Quantized Transformers for Massive MIMO Precoding with Automatic Resolution Tuning
Polytechnique Montréal（蒙特利尔理工学院）
针对大规模MIMO预编码，提出可微分的精度学习与神经架构搜索方法，联合优化量化参数，实现紧凑Transformer预编码器，能耗效率较经典算法提升最高288倍。
2026-10-06 eess.SP
Two-Step Codeword Design for Millimeter Wave Massive MIMO Systems with Quantized Phase Shifters
提出了一种适用于毫米波（mmWave）大规模多输入多输出（MIMO）系统的两步码字设计方法。首先设计理想码字，这忽略了移相器分辨率和RF链数量方面的硬件约束。在此基础上，考虑硬件约束条件，得到实际码字。对于第一步中的理想码字设计，向波束增益引入附加相位以提供额外的自由度。我们开发了一种相移理想码字设计（PS-ICD）方法，该方法基于交替最小化，每次迭代具有封闭形式的解，并且可以扩展到设计具有不同波束方向图的更一般的波束形成向量。一旦在第一步骤中获得理想码字，第二步骤中的实际码字设计问题是通过考虑混合预编码结构在移相器分辨率和RF链的数量方面的硬件约束来接近理想码字。我们提出了一种基于快速搜索的交替最小化（FS-AltMin）算法，交替设计的模拟预编码器和数字预编码器。仿真结果验证了所提方法的有效性，并表明基于两步方法设计的码字性能优于现有方法。
2020-02-15 eess.SP
Performance Analysis of Quantized Uplink Massive MIMO-OFDM With Oversampling Under Adjacent Channel Interference
大规模多输入多输出（MIMO）系统由于其相对于单天线系统的诸多优点，近年来引起了人们的广泛关注。由于许多天线，期望每个天线的低成本实现和低功耗。为此，在许多研究中已经研究了具有低分辨率模数转换器（ADC）的大规模MIMO结构。然而，在量化的大规模MIMO系统的相邻频带上的强干扰的影响还没有被检查。在这项研究中，我们分析了上行链路大规模MIMO的性能与低分辨率ADC下的频率选择性衰落与正交频分复用在完美和不完美的接收机信道状态信息的情况下。我们推导出的比特出错率和遍历容量的解析表达式。我们表明，干扰频带可以抑制通过增加天线的数量或过采样率时，采用迫零接收机。
2020-02-18 cs.IT eess.SP math.IT
Splitting Precoding with Subspace Selection and Quantized Refinement for Massive MIMO
KTH Royal Institute of Technology（皇家理工学院）
本文提出一种分裂预编码方法，通过子空间选择和量化细化提升大规模MIMO的频谱效率
2026-01-02 cs.AR eess.SP
Power-Constrained and Quantized MIMO-RSMA Systems with Imperfect CSIT: Joint Precoding, Antenna Selection, and Power Control
Korea Advanced Institute of Science and Technology（韩国科学技术院）
针对下行多用户MIMO-RSMA系统，提出联合预编码、天线选择和功率控制算法以最大化频谱效率，并处理不完美CSIT和任意分辨率DAC。
2025-08-07 eess.SP
A Reduced Complexity Ungerboeck Receiver for Quantized Wideband Massive SC-MIMO
针对低分辨率量化大规模SC-MIMO的信道估计与检测难题，提出基于Bussgang分解和Ungerboeck因式分解的低复杂度迭代接收机及无循环前缀LMMSE信道估计器，在非理想信道下实现性能提升且大幅降低复杂度。
2020-08-18 cs.IT eess.SP math.IT
Analog Versus Hybrid Precoding for Multiuser Massive MIMO with Quantized CSI Feedback
在这封信中，我们研究了下行链路多用户大规模多输入多输出（MIMO）系统的子连接结构在有限的反馈信道的性能。理论上分析了纯模拟预编码和混合预编码系统的紧速率近似。量化的模拟和数字预编码的效果，其特征在于在派生的表达式。此外，它揭示了纯模拟预编码优于混合预编码使用最大比传输（MRT）或迫零（ZF）在一定的条件下，我们在理论上描述的条件在封闭形式的信噪比（SNR），用户数和反馈比特数。数值结果验证了瑞利信道和毫米波信道的推导结论。
2020-06-01 cs.IT eess.SP math.IT
Joint AGC and Receiver Design for Large-Scale MU-MIMO Systems with Coarsely Quantized Signals and C-RANs
在这项工作中，我们提出了自动增益控制（AGC）的联合优化，它工作在远程射频头（RHH），和一个低分辨率感知（LRA）的线性接收滤波器的最小均方误差（MMSE）的基础上，它工作在基带单元（BBU）池，用于云无线电接入网络中具有粗量化信号的大规模多用户多输入多输出（MU-MIMO）系统。我们开发了连续干扰消除接收机的基础上提出的联合AGC和LRA-MMSE（AGC-LRA-MMSE）的方法。可实现的和率的分析也进行了。仿真结果表明，该设计具有更好的出错率和更高的可达速率比现有的技术。
2019-12-13 cs.IT eess.SP math.IT
Quasi-Newton FDE in One-Bit Pseudo-Randomly Quantized Massive MIMO-OFDM Systems
针对一位伪随机量化大规模MIMO-OFDM系统，提出基于牛顿法的低复杂度准牛顿频域均衡方案，以减轻量化失真并支持高阶调制，性能优于基准检测器。
2023-12-23 cs.IT eess.SP math.IT
Low-Complexity Linear Diversity-Combining Detector for MIMO-OTFS
本文提出了一种低复杂度的检测器，多输入多输出（MIMO）系统的基础上最近提出的正交时频空间（OTFS）调制。在所提出的检测器中，通过不同的分集分支（传播路径和接收天线）接收到的发送符号矢量的副本被线性组合使用最大比组合（MRC）技术，以迭代地提高信号干扰加噪声比（SINR）在组合器的输出。为了减轻性能下降，由于在接收机天线的空间相关性，我们提出了一种基于样本的方法来估计这种相关性，并找到最佳的组合权重MRC从估计的相关矩阵。该检测器的性能和复杂度优于文献中提出的MIMO-OTFS的线性最小均方误差（LMMSE）和消息传递（MP）检测器。
2022-01-27 eess.SP
Constant-Envelope Quantized Precoding with Power Control for Cell-Free Massive MIMO-OFDM
Bilkent University（比尔肯特大学）；TOBB University of Economics and Technology（托布经济技术大学）
针对无蜂窝大规模MIMO-OFDM系统，研究低分辨率DAC下的量化恒包络预编码设计，并提出一种跨接入点的功率控制策略以缓解严重量化发射机的不利影响，显著提升未编码误码率性能。
2026-05-22 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
Hermite Expansion Model and LMMSE Analysis for Low-Resolution Quantized MIMO Detection
本文利用Hermite多项式研究了窄带多天线信号接收的线性逼近模型（即，MIMO）与低分辨率量化。这项研究的结果在一个新的线性近似使用二阶厄米展开（SOHE）。SOHE模型不是基于现有线性近似中经常使用的那些假设。相反，量化失真由二阶Hermite核表征，并且信号项由一阶Hermite核表征。结果表明，SOHE模型可以解释几乎所有的现象和特点，迄今观察到的低分辨率MIMO信号接收。当SOHE模型被用来分析线性最小均方误差（LMMSE）信道均衡器，它揭示了目前的LMMSE算法可以通过纳入一个符号级归一化机制来增强。通过对窄带MIMO系统在瑞利衰落信道下的计算机模拟，验证了增强型LMMSE算法的性能。
2021-09-11 cs.IT eess.SP math.IT
Doubly 1-Bit Quantized Massive MIMO
本文研究发射端和接收端均采用1比特DAC/ADC的全数字大规模MIMO系统，基于Bussgang分解推导MSE近似，证明超大天线阵列下该系统仍具有优异性能。
2023-12-04 cs.IT eess.SP math.IT
Green One-Bit Quantized Precoding in Cell-Free Massive MIMO
本文针对无蜂窝大规模MIMO系统的高功耗问题，提出一种基于符号向量结构动态停用天线的绿色一位量化预编码算法，在降低功耗的同时性能优于SQUID和RZF等现有方法。
2025-09-20 cs.IT eess.SP math.IT
Energy Efficiency Maximization Precoding for Quantized Massive MIMO Systems
在实现大规模多输入多输出（MIMO）系统时，低分辨率数模转换器和模数转换器（DAC和ADC）的使用以高量化噪声为代价显著有益于能量效率（EE）。为了最大化量化下行大规模多输入多输出系统的能效，本文提出了一种带天线选择的预编码优化问题，但由于能效的复杂性，获得最优的联合预编码和天线选择解决方案是具有挑战性的。为了解决这一挑战，我们将问题分解为预编码方向和功率优化问题。对于预编码方向，我们描述了一阶最优性条件，这需要量化失真和天线选择的影响。对于预编码功率，我们使用梯度下降算法获得最优解，以最大化给定预编码方向的EE。我们铸造派生的条件作为一个功能的特征值问题，其中找到主特征向量达到最佳的局部最优点。为此，我们提出了基于广义幂迭代的算法。交替这两种方法，我们的算法确定了一个联合的解决方案的活动天线集和预编码的方向和功率。在模拟中，所提出的方法提供了相当大的性能增益。我们的研究结果表明，几位DAC就足以实现高EE的大规模多输入多输出系统。
2021-08-13 cs.IT eess.SP math.IT
Robust Precoding Design for Coarsely Quantized MU-MIMO Under Channel Uncertainties
近来，具有低分辨率数模转换器（DAC）的多用户多输入多输出（MU-MIMO）系统由于能够显著降低硬件成本而受到相当大的关注。此外，它已被证明，使用低分辨率DAC，使功耗大大减少，同时保持在可接受的余量内的性能损失，假设的完美知识的信道状态信息（CSI）。在本文中，我们研究的预编码问题的粗量化MU-MIMO系统没有这样的假设。信道不确定性被建模为具有有限二阶统计量的随机矩阵。通过利用多位DAC输出和单位DAC输出之间的有利关系，我们首先将原始复杂的预编码问题转化为非凸二进制优化问题。然后，利用S-过程引理，将非凸问题转化为一个具有凸约束的简单形式，最后用半定松弛（SDR）方法求解。与现有的代表性方法相比，所提出的预编码器对各种信道不确定性是鲁棒的，并且能够支持具有更高阶调制的MUMM 0系统，例如，16QAM。
2019-05-14 cs.IT eess.SP math.IT
Joint Quantized Precoding and Bit Allocation for Fronthaul-Constrained Cell-Free Massive MIMO
Bilkent University（比尔肯特大学）
针对前传受限的无小区大规模MIMO下行链路，提出基于Bussgang分解的量化感知联合预编码与比特分配算法，在功率和比特约束下迭代优化，显著优于传统方案。
2026-09-23 cs.IT eess.SP math.IT
A Gridless Compressive Sensing Based Channel Estimation for Millimeter Wave Massive MIMO Systems from 1-Bit Measurements
研究了基于1比特量化测量的稀疏毫米波（mmWave）大规模多输入多输出（MIMO）OFDM信道估计问题。与以前的量化网格上的方法压缩感知，我们介绍了一个离网格凸方案，使用二进制原子范数最小化（BiANM）估计稀疏信道形式的1位测量。此外，在本文中，我们提出了一个解耦的角度延迟版本的BiANM称为解耦二进制原子范数最小化（DeBiANM），以降低复杂性。此外，为了提高估计的准确性，我们开发了重新加权版本的BiANM命名为重新加权二进制原子范数最小化（ReBiANM），这是原子$\ell_0$范数和原子$\ell_1$范数之间的权衡。此外，为了提高性能的DeBiANM，我们介绍了重新加权版本的DeBiANM，称为重新加权解耦二进制原子最小化（ReDeBiANM）。最后，通过仿真结果，对所提方法的性能进行了研究。
2020-03-18 eess.SP
Differential Deep Detection in Massive MIMO With One-Bit ADC
本文提出了一种用于大规模多输入多输出系统上行链路的差分检测方案，该方案在每个接收天线上采用一比特量化器。我们专注于差分幅度和相移键控符号的检测，我们使用Bussgang定理来表示在以前的信道使用期间收到的量化信号的量化接收信号。随后，我们推导出差分编码的幅度和相位信息符号的最大似然检测器。我们注意到，虽然1比特检测器可以解码差分编码的相位信息符号，但它不能解码差分编码的幅度信息。为了解码幅度信息，我们提出了一个一位可变量化电平（VQL）系统，并训练一个深度神经网络来执行两个符号的差分幅度检测。通过Monte-Carlo模拟，我们经验性地验证了所提出的幅度和相位检测器的性能。数值结果表明，在一比特差分系统中获得的频谱效率优于在一比特相干系统中获得的频谱效率
2021-10-27 eess.SP
Beamforming Optimization for MIMO Wireless Power Transfer with Nonlinear Energy Harvesting: RF Combining versus DC Combining
本文研究了多输入多输出（MIMO）无线功率传输（WPT）系统，以提高整流天线的输出直流功率。为此，我们重新考虑整流天线的非线性考虑多个接收天线。两个合并方案的多个整流天线在接收端，DC和RF合并，建模和分析。对于直流合并，我们优化发射波束形成，自适应的信道状态信息（CSI），以最大化总输出直流功率。对于RF组合，我们计算最佳发射和接收波束成形的封闭形式的解决方案。此外，我们还提出了一种实用的射频移相器和射频功率合成器的射频合成电路，并优化了自适应CSI的模拟接收波束形成。我们还解析地导出输出DC功率作为发射天线和接收天线的数量的函数的缩放律。这些比例定律证实了在发射器或接收器处使用多个天线的益处。他们还强调，RF组合明显优于DC组合，因为它更有效地利用了整流天线的非线性。两种类型的性能评估，基于非线性整流天线模型和基于现实和准确的整流天线电路模拟，提供。评估表明，输出DC功率可以线性增加，通过使用多个整流天线在接收器和RF组合与DC组合的输出DC功率电平方面的相对增益是非常显着的，在一个发射天线十接收天线设置的顺序为240%。
2020-09-13 eess.SP
Spatial Sigma-Delta Modulation for Coarsely Quantized Massive MIMO Downlink: Flexible Designs by Convex Optimization
本文针对低分辨率DAC的大规模MIMO下行链路，提出基于凸优化的通用空间Sigma-Delta调制设计框架，可灵活配置阶数、量化电平数和角度扇区，在中等量化电平下实现接近未量化系统的误码率性能。
2024-02-27 eess.SP
Data Detection for Massive MIMO Systems with 1-Bit Quantized Dithered Linear Precoding
Centre for Wireless Communications, University of Oulu, Finland（芬兰奥卢大学无线通信中心）
针对发射端使用1比特DAC的大规模MIMO系统，提出基于软估计和最大似然的数据检测方法，通过抖动去除或符号相关线性化来减轻量化失真，并利用低复杂度变体降低指数复杂度，仿真表明所提方法优于基线。
2026-06-03 eess.SP
The Impact of SAR-ADC Mismatch on Quantized Massive MU-MIMO Systems
本文研究SAR-ADC电容阵列失配对大规模MU-MIMO系统的影响，通过Bussgang分解建模失配效应，并仿真证明即使低分辨率ADC基站也不应忽略电容失配。
2023-11-28 cs.IT eess.SP math.IT
Hybrid Beamforming/Combining for Millimeter Wave MIMO: A Machine Learning Approach
混合波束形成（HB）技术是一种在毫米波（mmWave）多输入多输出（MIMO）系统中以低复杂度支持超高传输容量的新兴技术。然而，数字和模拟波束形成器的设计是一个具有挑战性的任务，非凸优化，特别是对于多用户场景。近年来，深度学习研究的兴起为通信系统的信号处理提供了新的视角。在这项工作中，我们提出了一种基于深度神经网络的HB多用户毫米波大规模多输入多输出系统，简称DNHB。HB系统被公式化为自动编码器神经网络，其以端到端的自监督学习的方式进行训练。由于深度神经网络具有强大的表示能力，所提出的DNHB表现出优于传统线性处理方法的性能。根据仿真结果，DNHB优于约2 dB的误比特率（BER）性能相比，现有的方法。
2020-01-03 eess.SP
Adaptive Learning-Based Detection for One-Bit Quantized Massive MIMO Systems
我们提出了一个自适应学习为基础的框架，上行链路大规模多输入多输出（MIMO）系统与一位模数转换器。基于学习的检测不需要估计信道，这克服了一比特量化系统的一个关键缺点。在训练过程中，基于学习的检测在高信噪比（SNR）下会受到影响，因为观测值会偏向+1或-1，这导致许多零值经验似然函数。在低SNR下，观测值经常变化，但高噪声功率使捕获信道的影响变得困难。为了解决这些缺点，我们提出了一种自适应抖动和学习方法。在训练期间，接收值与抖动噪声混合，抖动噪声的统计数据对于基站是已知的，并且抖动噪声功率对于每个天线元件根据观察到的输出模式来更新。然后，我们在一位最大似然检测规则中使用细化的概率。仿真结果验证了所提出的方法与我们以前的方法使用固定的抖动噪声功率以及迫零和最佳ML检测，这两个假设完美的信道知识的检测性能。
2022-11-13 cs.IT eess.SP math.IT
Efficient Quantized Constant Envelope Precoding for Multiuser Downlink Massive MIMO Systems
量化恒包络（QCE）预编码是一种在每个天线上只允许离散QCE发射信号的新的传输方案，由于其能够降低大规模多输入多输出（MIMO）系统的硬件成本和能量消耗而受到越来越多的研究兴趣。然而，QCE发射信号的离散性质极大地使预编码设计复杂化。在本文中，我们考虑QCE预编码问题的大规模MIMO系统与相移键控（PSK）调制和开发一种有效的方法来解决建设性干扰（CI）为基础的问题制定。我们的方法是基于一个定制设计的（连续）惩罚模型，相当于原来的离散问题。具体地说，惩罚模型放松了离散QCE约束，并在目标中用负的$\ell_2$ -范数项对其进行惩罚，这导致非光滑非凸优化问题。为了解决这个问题，我们求助于我们最近提出的交替优化（AO）算法。我们表明，AO算法承认封闭形式的更新，在每次迭代时，适用于我们的问题，从而可以有效地实现。仿真结果表明，该方法优于现有的算法。
2023-02-20 cs.IT eess.SP math.IT
Quantized Precoding for Maximizing Sum Rate in MU-MIMO Systems with Constrained Fronthaul
KTH Royal Institute of Technology（皇家理工学院）；Nokia Standards（诺基亚标准）
本文提出了一种量化预编码方法，通过在MU-MIMO系统中直接整合量化器约束以最大化总速率，采用新的迭代算法和球面解码方法，实现高效且低复杂度的预编码设计。
2026-02-27 cs.AR eess.SP
A Gridless Compressive Sensing Based Channel Estimation for Millimeter Wave MIMO OFDM Systems with One-Bit Quantization
本文研究了基于一比特量化测量的稀疏毫米波大规模多输入多输出（MIMO）OFDM信道估计问题。与以往的基于网格的一比特压缩感知方法不同，本文提出了一种无网格凸方法，通过二进制原子范数最小化（BiANM）和重加权二进制原子范数最小化（ReBiANM）来恢复稀疏信道形式的一比特测量值。仿真结果验证了二进制和重新加权二进制原子范数最小化技术的准确性。
2019-08-19 eess.SP
Coordinated Beamforming in Quantized Massive MIMO Systems with Per-Antenna Constraints
在这项工作中，我们提出了一种解决方案，用于协调波束成形的大规模下行链路（DL）通信系统与低分辨率数据转换器时，采用每天线功率约束，限制了最大天线功率，以减轻硬件成本。为此，我们制定和解决的粗量化DL系统与目标信号干扰加噪声比的要求的天线功率极大极小问题。我们表明，相关的拉格朗日对偶与不确定的噪声协方差矩阵实现零对偶间隙和对偶解决方案可以用来获得原始DL解决方案。利用强对偶性，我们提出了一种迭代算法来确定最优对偶解，并用于计算最优DL波束形成器。我们进一步更新噪声协方差矩阵使用最佳DL解决方案与相关的次梯度和执行投影到可行域。通过仿真，我们评估所提出的方法在最大天线功耗和峰均功率比，这是直接关系到硬件效率。
2021-10-19 cs.IT eess.SP math.IT
ADMM-Based One-Bit Quantized Signal Detection for Massive MIMO Systems with Hardware Impairments
本文研究了大规模多输入多输出（MIMO）系统中的信号检测问题，该系统具有一般的加性硬件损伤和一比特量化。首先，我们通过将它们概括为所考虑的硬件损伤模型来呈现量化未知和基于Bussgang分解的线性接收机。我们提出了一个优化问题来估计上行链路数据信号，通过选择一个合适的代价函数，处理在基站的未量化的接收信号作为变量。我们利用额外的结构的一位量化和信号调制，包括适当的约束。针对非凸二次约束二次规划问题，提出了一种基于ADMM的封闭更新方程算法。然后，我们将更新中的粗糙投影仪替换为它们的软版本，以提高检测性能。我们表明，建议的ADMM为基础的算法优于国家的最先进的线性接收机显着的误比特率（BER）和性能增益增加的天线和用户的数量。
2020-02-05 cs.IT eess.SP math.IT
Rate-Splitting Multiple Access for Quantized Multiuser MIMO Communications
研究了在接入点和用户端采用低分辨率量化器的下行多用户多输入多输出（MIMO）系统中的和谱效率最大化问题。特别是，我们认为速率分裂多址（RSMA），以提高频谱效率，提供机会，以提高可实现的自由度。然而，由于在确定公共流的速率时的最小速率约束，优化RSMA预编码器是非常具有挑战性的。与预编码器耦合的量化误差进一步使得问题更加复杂和难以解决。在本文中，我们开发了一种新的RSMA预编码算法，将量化误差最大化的总和频谱效率。为此，我们首先得到一个近似的频谱效率光滑函数。随后，我们推导出一阶最优性条件的非线性特征值问题（NEP）的形式。我们提出了一个计算效率高的算法，找到主特征向量的NEP作为一个次优的解决方案。仿真结果验证了该方法的优越频谱效率。在空分多址（SDMA）上使用RSMA的主要益处来自公共流在具有不同量化分辨率的多用户MIMO系统中在信道增益和量化误差之间进行平衡的能力。
2022-08-01 cs.IT eess.SP math.IT
Two-Stage Learning for Uplink Channel Estimation in One-Bit Massive MIMO
我们开发了一种两阶段深度学习流水线架构，用于使用1位ADC估计上行链路大规模多输入多输出信道。这个深度学习管道由两个独立的生成式深度学习模型组成。第一个是监督学习模型，旨在补偿量化损失。第二个是无监督学习模型，并针对去噪进行了优化。我们的研究结果表明，所提出的基于深度学习的信道估计器可以显着优于其他国家的最先进的信道估计器的一位量化的大规模多输入多输出系统。特别地，我们的设计在信道估计误差中提供5-10 dB增益。此外，它需要合理数量的导频，大约每个相干时间间隔20个。
2019-11-27 eess.SP
Full-Duplex mmWave Massive MIMO Systems: A Joint Hybrid Precoding/Combining and Self-Interference Cancellation Design
毫米波（mmWave）大规模多输入多输出（MIMO）系统已经被认为是第五代（5G）和5G之后的无线通信网络的主要候选之一，以满足不断增长的容量需求。全双工技术可以进一步增强毫米波大规模多输入多输出系统的优势。然而，强自干扰（SI）是全双工技术的主要限制因素。因此，本文提出了一种新的基于角度的联合混合预编码/合并（AB-JHPC）技术，用于全双工毫米波MIMO系统。我们的主要目标是：（i）提高自干扰消除（SIC），（ii）增加预期的信号功率，（iii）减少信道估计开销，（iv）设计具有少量RF链的大规模多输入多输出系统。首先，AB-JHPC的RF级通过慢时变的离开角（AoD）和到达角（AoA）信息来开发。提出了一种联合发射/接收RF波束形成器设计，用于覆盖（不包括）预期（SI）信道的AoD/AoA支持。其次，AB-JHPC的BB级是通过减小尺寸的有效预期通道构造的。在BB阶段使用众所周知的奇异值分解（SVD）方法之后，我们还提出了一种新的半盲最小均方误差（S-MMSE）技术，通过使用AoD/AoA参数来进一步抑制剩余SI功率。数值结果表明，该方法能有效地消除SI信号。结果表明，AB-JHPC达到85.7 dB SIC和SIC的总量几乎线性增加，通过天线隔离技术。我们观察到，所提出的全双工毫米波大规模多输入多输出系统与其半双工对应物相比，随着天线阵列尺寸的增加和发射/接收天线隔离度的提…
2021-04-01 eess.SP
Uplink Data Detection Analysis of 1-Bit Quantized Massive MIMO
本文提出了一种分析框架，在大规模多输入多输出上行链路系统中的数据检测与1位模数转换器（ADC）。考虑到单用户的情况下，我们提供了封闭形式的表达式的期望值和方差的估计符号时，采用最大比合并在基站（BS）随着其渐近行为在高信噪比（SNR）。这些结果被利用，以提高最大似然检测的性能，考虑到分散的估计符号的期望值。相对于BS天线的数量、SNR和用于信道估计的导频长度来评估具有1比特ADC的符号出错率。所提出的分析突出了一个基本的SNR权衡，根据该权衡，在正确的SNR下操作可以大大提高数据检测精度。
2021-07-26 cs.IT eess.SP math.IT
Antenna Coding Optimization Based on Pixel Antennas for MIMO Wireless Power Transfer with DC Combining
The Hong Kong University of Science and Technology（香港科技大学）；University of Macau（澳门大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本文提出基于像素天线的天线编码优化方法，通过联合优化天线编码和发射波束成形，提升MIMO无线功率传输系统的直流输出功率效率。
2025-12-16 eess.SP
Optimal MIMO Combining for Blind Federated Edge Learning with Gradient Sparsification
我们为多输入多输出（MIMO）系统中的联邦学习提供了最佳接收组合策略。我们提出的算法允许客户端执行单独的梯度稀疏化，这大大提高了异构（非i.i.d.）训练数据。所提出的方法大大超过了基准。
2022-05-18 cs.IT eess.SP math.IT
Channel Estimation for One-Bit Multiuser Massive MIMO Using Conditional GAN
信道估计是一项具有挑战性的任务，特别是在具有一位模数转换器（ADC）的大规模多输入多输出（MIMO）系统中。传统的深度学习（DL）方法，学习从输入到真实信道的映射，在估计准确的信道方面有很大的困难，因为它们的损失函数没有得到很好的设计和研究。本文提出了一种条件生成对抗网络（cGAN），通过对抗训练两个DL网络来预测更真实的信道。cGAN不仅学习从量化观测到真实信道的映射，而且还学习自适应损失函数以正确地训练网络。数值结果表明，该方法在大规模多输入多输出系统中具有很高的鲁棒性，优于现有的DL方法.
2020-10-29 eess.SP
On Optimal MMSE Channel Estimation for One-Bit Quantized MIMO Systems
本文针对单比特量化MIMO系统，提出基于正交概率计算MMSE信道估计器的新框架，并给出BLMMSE估计器最优的充要条件，推导大维度下的解析表达式以比较两者性能。
2025-01-22 cs.IT eess.SP math.IT
Amplitude Retrieval for Channel Estimation of MIMO Systems with One-Bit ADCs
本文通过一种新的算法--幅度恢复（AR）算法，重新讨论了采用1位模数转换器（ADC）的MIMO系统的信道估计问题。与诸如基于一比特压缩感知的那些方法的现有技术不同，AR采用不同的方法。它考虑了1比特量化测量的丢失幅度，并联合执行信道估计和幅度完成。这样，传播路径的方向信息可以经由阵列处理中的精确测向算法来估计，例如，最大似然结果是AR能够处理离网角度并提供更准确的信道估计。仿真结果包括展示AR的优点。
2019-07-27 eess.SP
Variational Bayesian Channel Estimation and Data Detection for Cell-Free Massive MIMO with Low-Resolution Quantized Fronthaul Links
针对无小区大规模MIMO前传链路带宽受限问题，提出基于变分贝叶斯的联合信道估计与数据检测方法，通过低分辨率量化信号，在Q-E和E-Q两种方案下均优于LMMSE，其中Q-E性能更佳。
2025-06-23 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
Joint Waveform and Beamforming Optimization for MIMO Wireless Power Transfer
在本文中，我们研究了多正弦多输入多输出（MIMO）无线功率传输（WPT）系统的目标，以增加输出直流功率。我们共同优化的多正弦波形和波束形成占整流天线的非线性，并考虑两个组合方案的整流天线在接收机，即DC和RF组合。对于DC组合，根据信道状态信息（CSI）来优化波形和发射波束成形。对于RF组合，以封闭形式提供最佳发射和接收波束成形，并且优化波形。我们还考虑了一个实际的RF合并电路，使用移相器和RF功率合成器和优化的波形，发射波束形成，和模拟接收波束形成自适应CSI。两种类型的性能评估，基于非线性整流天线模型和准确和现实的电路模拟，提供。评估表明，联合波形和波束形成设计可以通过利用波束形成增益、频率分集增益和整流天线非线性来增加输出DC功率。它还表明，联合波形和波束形成的设计提供了一个更高的输出直流功率比波束形成的设计，在一个双发射天线16正弦波双接收天线设置的相对增益为180%。
2021-08-21 eess.SP
Fundamental Limits of Quantized MIMO ISAC under Gaussian Signaling
LTCI, Télécom Paris, Institut Polytechnique de Paris（巴黎理工大学电信学院 LTCI）；SAMOVAR, Télécom SudParis, Institut Polytechnique de Paris（巴黎理工大学南巴黎电信学院 SAMOVAR）；Université Paris-Saclay, CNRS, CentraleSupélec, Laboratoire des Signaux et Systèmes（巴黎萨克雷大学、法国国家科学研究中心、中央理工-高等电力学院 信号与系统实验室）
研究量化MIMO ISAC系统，推导信道容量上下界，发现低SNR时紧致、高SNR时饱和，并给出LMMSE闭式表达式。
2026-10-12 cs.IT eess.SP math.IT
Weak target detection with multi-bit quantization in colocated MIMO radar
研究了共址多输入多输出（MIMO）雷达中参数未知的弱目标检测问题。为了应付大规模系统的数据量，多位量化器是利用在采样过程中。作为一种低复杂度的替代经典的广义似然比测试（GLRT）的量化数据，我们提出了多比特检测器的Rao测试与一个封闭形式的测试统计量，其理论渐近分布提供了推广的实际检测性能。此外，我们还利用粒子群优化算法（PSOA）优化量化阈值，优化量化器的设计。仿真结果表明，基于非量化和量化数据的检测器性能的变化。数值结果证实了我们的理论分析，并表明与3位量化的性能接近的情况下，没有量化。
2021-09-06 eess.SP stat.AP
Over-the-Air Split Learning with MIMO-Based Neural Network and Constellation-Based Activation
研究了一种基于多输入多输出（MIMO）通信系统的通信高效分裂学习算法。特别是，我们在数学上将神经网络（NN）的层间连接分解为一系列线性预编码和使用空中计算（OAC）的组合变换，这些变换协同形成NN中的线性层。在这样的系统中，预编码和组合矩阵是可训练的参数，而MIMO信道是隐式的。该系统通过利用信道互易性和适当的反向传播过程，消除了隐式信道估计，大大节省了系统成本，进一步提高了系统的整体效率。实际的星座图被用作激活函数，以避免发送任意的模拟信号，如在传统的OAC系统。数值结果表明了该方法的有效性。
2022-10-08 eess.SP
Vector Quantization for Deep-Learning-Based CSI Feedback in Massive MIMO Systems
POSTECH（浦项科技大学）
本文提出基于VQ-VAE和形状-增益向量量化的有限速率CSI反馈方法，通过非均匀标量码本和可训练格拉斯曼码本量化潜在向量，并设计多速率码本，在降低计算复杂度的同时提升CSI重建性能。
2024-03-13 cs.AI cs.CV eess.SP
Quantized Constant-Envelope Waveform Design for Massive MIMO DFRC Systems
本文针对硬件高效的大规模MIMO DFRC系统，提出带QCE约束的波形设计方法，通过惩罚技术结合非精确ALM与定制BSUM算法求解，性能优于现有方法并分析了参数对通信雷达性能权衡的影响。
2024-03-10 cs.IT eess.SP math.IT
Hybrid Precoding for mmWave Massive MIMO with One-Bit DAC
混合波束成形是实现配备大量天线的节能5G无线网络的关键。低分辨率数据转换器为最先进的5G收发器的能效带来了另一种自由度。在这项工作中，我们考虑了毫米波（mmWave）频谱中的大规模多输入多输出（MIMO）信道的混合预编码器的设计以及一位数模转换器（DAC）和有限量化移相器。特别是，我们提出了一种基于交替优化的预编码器设计，递归计算量化失真的协方差，并相应地更新预编码器。数值结果验证，可实现的速率提高迅速通过迭代，涉及更新的权重矩阵，量化的失真协方差，和相应的预编码器。
2019-09-18 eess.SP
The Effect of Noise Correlation on MMSE Channel Estimation in One-Bit Quantized Systems
Centre for Wireless Communications, University of Oulu（奥卢大学无线通信中心）
本文研究了一位量化系统中噪声相关性对MIMO信道MMSE估计的影响，推导了新的解析表达式，并发现噪声相关性在不同信道相关性条件下对性能有显著影响。
2026-01-18 eess.SP
Quantized RIS-aided mmWave Massive MIMO Channel Estimation with Uniform Planar Arrays
本文针对配备少比特ADC和均匀平面阵列的RIS辅助毫米波大规模MIMO系统，提出基于贝叶斯推断与VAMP算法的量化压缩感知级联信道估计方法，并利用FFT加速计算，验证了其在低信噪比下的实用性和准确性。
2024-01-15 cs.IT eess.SP math.IT
Hybrid Beamforming and Combining for Millimeter Wave Full Duplex Massive MIMO Interference Channel
全双工（FD）通信可以彻底改变无线通信，因为它避免了使用独立的信道进行双向通信。这项工作推广了毫米波（mmWave）频段的点对点FD通信，包括K对大规模MIMO FD节点同时工作。我们提出了一种新的联合混合波束成形（HYBF）和加权和速率（WSR）最大化的合并方案，使大规模MIMO FD链路的共存成本有效。该算法依赖于基于最小化-最大化方法的替代优化。此外，我们提出了一种新的SI和大规模MIMO干扰信道感知功率分配方案，包括最优功率控制。仿真结果表明，显着的性能改善相比，传统的双向全数字半双工（HD）系统。
2022-01-04 cs.IT eess.SP math.IT
Energy Efficient ADC Bit Allocation and Hybrid Combining for Millimeter Wave MIMO Systems
由于每个ADC的功耗与其采样分辨率和硬件复杂度呈指数关系，因此可以采用低分辨率模数转换器（ADC）来提高无线接收器的能量效率（EE）。在本文中，我们的目标是共同优化采样分辨率，即，ADC位数和模拟/数字混合组合器矩阵，其为毫米波多输入多输出系统提供高能效解决方案。提出了一种将混合合路器分解为模拟合路器矩阵、比特分辨率矩阵和基带合路器矩阵的新方法。未知矩阵被计算为矩阵分解问题的解，其中最优的全数字组合器由这些矩阵的乘积近似。提出了一种基于乘子交替方向法的有效解决方案。仿真结果表明，所提出的解决方案实现了高EE性能相比，现有的基准技术，使用固定的ADC分辨率。
2019-09-26 eess.SP
Hybrid precoding and combining for frequency-selective mmWave MIMO Systems with per-antenna power constraints
配置混合预编码器和组合器是部署实际毫米波通信系统的主要挑战。先前的工作解决了设计混合预编码器和组合器的问题，但专注于在总发射功率约束下找到解决方案。然而，实际系统中的混合预编码器和组合器的设计受到每个天线发射功率的约束，因为阵列中的每个天线元件连接到必须在其线性区域内操作的功率放大器（PA）。本文在频率选择性带限信道模型下，研究了天线功率约束下的混合预编码与合并问题。我们首先提出了一个全数字解决这个问题，并开发了一种混合预编码和组合策略，旨在通过最小化全数字预编码器（组合器）和它们的混合近似之间的弦距离来匹配这个解决方案。最后，由于最小化这个度量并不能保证最终的频谱效率将被最大化，我们优化得到的频谱效率考虑到每个天线的功率约束。仿真结果表明，我们的全数字和混合解决方案的有效性，同时强调相对于相应的解决方案的总功率约束下的差异。如我们的数值结果所示，建议的全数字解决方案执行类似的情况下，其中考虑总功率约束。此外，我们提出的混合解决方案也表现出接近最佳的性能，不同的系统参数的影响也显示，从而显示我们提出的框架部署实际毫米波MIMO系统的适用性。
2019-02-01 eess.SP
