS配备有大量天线。我们考虑两个服务视频和Web浏览，并在BS处设计波束成形向量。目标是在BS功率和用户所需的服务质量（QoS）的约束下最大化用户的聚合平均意见得分（MOS）。我们还考虑了对用户的QoE的额外约束，以在波束成形设计中更强地实施QoE。为了降低优化问题的复杂性，我们提出了次优和计算效率高的解决方案。我们的研究结果表明，增加基站的天线数量，同时增加网络中小小区天线的数量，会导致更高的用户满意度。
2018-05-16 cs.IT eess.SP math.IT
FDD Massive MIMO via UL/DL Channel Covariance Extrapolation and Active Channel Sparsification
提出了一种在频分双工（FDD）系统中实现大规模多输入多输出（massive MIMO）的新方法。由于上行链路（UL）和下行链路（DL）之间的大频率分离，在FDD系统中信道互易性不成立。因此，为了向基站（BS）提供DL信道状态信息，需要闭环DL信道探测和信道状态信息（CSI）反馈。在大规模MIMO中，这通常会导致较大的训练开销。例如，在具有M = 200个BS天线和T = 200个符号的衰落相干块的典型配置中，由max{0，1 - M/T}给出的由于DL训练开销而导致的所得速率惩罚因子接近于0。为了减少这种开销，我们建立在众所周知的事实上，即用户信道的角散射函数（ASF）在其大小相对于载波频率较小的频率间隔上是不变的（如在当前FDD蜂窝标准中）。这允许从UL导频估计用户的DL信道协方差矩阵，而没有额外的开销。基于此协方差信息，我们提出了一种新的稀疏化预编码器，以最大化有效稀疏化信道矩阵的秩，条件是每个有效用户信道具有不大于某个期望的DL导频维度T_{dl}的稀疏度，从而导致DL训练开销因子max{0，1 - T_{dl} / T}和T_{dl}导频测量的CSI反馈成本。将稀疏化预编码器的优化问题表示为一个混合线性规划问题，可以有效地求解。大量的仿真结果表明，所提出的方法相对于并发的最先进的方案，基于压缩感知或UL/DL字典学习的优越性。
2018-08-24 cs.IT math.IT
Beyond MMSE: Rank-1 Subspace Channel Estimator for Massive MIMO Systems
提出秩一子空间信道估计器，以低复杂度近似ML估计，优于线性MMSE，额外增益随天线数对数增长，复杂度线性扩展，扩展精度-复杂度区域。
2024-04-21 cs.IT eess.SP math.IT
Aggregated Network for Massive MIMO CSI Feedback
在频分复用（FDD）模式下，需要从用户设备向基站发送信道状态信息（CSI）。大规模多输入多输出（MIMO）系统的下行链路CSI是获取潜在增益的关键。近年来，深度学习被广泛应用于大规模MIMO CSI反馈任务，并与传统的压缩感知方法进行了比较。本文设计了一种新型的网络ACRNet，通过网络聚合和参数化RuLU激活来提高反馈性能。此外，有效的方法来扩展网络结构，以换取更好的性能，首先在CSI反馈任务进行了讨论。实验表明，ACRNet在没有任何额外信息的情况下，性能优于以前最先进的反馈网络。
2021-05-04 cs.AI cs.IT eess.SP
Binary Neural Network Aided CSI Feedback in Massive MIMO System
Beijing National Research Center for Information Science and Technology (BNRist)（北京信息科学与技术国家研究中心（BNRist））；Tsinghua University（清华大学）
在大规模多输入多输出（MIMO）系统中，信道状态信息（CSI）是基站获得高性能增益所必需的。近年来，深度学习被广泛应用于CSI压缩中，以对抗频分复用系统中大规模MIMO带来的不断增长的反馈开销。然而，应用神经网络会带来额外的存储和计算成本，这对于资源有限的用户设备（UE）来说尤其不可忽略。本文介绍了一种新的二值化辅助反馈网络BCsiNet。此外，BCsiNet变体旨在提高定制训练和推理方案下的性能。实验表明，与CsiNet相比，BCsiNet在UE端为编码器提供了超过30个$\times$的内存节省和大约2个$\times$的推理加速。此外，BCsiNet的反馈性能与原始CsiNet相当。关键结果可在https://github.com/Kylin9511/BCsiNet上复制。
2020-11-05 cs.AI cs.IT eess.SP
Better Lightweight Network for Free: Codeword Mimic Learning for Massive MIMO CSI feedback
Tsinghua University（清华大学）；Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）
在频分双工（FDD）多输入多输出（MIMO）系统中，需要从用户设备（UE）向基站（BS）反馈信道状态信息（CSI）。近年来，神经网络被广泛应用于CSI压缩反馈，因为原始开销对于大规模MIMO系统来说太大。值得注意的是，轻量级反馈网络由于其部署的实用性而受到特别关注。然而，反馈的准确性可能会受到网络压缩的损害。本文提出了一种无代价的提取技术--码字模仿（CM）技术，利用实际的轻量级编码器来训练性能更好的反馈网络。设计了一种具有特殊蒸馏调度器的模拟探索训练策略来增强CM学习。实验表明，所提出的CM学习优于以前的最先进的反馈蒸馏方法，提高了轻量级反馈网络的性能，而没有任何额外的推理成本。
2022-10-29 cs.AI cs.IT eess.SP
Pilot Reuse Strategy Maximizing the Weighted-Sum-Rate in Massive MIMO Systems
研究了多小区大规模多输入多输出（MIMO）系统中存在不同优先级的用户组时的导频复用问题。最近对导频重用的研究已经揭示，当相干时间间隔与用户数量的比率相当高时，不完全重用来自干扰小区的导频是有益的。本工作找到了最佳的导频分配策略，将最大化的加权和速率（WSR）给定的用户组具有不同的优先级。最优导频分配的封闭形式的解决方案推导出来，并示出，使直观的意义。性能比较表明，在较宽的信道条件下，使用额外导频集的最优导频分配比传统的全导频复用具有更好的WSR性能。
2017-05-02 cs.IT math.IT
Channel Estimation for TDD/FDD Massive MIMO Systems with Channel Covariance Computing
本文提出了一种新的TDD/FDD大规模MIMO系统信道估计方案，该方案通过利用阵列信号处理技术重构上下行信道协方差矩阵（CCM）来实现。具体地，从瞬时上行链路信道状态信息（CSI）中提取每个多径信道的角度信息和功率角谱（PAS）。然后，重建上行链路CCM，并可以用于改善上行链路信道估计，而无需任何额外的训练成本。由于上行链路和下行链路信道之间的角度互易性以及PAS互易性，即使对于FDD大规模MIMO系统，也可以用类似的方法来推断下行链路CCM。然后，下行链路瞬时CSI可以通过向每个用户的主导特征方向训练来获得。所提出的策略适用于任何类型的PAS分布和阵列几何形状。数值结果表明，所提出的方法优于现有的。
2017-10-02 cs.IT math.IT
Spectral Efficiency Analysis of Cell-Free Massive MIMO Systems with Zero-Forcing Detector
本文首先推导了无小区大规模多输入多输出（MIMO）系统在理想/不理想信道状态信息（CSI）下的上行链路可达速率的两个近似表达式，这些近似表达式不仅简单，而且收敛到传统基站天线共址的大规模MIMO系统的经典上界。值得注意的是，当导频序列功率变为无穷大时，所获得的具有完美CSI的两个近似可以分别被视为所获得的具有不完美CSI的两个近似的特殊情况。此外，理论分析表明，由于大规模分布式天线提供的额外的{ \emph {距离分集}}，除了自由空间环境之外，所有获得的具有完美/不完美CSI的近似都具有渐近下界$\fracα{2}\log_2 L$，其中$L$是BS天线的数量和路径损耗因子$α>2$。显然，这些结果表明，无小区的大规模MIMO系统具有巨大的潜力的频谱效率比传统的大规模MIMO系统的渐近紧界$\log_2 L$。
2019-11-05 cs.IT math.IT
Dual-Propagation-Feature Fusion Enhanced Neural CSI Compression for Massive MIMO
针对大规模MIMO系统中CSI压缩现有深度学习方法特征提取单一的问题，提出融合CNN与注意力网络双传播特征的DuffinNet及Duffin-CsiNet框架，结合量化与迁移学习策略，在重建性能等方面优于现有方法。
2023-05-29 cs.IT math.IT
Jamming-Resistant Receivers for the Massive MIMO Uplink
为了提高大规模MIMO上行链路系统抗干扰的鲁棒性，我们设计了一种抗干扰接收机方案。我们假设干扰机在导频和数据传输阶段都对系统进行攻击。该方案的主要特点是，在导频阶段，我们不仅估计合法信道，还利用故意未使用的导频序列来估计干扰信道。干扰信道估计用于构造线性接收滤波器，以抑制干扰信号的影响。该方案的性能分析评估使用大规模MIMO的渐近性质。研究了最优正则迫零接收机和最优功率分配问题。数值结果验证了我们的分析，并表明该方案大大提高了可实现的速率，相比传统的接收机。有趣的是，所提出的方案在强干扰攻击下特别有效，因为改进的干扰信道估计超过了额外的干扰功率。
2017-02-28 cs.IT math.IT
Learning-based near- versus far-field boundaries for ultra-massive MIMO communications
Technische Universität Berlin（柏林工业大学）；King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）；American University of Beirut (AUB)（贝鲁特美国大学）
本文提出一种基于物理特征与OPTICS聚类的无监督学习框架，仅利用接收信号功率变化即可准确区分UM-MIMO系统中的近场与远场区域，无需信道状态信息，仿真验证其与理论边界一致。
2026-09-21 cs.IT math.IT
Spatially Correlated Massive MIMO Relay Systems with Low-Resolution ADCs
在本文中，我们研究了大规模MIMO中继系统，其中中继站（RS）转发来自多个远程用户的信号到基站（BS）。在RS和BS处配备大规模天线阵列以及低分辨率模数转换器（ADC），以保证低成本的高频谱效率。考虑到RS和BS的空间相关性，我们首先研究了规范信道估计过程，从中提取了信道估计的一个易于处理的等价形式以供进一步分析。在这些传输损伤以及ADC量化缺陷下，我们推导出可实现速率的封闭形式近似。在此基础上，全面分析了功率缩放、空间相关度和ADC分辨率位数对系统性能的影响，为实际系统的部署和实现提供指导。数值结果验证了理论分析在一个简单的方式。
2020-04-16 cs.IT math.IT
Hybrid Precoding-Based Millimeter-Wave Massive MIMO-NOMA with Simultaneous Wireless Information and Power Transfer
非正交多址接入（NOMA）最近被认为是毫米波（mmWave）大规模MIMO系统，以进一步提高频谱效率。此外，同时无线信息和功率传输（SWIPT）是最大化能量效率的有前途的解决方案。在本文中，我们首次研究了毫米波大规模MIMO-NOMA系统中SWIPT的集成。由于毫米波大规模MIMO将可能使用混合预编码（HP）来显著减少所需的射频（RF）链的数量而没有明显的性能损失，其中全数字预编码器被分解为高维模拟预编码器和低维数字预编码器，因此我们提出在基于HP的MIMO-NOMA系统中应用SWIPT，其中每个用户可以通过使用功率分离接收机从接收到的RF信号中提取信息和能量。该算法首先为每个波束选择一个用户，然后根据所选择的簇头为所有波束设计模拟预编码。然后，基于用户的等效信道的相关性来执行用户分组。然后，通过在每个波束中选择具有最强等效信道增益的用户来设计数字预编码。最后，通过联合优化mmWave大规模MIMO-NOMA的功率分配和SWIPT的功率分配因子，最大化可达和速率，并设计了一种迭代优化算法来解决非凸问题.仿真结果表明，与基于HP的MIMO-OMA相比，基于HP的MIMO-NOMA具有更高的频谱效率和能量效率。
2018-09-20 cs.IT math.IT
