Channel Estimation in Massive MIMO under Hardware Non-Linearities: Bayesian Methods versus Deep Learning
研究了在实际莱斯衰落环境下,基站和用户设备的非线性硬件损伤对单小区大规模MIMO(multiple-input multiple-output)上行链路性能的联合影响。首先,Bussgang分解为基础的有效通道和失真特性的解析推导和频谱效率(SE)实现了几个接收器的三阶非线性进行了探讨。接着,设计并训练两个深度前馈神经网络来估计每个BS天线处的有效信道和失真方差,这用于信号检测。我们比较了所提出的方法的性能与国家的最先进的失真感知和不知道贝叶斯线性最小均方误差(LMMSE)估计。所提出的深度学习方法通过利用损伤特征来提高估计质量,而LMMSE方法将失真视为噪声。使用由在BS和UE处的非线性的一般阶数的导出的有效信道生成的数据,示出了基于深度学习的估计器也为大于三阶的非线性提供了有效信道的更好的估计。
2020-01-13 cs.IT eess.SP math.IT
Impact of Backward Crosstalk in 2x2 MIMO Transmitters on NMSE and Spectral Efficiency
我们考虑2 x 2发射机中的后向串扰,这是由发射机输出到输入的串扰或输出串扰和阻抗失配的组合引起的。我们通过反馈网络和三阶功率放大器非线性来分析其影响。我们利用Bussgang分解来表示的失真的输出信号的发射机作为一个线性变换的输入加上不相关的失真。解析地表示了失真信号和期望放大信号之间的归一化均方误差(NMSE),并推导出了使两个支路的最差NMSE最小的最佳闭合形式功率回退。在本文的第二部分中,提出了一种可实现的频谱效率(SE),用于从这个“脏”发射机到另一个单天线接收机的通信。SE最大化预编码器是通过利用硬件特性来最优地找到的。此外,最佳功率回退分析了两个次优预编码器,这要么不利用任何硬件知识或只有部分知识。仿真结果表明,这些次优预编码器的性能接近最优。我们还讨论了如何在本文中的分析可以扩展到发射机与任意数量的天线分支。
2020-05-04 cs.IT eess.SP math.IT
Asymptotic SEP Analysis and Optimization of Linear-Quantized Precoding in Massive MIMO Systems
本文针对大规模MIMO系统低分辨率DAC下的线性量化预编码,在渐近框架下分析SINR与SEP性能,为Bussgang分解的启发式论证提供严格支撑,并推导得到含常用预编码器的一类线性量化预编码器中的最优预编码器,数值验证了分析精度与预编码器最优性。
2023-10-08 cs.IT eess.SP math.IT
Mitigating SAR-ADC Non-Idealities in Massive MU-MIMO Systems via Affine Models
ETH Zurich(苏黎世联邦理工学院)
针对实际SAR-ADC非理想性被忽视的问题,提出两种仿射模型(基于Bussgang分解和最大化SDR),并设计低复杂度方法缓解其在 massive MU-MIMO 系统中的影响。
2026-06-12 eess.SP
Stream-Adaptive Quantization and Power Allocation in Fronthaul-Constrained MIMO Systems
Bilkent University(比尔肯特大学);KTH Royal Institute of Technology(皇家理工学院)
本文研究了前端约束MIMO系统中流适应量化与功率分配的影响,提出了一种联合比特和功率分配方案,以提高总速率性能。
2026-04-13 eess.SP
Plug-in Channel Estimation with Dithered Quantized Signals in Spatially Non-Stationary Massive MIMO Systems
针对空间非平稳大规模 MIMO 的一比特量化接收,本文提出带抖动的插入式 BLMMSE 信道估计、协方差失真分析、角域非负最小二乘拟合及 BLMMSE 接收机,性能逼近理想协方差方案。
2024-01-24 cs.IT eess.SP math.IT
Impact of Phase Noise and Power Amplifier Non-Linearities on Downlink Cell-Free Massive MIMO-OFDM Systems
本文针对低成本接入点带来的硬件损伤问题,分析了含相位噪声与功放非线性的无蜂窝大规模MIMO-OFDM下行系统频谱效率,推导表达式并仿真发现相位噪声影响更显著,为失真感知预编码设计提供依据。
2025-07-29 eess.SP
DOA Estimation Using Massive Receive MIMO: Basic Principle and Key Techniques
本文综述大规模接收MIMO的DOA估计原理、关键技术与挑战,提出低分辨率ADC的HAD架构及单基站3D AOA几何中心定位方法,并说明其可达CRLB与6G应用价值。
2023-07-16 cs.IT eess.SP math.IT
Linear and Deep Neural Network-based Receivers for Massive MIMO Systems with One-Bit ADCs
使用一位模数转换器(ADC)是降低大规模多输入多输出(MIMO)系统中的成本和功耗的实用解决方案。然而,1位ADC引起的失真使得数据检测任务更具挑战性。在本文中,我们提出了一个两阶段的检测方法,大规模多输入多输出系统与一位ADC。在第一阶段,我们提出了几个线性接收器的基础上的Bussgang分解,表现出显着的性能增益超过现有的线性接收器。接下来,我们重新制定的最大似然(ML)检测问题,以解决其非鲁棒性。基于重新定义的ML检测问题,我们提出了一种模型驱动的基于深度神经网络(DNN)的接收器,其性能与现有的基于支持向量机的接收器相当,尽管计算复杂度要低得多。然后,提出了一种最近邻搜索方法的第二阶段,以改善第一阶段的解决方案。与通常在大的候选集上执行搜索的现有搜索方法不同,所提出的搜索方法生成有限数量的最可能的候选,从而限制了搜索复杂度。数值结果证实了所提出的两阶段检测方法的低复杂度,效率和鲁棒性。
2020-09-01 eess.SP
Deep-Learning-Based Channel Estimation for Distributed MIMO with 1-bit Radio-Over-Fiber Fronthaul
Chalmers University of Technology(查尔姆斯理工大学);Ericsson Research(爱立信研究院)
本文研究1比特光纤前传分布式大规模MIMO上行信道估计,将深度学习信道估计算法适配到该架构,并通过仿真证明其显著优于Bussgang线性MMSE估计器,且对AGC和比较器引入的额外失真具有鲁棒性。
2024-07-05 cs.LG eess.SP
Nonlinear Sparse Bayesian Learning Methods with Application to Massive MIMO Channel Estimation with Hardware Impairments
Centre for Wireless Communications, University of Oulu(奥卢大学无线通信中心)
本文提出非线性稀疏贝叶斯学习方法,用于大规模MIMO信道估计中的硬件损伤建模,通过高斯过程回归提升估计精度与计算效率。
2026-02-19 eess.SP
Deep Learning for Estimation and Pilot Signal Design in Few-Bit Massive MIMO Systems
由于接收信号被低分辨率ADC非线性失真,因此在几位MIMO系统中的估计是具有挑战性的。在本文中,我们提出了一个用于信道估计、数据检测和导频信号设计的深度学习框架,以解决此类系统中的非线性问题。所提出的信道估计和数据检测网络是模型驱动的,并且具有特殊的结构,该结构利用了在少量比特量化过程中的领域知识。第一数据检测网络,即B-DetNet,基于从Bussgang分解获得的线性化模型,而信道估计网络和第二数据检测网络,即分别为FBM-CENet和FBM-DetNet,依赖于原始量化系统模型。为了开发FBM-CENet和FBM-DetNet,重新制定了最大似然信道估计和数据检测问题,以克服消失梯度问题。所提出的FBM-CENet结构的一个重要特征是导频矩阵被集成到其信道估计器的权重矩阵中。因此,训练所提出的FBM-CENet使得能够联合优化基站处的信道估计器和从用户发送的导频信号。仿真结果表明,所提出的深度学习框架在估计精度方面有显着的性能提升。
2021-07-26 eess.SP
Distributed Massive MIMO with 1-Bit Radio-over-Fiber Fronthaul: Uplink Spectral Efficiency and Power Control
Chalmers University of Technology(查尔姆斯理工大学);Hangzhou Dianzi University(杭州电子科技大学)
针对1比特射频光纤前传的分布式MIMO系统,提出无需MMSE信道估计的可达速率表达式,利用Bussgang分解线性化输入输出关系,优化信噪比和过采样,解决最大最小公平功率控制问题。
2026-06-26 eess.SP
Double-Sparsity Learning Based Channel-and-Signal Estimation in Massive MIMO with Generalized Spatial Modulation
在本文中,我们研究了联合天线活动检测,信道估计和多用户检测的大规模多输入多输出(MIMO)系统与一般空间调制(GSM)。本文首先考虑大规模MIMO信道的稀疏性和GSM系统的信号稀疏性,建立了一个双稀疏大规模MIMO模型。基于双稀疏模型,我们制定了盲检测问题。为了解决盲检测问题,我们提出了基于消息传递的盲信道和信号估计(BCSE)算法。BCSE算法基本上遵循仿射稀疏矩阵分解技术,但进行了关键修改以处理模型的双稀疏性。我们表明,BCSE算法显着优于现有的盲和基于训练的算法,并能够密切接近精灵的界限(与已知信道或已知信号)。在BCSE算法中,稀疏矩阵分解后,使用短导频来消除相位和排列模糊。为了更有效地利用短导频,我们进一步发展了半盲信道和信号估计(SBCSE)算法,将相位和排列模糊度的估计到迭代消息传递过程中。我们表明,SBCSE算法大大优于同行的算法,包括BCSE算法在短导频制度。
2019-10-25 cs.IT eess.SP math.IT
Accelerating Iteratively Linear Detectors in Multi-User (ELAA-)MIMO Systems with UW-SVD
针对多用户(ELAA-)MIMO信道病态导致迭代检测器收敛缓慢的问题,本文提出用户级奇异值分解(UW-SVD)方法,通过消除用户内干扰构建条件数更优的等效信号模型,从而将现有迭代算法的收敛速度提升最高10倍。
2024-08-16 cs.IT eess.SP math.IT
A Modular Neural Network Based Deep Learning Approach for MIMO Signal Detection
University of Surrey(萨里大学);Airbus Defense and Space(空中客车防务与航天公司)
在本文中,我们发现,人工神经网络(ANN)辅助多输入多输出(MIMO)信号检测可以建模为人工神经网络辅助的有损矢量量化(VQ),命名为MIMO-VQ,这基本上是一个联合统计信道量化和信号量化过程。研究发现,量化损失随发射天线数线性增加,因此MIMO-VQ随MIMO规模的扩展性较差。基于这一发现,我们提出了一种新的模块化神经网络的方法,称为MNNet,其中整个网络是由一组预定义的ANN模块形成的。ANN模块设计的关键在于MNNet中并行干扰消除的集成,其线性地减少了沿前馈传播的干扰(或等效地减少了发射天线的数量);以及量化损耗。我们的模拟结果表明,MNNet方法在很大程度上提高了深度学习能力,在各种情况下都具有接近最佳的性能。如果MNNet是模块化的,那么学习过程不需要应用于整个网络,而是在模块化级别上。由于这个原因,MNNet具有比其他基于深度学习的MIMO检测方法低得多的学习复杂度的优势。
2020-04-01 cs.IT cs.LG eess.SP
Extremely-Fast, Energy-Efficient Massive MIMO Precoding with Analog RRAM Matrix Computing
无线通信中的信号处理,诸如预编码、检测和信道估计,基本上是关于求解逆矩阵问题,然而,逆矩阵问题在常规数字计算机中是缓慢且低效的,因此需要根本的范式转换来实现快速、实时的解决方案。在这里,我们首次将新兴的模拟矩阵计算(AMC)应用于大规模多输入多输出的线性预编码。实值AMC的概念被扩展到处理复值信号。为了使MIMO信道模型适应RRAM电导映射,设计了一种新的矩阵求逆电路。此外,全模拟低功耗和优化运算放大器的设计,以支持AMC预编码的实施。仿真结果表明,对于16 × 128 MIMO系统,迫零预编码在20 ns内完成,比传统的数字方法快两个数量级。同时,能源效率提高了50倍。
2022-11-07 cs.AR eess.SP
A Survey on User-Centric Cell-Free Massive MIMO Systems
在过去几十年中,移动数据业务已经呈指数增长,这已经通过网络基础设施在增加的小区密度方面的致密化(即,超密集网络(UDN))和/或增加每个接入点(AP)的活动天线的数量(即,大规模多输入多输出(mMIMO))。然而,UDN和mMIMO都不会满足第六代(6 G)无线通信的日益增长的数据率需求,这分别是由于小区间干扰和大的服务质量变化。无小区(CF)mMIMO结合了UDN和mMIMO的优点,被认为是解决这个问题的关键。在这样的系统中,每个用户设备(UE)由周围AP的优选集合协作地服务。在本文中,我们提供了一个调查的国家的最先进的文献CF mMIMO。作为一个出发点,CF mMIMO的意义和基本属性突出。然后,我们提出了规范框架,其中的基本细节(即,传输过程和数学系统模型)。接下来,我们将深入研究与CF mMIMO相关的资源分配和信号处理问题,并调查最新的方案和算法。然后,我们讨论了实现CF mMIMO时的实际问题。然后指出了未来的潜在方向。最后,我们总结了在这一领域的主要经验教训,总结本文。本文旨在为任何想要为未来无线网络进行CF mMIMO研究的人提供一个起点。
2021-10-06 cs.IT eess.SP math.IT
Amortized Neural SVD for XL-MIMO: Structure-Guided Factor Prediction for Beamforming and Multi-Stream Utility
State Key Laboratory of ISN and School of Telecommunications Engineering, Xidian University(西安电子科技大学信息与系统研究所国家重点实验室及电信工程学院);School of Computer Science and Technology, Xi’an Jiaotong University(西安交通大学计算机科学与技术学院)
针对XL-MIMO的SVD延迟瓶颈,提出SVDNet神经算子,通过单次前向传播生成波束成形所需的低秩因子,在单流传输中性能接近精确SVD,多流和速率优于基线,可扩展至512×512规模。
2026-08-28 eess.SP
Exploiting Dynamic Sparsity for Near-Field Spatial Non-Stationary XL-MIMO Channel Tracking
本文提出一种基于动态稀疏性的DA-MAP框架,利用三层马尔可夫先验和分层2D马尔可夫模型,通过IF-VBI和Turbo-CS等模块,实现近场XL-MIMO空间非平稳信道的高效跟踪,兼顾性能与低计算开销。
2025-03-31 eess.SP