Power Control in Cell-Free Massive MIMO Networks for UAVs URLLC under the Finite Blocklength Regime
在本文中，我们采用了以用户为中心的（UC）无小区大规模MIMO（CFmMIMO）网络提供超可靠的低延迟通信（URLLC）时，传统的地面用户（GU）与无人机（UAV）共存。我们研究了利用部分迫零（PZF）发送/接收波束成形和最大比传输/合并时下行链路和上行链路的功率控制。我们考虑优化问题，其目标是最大限度地提高用户的总和URLLC率或最小用户的URLLC率。URLLC率函数是复杂的和非凸渲染所考虑的优化问题的非凸。因此，我们提出了两个近似的复杂URLLC率函数，并采用连续凸优化（SCO）来解决所考虑的优化问题。具体来说，我们提出了SCO与迭代凹下界近似（SCO-ICBA）和SCO与迭代干涉近似（SCO-IIA）。我们提供了广泛的模拟评估SCO-ICBA和SCO-IIA和比较UC CFmMIMO部署与传统的共址大规模MIMO（COmMIMO）系统。结果表明，采用SCO-IIA方案优化下行链路采用MRT的CFmMIMO系统的最小用户速率，上行链路采用PZF接收的CFmMIMO系统可以提供最佳的URLLC速率性能。
2022-12-04 cs.IT eess.SP math.IT
Interplay between Sensing and Communication in Cell-Free Massive MIMO with URLLC Users
针对含URLLC用户的无蜂窝大规模MIMO下行ISAC系统，提出基于连续凸逼近的能效最大化功率分配算法及兼顾感知与URLLC的网络可用性定义，证明其可同时满足两类要求并揭示块长度等因素的影响。
2024-01-18 cs.IT eess.SP math.IT
Downlink Transmission with Heterogeneous URLLC Services: Discrete Signaling With Single-User Decoding
针对异构URLLC业务下行传输中SIC受限于时延或性能不完善的问题，提出无需SIC的离散信令单用户解码方案，推导二阶可达速率指导编码调制设计，短块长下性能接近完美SIC基准。
2023-05-02 cs.IT eess.SP math.IT
On the Coexistence of eMBB and URLLC in Multi-cell Massive MIMO
分析了多小区大规模MIMO系统下行链路中增强型移动宽带（eMBB）和超可靠低时延通信（URLLC）的非正交共存问题。我们提供了一个统一的信息理论框架混合的无限块长度分析的eMBB频谱效率（SE）在遍历制度的有限块长度分析的URLLC错误概率依赖于使用不匹配的解码，和所谓的鞍点近似。在用户仅具有统计信道状态信息（CSI）知识的假设下，穿孔（Puncturing，PSTs）和叠加编码（SPC，Superposition Coding）被认为是处理业务间干扰的可选下行链路共存策略。然后，通过考虑基站处的不完善CSI知识、基于导频的估计开销、导频污染、空间相关信道、无线电帧的结构以及URLLC激活模式的特性，在不同的预编码技术和功率控制方案上评估eMBB和URLLC性能。仿真结果表明，SPC是，在许多操作制度，优于PMBB提供更高的SE，但实现目标的可靠性URLLC的概率高。此外，在存在高URLLC业务负载的情况下，PMBB可能导致eMBB服务中断。然而，在不能令人满意地减轻多用户干扰的情况下，PSNR变成保持URLLC性能所必需的。
2023-01-09 cs.IT eess.SP math.IT
Joint Uplink-Downlink Resource Allocation for OFDMA-URLLC MEC Systems
本文研究了移动边缘计算（MEC）系统中多用户正交频分多址（OFDMA）超可靠低延迟通信（URLLC）的资源分配算法设计。为了实现严格的端到端的延迟和可靠性要求的URLLC MEC系统，我们提出了联合上下行资源分配和有限块长度传输。此外，我们提出了一个部分的时间重叠之间的上行链路和下行链路帧，以尽量减少端到端的延迟，这引入了新的时间因果关系的约束。然后，所提出的资源分配算法被公式化为在关于最大允许计算时间内计算的URLLC用户比特的数量的最小服务质量的约束下最小化网络的总加权发射功率的优化问题，即，计算任务的端到端延迟。由于优化问题的非凸性，找到全局最优解需要高的计算复杂性，这对于实时应用是不可容忍的。因此，提出了一种基于逐次凸逼近的低复杂度算法来寻找高质量的次优解。我们的仿真结果表明，所提出的资源分配算法设计，促进了应用程序的URLLC MEC系统中，并产生显着的功耗节省相比，基准计划。
2020-05-10 cs.IT math.IT
Resource Allocation for Secure Multi-User Downlink MISO-URLLC Systems
本文研究了安全多用户下行超可靠低延迟通信（URLLC）的资源分配算法设计。为了增强物理层安全性，基站（BS）配备有多个天线，并且由BS注入人工噪声（AN）以削弱窃听者的信道。为了满足安全URLLC系统中严格的延迟要求，采用短分组传输（SPT），并考虑资源分配设计。资源分配算法设计被公式化为最小化总发射功率的优化问题，同时保证关于URLLC用户的发射比特数、分组错误概率、信息泄漏和延迟的服务质量（QoS）约束。由于优化问题的非凸性，找到全局解需要高的计算复杂性。因此，我们提出了一个低复杂度的算法，基于逐次凸逼近（SCA）找到一个次优的解决方案。我们的仿真结果表明，所提出的资源分配算法设计，确保了保密的URLLC用户的传输，并产生显着的功率节省相比，基线方案。
2020-02-26 cs.IT math.IT
URLLC and eMBB Coexistence in MIMO Non-orthogonal Multiple Access Systems
增强型移动宽带（eMBB）和超可靠低延迟通信（URLLC）是第五代移动通信系统（5G）中的两种主要预期服务。具体而言，eMBB应用支持极高数据率通信，而URLLC服务旨在提供具有高可靠性通信的严格延迟。由于URLLC和eMBB服务对服务质量（QoS）的要求不同，它们之间的频谱共享成为一个具有挑战性的调度问题。在本文中，我们的目标是研究穿孔技术下的多输入多输出（MIMO）非正交多址（NOMA）系统中的URLLC和eMBB协同调度/共存问题。该目标函数通过联合用户选择和功率分配调度，在满足URLLC用户时延要求的同时，最大化eMBB用户的数据率。为了解决这个问题，我们首先引入了一个eMBB用户聚类机制，以平衡系统性能和计算复杂性。之后，我们将原问题分解为两个子问题，即用户选择和功率分配的调度问题。我们引入了Gale-Shapley（GS）理论来解决用户选择问题，并引入了连续凸近似（SCA）和凸差分（D.C.）编程来处理功率分配问题。最后，利用迭代算法以较低的计算复杂性找到全局解。数值结果表明了所提算法的有效性，也验证了所提方法优于其他基线方法。
2021-09-13 cs.IT eess.SP math.IT
Optimization of the Downlink Spectral- and Energy-Efficiency of RIS-aided Multi-user URLLC MIMO Systems
本文研究RIS辅助的多用户URLLC MIMO系统，提出优化有限块长度速率以提升频谱和能量效率，并证明RIS在短包和低误码率下增益更大。
2024-10-11 cs.IT eess.SP math.IT
URLLC with Massive MIMO: Analysis and Design at Finite Blocklength
大规模MIMO在高吞吐量通信中的快速采用主要依赖于无限块长度信息理论界限的许多研究成果。这使得很难评估大规模MIMO对于使用短块长度代码操作的超可靠低延迟通信（URLLC）的适用性。本文提供了一个严格的框架，在有限的块长度的大规模MIMO的上行链路和下行链路中实现的错误概率的表征和数值评估（使用鞍点近似）。该框架包括不完善的信道状态信息，导频污染，空间相关的信道，和任意线性空间处理。根据以前的结果无限块长度的界限，我们证明，最小均方误差（MMSE）处理和空间相关的信道，在有限块长度的错误概率为零的天线的数量$M$增长到无穷大，即使在导频污染。另一方面，涉及具有$M=100$天线的基站的实际URLLC网络设置的数值结果表明，只有当正交导频序列被分配给网络中的所有用户时，才可以利用MMSE处理在每个小区上均匀地实现$10^{-5}$的目标错误概率。最大比率处理是不够的。
2021-05-10 cs.IT eess.SP math.IT
Resource Allocation for Multi-User Downlink MISO OFDMA-URLLC Systems
研究了多输入单输出（MISO）正交频分多址（OFDMA）超可靠低时延通信（URLLC）系统下行链路的资源分配算法设计。为了满足URLLC对时延的严格要求，采用了短分组传输，并在资源分配算法设计中考虑了短分组传输。资源分配被优化以最大化加权系统和吞吐量，该加权系统和吞吐量服从关于URLLC用户的发送比特数、分组错误概率和延迟的服务质量（QoS）约束。尽管所得到的优化问题的非凸性，通过单调优化找到最优解。相应的最优资源分配策略可以作为次优低复杂度解决方案的性能上限。我们开发这样一个低复杂度的资源分配算法，以达到性能和复杂度之间的平衡。我们的仿真结果揭示了使用多个天线减少延迟和提高URLLC系统的可靠性的重要性。此外，所提出的次优算法的性能接近所提出的最优算法，并优于两个基线计划的相当大的利润率，特别是当用户有异构的延迟要求。最后，传统的资源分配设计的基础上香农的容量公式是不适用于MISO OFDMA-URLLC系统，因为他们可能会违反用户的延迟约束。
2019-10-14 cs.IT math.IT
Cell-Free Massive MIMO for URLLC: A Finite-Blocklength Analysis
本文提出一个通用有限块长分析框架，用于刻画无蜂窝大规模MIMO在URLLC下的数据包错误概率，并通过数值实验证明无蜂窝架构优于蜂窝架构，且MMSE空间处理和缩短AP与UE距离对满足URLLC目标至关重要。
2023-04-14 cs.IT eess.SP math.IT
Trainable Joint Channel Estimation, Detection and Decoding for MIMO URLLC Systems
针对MIMO URLLC系统传统turbo接收机误差传播、时延高的问题，本文基于MAP准则构造两种JCDD问题，用ADMM求解并展开为可训练JCDDNet，在可接受复杂度下性能优于turbo接收机。
2024-04-11 cs.IT eess.SP math.IT
Outage Analysis of Downlink URLLC in Massive MIMO systems with Power Allocation
大规模MIMO由于其高空间自由度而被视为低延迟通信的主要推动者。大规模MIMO的信道硬化和良好的传播特性对于多个URLLC设备的复用特别重要。然而，信道硬化和空间复用的实际效用严重依赖于信道知识的准确性。当多个低延迟设备被复用时，获取准确知识的成本变得至关重要，并且不清楚有多少设备可以被服务于延迟可靠性要求以及应该分配多少导频符号。本文研究了在下行链路中实现高频谱效率和高可靠性之间的权衡，通过采用各种功率分配策略，最大比和最小均方误差预编码器。结果表明，采用最大-最小SINR功率分配方式可以获得最佳的可靠性，但总频谱效率较低。
2020-07-09 cs.IT math.IT
Decentralized Coordinated Precoding Design in Cell-Free Massive MIMO Systems for URLLC
无小区大规模多输入多输出（MIMO）是一种很有前途的网络，提供了巨大的改善，与传统的蜂窝大规模MIMO系统的可达速率。然而，通常采用的香农型可达速率仅适用于长块长度体制，而不适用于新兴的短分组通信。为了在无小区的大规模MIMO系统中实现超可靠和低延迟通信（URLLC），我们优化了接入点（AP）处的预编码向量，以最大化集中式和分散式方式的最小用户速率。该设计考虑到URLLC的影响，我们提出了路径跟踪算法（PFA）来解决所考虑的问题，它产生一系列先进的可行点，并收敛到至少一个局部最优解的设计问题。此外，我们调查的预编码方案的要求，传输持续时间的长度，在每个AP配备的天线的数量，和每个AP集群的大小上URLLC速率。仿真结果表明，分散式PFA预编码可以达到集中式预编码的80%和89%的平均URLLC率，而计算复杂度仅为集中式预编码的12%计算复杂性.
2022-09-29 cs.IT math.IT
Achieving Energy-Efficient Uplink URLLC with MIMO-Aided Grant-Free Access
能量有效的多输入多输出（MIMO）辅助上行链路超可靠低时延通信（URLLC）系统的优化设计是一个重要但尚未解决的问题。对于这样一个系统，我们提出了一种新的吸收马尔可夫链为基础的分析框架，揭示了令人困惑的延迟和可靠性之间的关系，以及量化系统的能量效率。考虑瑞利衰落、信道估计误差、迫零多用户检测（ZF-MUD）、免授权接入、延迟范围内的ACK重传以及这些技术成分之间的相互作用，推导了吸收马尔可夫链的转移概率。然后，基于吸收马尔可夫链推导了系统的时延约束可靠性和能量有效性。最后，我们研究了最佳的用户设备（UE）的数量和最佳的接收天线的数量，最大限度地提高系统的能量效率，同时满足可靠性和延迟要求的URLLC。仿真结果验证了理论分析的正确性和大规模MIMO在支持大规模URLLC系统中的有效性。
2021-11-27 cs.IT math.IT
Joint Pilot and Payload Power Allocation for Massive-MIMO-enabled URLLC IIoT Networks
第四次工业革命（工业4.0）即将到来，这场革命将从根本上提升工厂生产产品的方式。无线通信网络以其低维护成本和高部署灵活性将取代传统的有线线路连接中央控制器和机器人或执行器。然而，一些关键的工业应用需要超高可靠性和低延迟通信（URLLC）。在本文中，我们提倡采用大规模的多输入多输出（MIMO），以支持工业应用的无线传输，因为它可以提供类似于有线线路的确定性通信由于其信道硬化效应。为了减少延迟，用于分组传输的信道块长度是有限的，并且遭受传输速率降级和解码错误概率。因此，假设无限信道块长度，基于香农容量的用于大规模多输入多输出传输的传统资源分配不再是最优的。首先推导了在信道状态信息（CSI）不完全的情况下，最大比合并（MRC）和迫零（ZF）接收机的大规模多输入多输出系统上行链路可达速率下限（LB）的封闭表达式。然后，我们提出了新的低复杂度的算法来解决可实现的数据速率最大化的问题，通过联合优化MRC和ZF的导频和有效载荷传输功率。仿真结果证实了快速收敛速度和性能优于现有的基准算法。
2019-12-28 cs.IT eess.SP math.IT
Symbol-Level Noise-Guessing Decoding with Antenna Sorting for URLLC Massive MIMO
本文针对URLLC场景，将符号级GRAND推广到mMIMO空间复用，并利用信道状态信息进行天线排序，在保持可靠性的同时将解码复杂度降低80%以上。
2023-07-11 cs.IT eess.SP math.IT
Ultra-Reliable and Low-Latency Communications in 5G Downlink: Physical Layer Aspects
超可靠和低延迟通信（URLLC）是5G中的新服务类别，以适应具有严格延迟和可靠性要求的新兴服务和应用。为了支持URLLC，在称为5G新无线电（NR）的空中接口中应该有演进和革命性的变化。在本文中，我们提供了URLLC的最新概述，重点是5G NR下行链路中的物理层挑战和解决方案。我们强调URLLC的关键要求，然后阐述物理层的问题和使能技术，包括数据包和帧结构，调度方案，和可靠性改进技术，这已经在3GPP版本15标准化讨论。
2018-08-23 cs.IT math.IT
URLLC with Coded Massive MIMO via Random Linear Codes and GRAND
无线通信中的当前挑战是确保超可靠和低延迟通信（URLLC）。虽然可靠性方面是公知的，通过使用长码字的信道编码来改善，但这通常意味着使用引入不期望的延迟的双绞线。使用短码字是使解码延迟最小化所需的改变。这项工作提出了一个编码和解码方案的组合，连同空间信号处理作为一种手段，以提供URLLC在衰落信道。本文提出了在大规模MIMO（mMIMO）信道上使用随机线性码（RLC），并采用标准迫零检测和猜测随机加性噪声解码（GRAND）。在mMIMO平坦衰落信道上对几种方案的性能进行了评估。所提出的方案大大优于使用5G极化编码和解码的等效方案，以获得感兴趣的信噪比（SNR）。虽然极化码的复杂度在所有SNR下都是恒定的，但使用具有GRAND的RLC可以在大部分SNR范围内实现更快的解码时间，从而进一步减少延迟。
2023-03-14 cs.IT math.IT
Joint Uplink and Downlink Resource Configuration for Ultra-reliable and Low-latency Communications
支持超可靠和低延迟通信（URLLC）是第五代蜂窝网络的主要目标之一。由于频谱使用效率始终是一个问题，需要大的带宽，以确保严格的服务质量（QoS），我们最大限度地减少总带宽下的URLLC的QoS约束。首先，我们提出了一个数据包传输机制URLLC。为了减少带宽需求以保证接入时延，我们考虑了一种统计复用接入模式，即将发送到不同设备的数据包在基站的同一个队列中等待，下行传输采用广播模式。以这种方式，在多个设备的分组之间共享下行链路带宽。在上行链路传输中，不同的子信道被分配给不同的设备以避免强干扰。然后，联合优化上下行带宽配置和时延分量，以最小化保证总体丢包和端到端时延所需的总带宽，其中包括上下行传输时延、中继时延和回程时延。我们提出了一个两步的方法来找到最优解。仿真和数值结果验证了我们的分析，并显示显着的性能增益，联合优化上行链路和下行链路配置。
2018-01-03 cs.IT math.IT
Cell-free Massive MIMO with Short Packets
在本文中，我们适应了无小区的大规模MIMO（多输入多输出），这是由Östman等人（2020）引入的有限块长度框架，用于表征在超可靠低延迟通信（URLLC）制度下，大规模MIMO可实现的分组错误概率。在本文中考虑的框架包括一个无细胞的架构，不完美的信道状态信息，和任意的线性信号处理在中央处理单元连接到接入点通过前传链路。通过数值模拟，我们表明，要达到高可靠性要求的URLLC，MMSE信号处理必须使用。还与小小区和大规模MIMO蜂窝网络进行了比较。两者都需要更多的天线来实现与无小区Massive MIMO相当的性能。
2021-07-22 cs.IT eess.SP math.IT
How Much Do Downlink Pilots Improve Cell-Free Massive MIMO?
在本文中，我们分析了包括下行链路导频在无小区的大规模MIMO系统的好处。我们推导出一个近似的每个用户可实现的共轭波束成形处理，其中考虑到上行链路和下行链路的信道估计误差，和功率控制的下行链路速率。在每用户净吞吐量方面进行了性能比较，考虑无小区的大规模MIMO操作，有和没有下行链路训练，对于不同的网络密度。我们还考虑到在下行链路中的最大-最小公平功率控制提供的性能改善。数值结果表明，利用下行链路导频，性能可以显着提高在低密度网络中的传统方案，其中用户只依赖于统计信道知识。在高密度网络中，性能改进是适度的。
2016-09-13 cs.IT eess.SP math.IT
Resource Allocation for Uplink Cell-Free Massive MIMO enabled URLLC in a Smart Factory
智能工厂需要支持多个工业物联网（IIoT）设备的同时通信，并具有超可靠性和低延迟通信（URLLC）。同时，与用于人与人通信的传统长分组传输相比，用于IIoT应用的短分组传输会导致性能损失。另一方面，无小区的大规模多输入多输出（CF mMIMO）技术可以通过部署分布式接入点（AP）为所有设备提供统一的服务。在本文中，我们采用CF mMIMO来支持智能工厂中的URLLC。具体来说，我们首先推导出的下限（LB）可实现的上行链路数据率有限块长度（FBL）下的不完美的信道状态信息（CSI）的最大比合并（MRC）和全导频迫零（FZF）解码器。\textcolor{black}{The derived LB rates based on the MRC case have the same trends as the ergodic rate, while LB rates using the FZF decoder tightly match the ergodic rates}，这意味着可以基于LB数据率而不是FBL下的精确遍历数据率来执行资源分配。利用\textcolor{black}{log-function method}和逐次凸逼近（SCA）将非凸加权和速率问题近似转化为一系列几何规划（GP）问题，并提出了一种联合优化导频和净荷功率分配的迭代算法.仿真结果表明，与集中式mMIMO相比…
2022-11-22 cs.IT eess.SP math.IT
URLLC in IRS-Aided MIMO Systems: Finite Blocklength Analysis and Design
本文研究IRS辅助MIMO系统的URLLC性能，推导互信息密度中心极限定理及最优平均错误概率闭式上下界，并提出基于梯度的IRS相移优化算法以最小化错误概率下界。
2024-02-21 cs.IT math.IT
CS-Based CSIT Estimation for Downlink Pilot Decontamination in Multi-Cell FDD Massive MIMO
用于频分双工（FDD）大规模MIMO的发射机处的有效信道状态信息（CSIT）可以促进其与现有FDD蜂窝网络的后向兼容。迄今为止，针对FDD单小区大规模MIMO系统提出了几种CSIT估计方案，但它们都没有考虑小区间干扰（ICI），并且在多小区情况下会受到下行导频污染的影响。为了解决这个问题，本文提出了一种基于压缩感知（CS）的CSIT估计方案，以对抗FDD多小区大规模MIMO系统中的ICI。具体而言，角域大规模MIMO信道在不同的子载波上表现出共同的稀疏性，并且这种稀疏性部分由相邻用户共享。通过利用这些稀疏特性，我们设计的导频信号和相关的信道估计算法的CS理论的框架下，其中与多个相邻的BS相关联的信道可以可靠地估计与低的训练开销的下行链路导频净化。仿真结果验证了所提出的解决方案的良好的下行链路导频去污性能相比，其传统的多小区FDD大规模MIMO。
2021-08-23 cs.IT eess.SP math.IT
Timing and Frequency Synchronization for 1-bit Massive MU-MIMO-OFDM Downlink
我们考虑大规模多用户（MU）多输入多输出（MIMO）下行链路的定时和频率同步，其中1位数模转换器（DAC）在基站（BS）。我们专注于实际相关的情况下，正交频分复用（OFDM）是用来在频率选择性信道进行通信。我们的贡献是双重的。首先，我们使用Bussgang定理来分析BS中存在1位DAC时定时和频率偏移对性能的影响。其次，我们证明了广泛使用的Schmidl-Cox同步算法的有效性。我们的研究结果表明，1比特的大规模MU-MIMO-OFDM下行链路是弹性的定时和频率偏移。
2019-05-19 cs.IT eess.SP math.IT
FDD Massive MIMO Uplink and Downlink Channel Reciprocity Properties: Full or Partial Reciprocity?
FDD大规模MIMO通信系统面临的一个挑战是如何在基站处获得下行链路信道状态信息（CSI）。除了通过上行链路导频传输的传统码本反馈之外，可以通过上行链路信道估计和信道参数估计算法来利用一些信道互易特性。本文分析了上下行信道的互易特性。从理论上证明了FDD下行信道和上行信道的多径参数并不都是等价的。因此，所谓的完全互易性不成立，而部分互易性成立。最后，通过信道测量活动验证了理论分析的正确性.最后，为了支持部分互易性，还提出了对标准化5G信道模型的修改。通过本文的工作，可以为FDD大规模MIMO系统的传输方案设计指明方向。
2019-12-31 cs.IT eess.SP math.IT
Utility-based Downlink Pilot Assignment in Cell-Free Massive MIMO
我们提出了一种无小区大规模MIMO（多输入多输出）的正交下行链路导频分配策略，利用知识的信道状态信息，在每个用户的信道硬化程度，和移动性条件的用户。这些元素被适当地组合在一起，用于定义用户导频效用度量，其测量用户对用于有效数据解码的下行链路导频的实际需要。所提出的策略包括仅向具有超过预定阈值的导频效用度量的用户分配正交下行链路导频。相反，未被分配有正交下行链路导频的用户通过使用统计信道状态信息来解码数据。与现有技术方法相比，基于效用的方法保证更高的下行链路净和吞吐量，更好地支持高速用户和更短的相干间隔。
2018-04-04 cs.IT eess.SP math.IT
Downlink Training in Cell-Free Massive MIMO: A Blessing in Disguise
无小区大规模MIMO（多输入多输出）是指分布式大规模MIMO系统，其中所有接入点（AP）协作以相干地服务所有用户设备（UE），抑制小区间干扰并减轻多用户干扰。最近的工作表明，与共址的大规模MIMO不同，\textit{channel hardening}通常在无小区的大规模MIMO中不太明显，因此从估计下行链路信道中获益很多。在这项研究中，我们调查的增益引入的下行链路波束成形训练，延伸到非正交的上行链路和下行链路导频先前提出的分析。假设单天线接入点，共轭波束成形和独立的瑞利衰落信道，我们推导出一个封闭形式的表达式为每个用户可实现的下行链路速率，解决信道估计误差和导频污染都在AP和UE侧。性能评估包括最大-最小公平功率控制、贪婪导频分配方法，以及不同容量约束技术获得的可达速率之间的比较。数值结果表明，下行波束成形训练，虽然增加了导频开销，并引入额外的导频污染，显着提高可达到的下行链路速率。即使对于大量AP，依赖于统计信道状态信息进行数据解码的UE也不是完全有效的。
2019-09-06 cs.IT eess.SP math.IT
MIMO-PASS: Uplink and Downlink Transmission via MIMO Pinching-Antenna Systems
本文研究多用户MIMO场景下夹持天线系统（PASS）的上下行传输，提出联合优化数字预编码与夹持元件位置的混合波束成形及多用户检测算法，显著提升了系统吞吐量。
2025-03-05 cs.IT eess.SP math.IT
Downlink Spectral Efficiency of Massive MIMO with Dual-Polarized Antennas
研究了基站和用户均采用双极化天线的单小区大规模MIMO（多输入多输出）系统下行链路。我们考虑一个信道模型，考虑到几个实际的方面，出现时，利用双极化，如信道交叉极化歧视（XPD）和交叉极化接收和发送相关性（XPC）。我们推导出该模型的最小均方误差（MMSE）信道估计的统计特性。使用这些估计的最大比预编码，一个严格的封闭形式的下行链路频谱效率（SE）的表达式。我们比较了在双极化和单极化设置中实现的SE，并评估了XPD对下行链路SE的影响。
2022-06-16 cs.IT eess.SP math.IT
Deep Learning based Downlink Channel Prediction for FDD Massive MIMO System
在频分双工（FDD）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所需的巨大开销，在基站（BS）处获取下行链路信道状态信息（CSI）是非常具有挑战性的任务。在本文中，我们揭示了一个确定性的上行链路到下行链路的映射函数时，位置到信道的映射是双射。受通用近似定理的启发，我们提出了一个稀疏复值神经网络（SCNet）来近似上行链路到下行链路的映射函数。与在实域中运行的一般深度网络不同，SCNet是在复域中构建的，能够通过离线训练来学习复值映射函数。在训练之后，SCNet用于基于估计的上行链路CSI直接预测下行链路CSI，而不需要下行链路训练或上行链路反馈。数值结果表明，SCNet在预测精度方面比一般深度网络具有更好的性能，并在复杂的无线信道中表现出显着的鲁棒性，展示了其在实际部署中的巨大潜力。
2019-08-26 cs.IT eess.SP math.IT
HyperRNN: Deep Learning-Aided Downlink CSI Acquisition via Partial Channel Reciprocity for FDD Massive MIMO
为了充分发挥大规模多输入多输出（MIMO）在下行链路中的优势，需要在基站（BS）处获取信道状态信息（CSI）来优化波束形成矩阵。在频分双工（FDD）系统中，全信道互易性不成立，并且CSI获取通常需要下行链路导频传输，随后是上行链路反馈。先前的工作提出了经由深度学习的导频传输、反馈和CSI估计的端到端设计。在这项工作中，我们引入了一个增强的端到端的设计，利用部分上行链路-下行链路的互易性和时间相关的衰落过程，通过联合利用下行链路和上行链路的导频。所提出的方法基于一种新型的深度学习架构- HyperRNN -它结合了超网络和递归神经网络（RNN），以优化从上行链路到下行链路的长期信道特征的传输。仿真结果表明，HyperRNN实现了较低的归一化均方误差（NMSE）性能，并降低了对导频长度的要求。
2021-07-08 cs.IT eess.SP math.IT
Repeater-Assisted Massive MIMO Downlink Performance with Calibration Errors
The University of Electro-Communications（电气通信大学）；Linköping University（林雪平大学）
本文建模了中继辅助大规模MIMO系统中校准误差的影响，推导了下行频谱效率的解析表达式，并分析了误差显著的特殊情况。
2026-06-15 cs.IT eess.SP math.IT
FDD Massive MIMO Without CSI Feedback
发射机信道状态信息（CSIT）对于大规模多输入多输出（MIMO）系统提供的频谱效率增益是必不可少的。在频分复用（FDD）大规模MIMO系统中，通常通过下行链路信道估计和用户反馈来获取CSIT，但是随着天线数量的增加，用于每个用户的CSI训练和反馈的开销增加，导致频谱效率的降低。在本文中，我们表明，在FDD中使用上行链路导频，下行链路和频谱效率增益与完美的下行链路CSIT是可以实现的，当在基站的天线数量是无限的一些温和的信道条件下。该方法的核心思想是利用上下行信道的几何互易性，提出了基于上行导频的均方误差最优下行信道重构方法。我们还提出了一个强大的下行链路预编码方法利用重建的信道与误差协方差矩阵。我们的系统级仿真结果表明，我们提出的预编码方法可以达到可比的总和频谱效率迫零预编码与完美的下行链路CSIT，没有CSI训练和反馈。
2023-02-09 cs.IT eess.SP math.IT
Robust Linear Processing for Downlink Multiuser MIMO System With Imperfectly Known Channel
本文提出了一种粗糙的下行链路多用户MIMO方案，利用信道均值和天线的相关性，以减轻由于真实和估计CSI之间的不匹配的性能损失。
2008-11-04 cs.IT math.IT
A MIMO ISAC System for Ultra-Reliable and Low-Latency Communications
提出双站MIMO ISAC系统，通过DPC技术减轻eMBB与感知信号干扰，在有限块长机制下实现URLLC消息优先传输，并在满足约束下显著提升eMBB速率。
2025-02-01 cs.IT math.IT
Simultaneous Downlink Data Transmission and Uplink Channel Estimation with Reduced Complexity Full Duplex MIMO Radios
在本文中，我们研究全双工（FD）多输入多输出（MIMO）无线电同时数据通信和控制信息交换。利用最近提出的FD MIMO架构，结合数字发射和接收波束成形与降低复杂度的多抽头模拟自干扰（SI）消除，我们提出了一种新的传输方案，利用信道互易性联合下行链路波束成形信息数据通信和上行链路信道估计，通过训练数据传输。我们采用了一个通用的导频辅助信道估计模型，并提出了一个统一的优化框架，所有涉及FD MIMO设计参数。我们的代表性的Monte Carlo模拟结果的波束形成器以及模拟和数字SI消除的一个示例算法的解决方案表明，所提出的基于FD的联合通信和控制方案提供了1.4倍的下行链路速率的半双工对应。与具有全连接模拟消除的传统FD MIMO架构相比，模拟消除器的硬件复杂度降低了50%，从而实现了这种性能改进。
2020-03-14 cs.IT eess.SP 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
Optimal Joint Beamforming and Power Control in Cell-Free Massive MIMO Downlink
提出了一种新的无小区大规模MIMO（CFmMIMO）系统下行链路联合波束赋形和功率控制优化模型。所提出的优化模型的目标是最大限度地减少用户干扰，同时满足服务质量（QoS）的约束和功耗限制。所提出的最小-最大优化模型是作为一个混合整数非线性规划，这是直接听话。数值结果表明，所提出的联合波束成形和功率控制方案是有效的，并优于竞争方案的数据率，功耗和能源效率。
2021-07-22 cs.IT eess.SP math.IT
Precoding and Decoding Schemes for Downlink MIMO-RSMA with Simultaneous Diagonalization and User Exclusion
在本文中，我们考虑下行链路多输入多输出（MIMO）速率分裂多址（RSMA）系统的预编码器设计。所提出的方案与同时对角化（SD）分解的MIMO信道矩阵的用户到标量信道通过高阶广义奇异值分解（CM）的公共消息和块对角化（BD）的私人消息，从而使低复杂度的元素，元素的连续干扰消除（SIC）和解码在接收机。此外，所提出的SD MIMO-RSMA克服了RSMA系统中的一个关键限制，其中通过排除用户的子集来解码CM，CM的可实现速率受到具有用于CM的弱有效MIMO信道的用户的限制。我们制定了一个非凸加权和率（WSR）优化问题的SD MIMO-RSMA和解决它通过逐次凸逼近获得局部最优解。我们的仿真结果表明，无论是完美的和不完美的CSI，所提出的SD MIMO-RSMA与用户排斥优于基线MIMO-RSMA方案和线性BD预编码。
2022-03-30 cs.IT eess.SP math.IT
Deep Learning for Uplink CSI-based Downlink Precoding in FDD massive MIMO Evaluated on Indoor Measurements
当操作具有处于不同频率的上行链路（UL）和下行链路（DL）信道的大规模多输入多输出（MIMO）系统（频分双工（FDD）操作）时，用于下行链路预编码的信道状态信息（CSI）的获取是主要挑战。由于除了收发器损伤之外，UL和DL CSI两者都由发射器和接收器周围的物理环境确定，因此理所当然的是，对于静态环境，可以存在从UL CSI到DL CSI的映射。首先，我们建议使用各种基于神经网络（NN）的方法来学习这种映射，并使用经典的信号处理提供基线。其次，我们引入了一个计划来评估所有方法的泛化性能和质量，区分已知和以前看不见的物理位置。第三，我们评估所有的方法在一个真实世界的室内数据集收集32天线通道探测器。
2022-09-22 cs.IT eess.SP 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
Downlink Massive MU-MIMO with Successively-Regularized Zero Forcing Precoding
在这封信中，我们考虑下行链路大规模多用户（MU）多输入多输出（MIMO）系统的线性预编码。我们提出了一种新的逐次正则化迫零（SRZF）预编码，它利用连续的零空间的MIMO信道的用户，随着正则化，控制用户间干扰（IUI），并提高性能和鲁棒性不完善的信道状态信息（CSI）在基站（BS）。我们研究了所提出的SRZF预编码的IUI特性的完美和不完美的CSI在BS。此外，通过计算机模拟，我们比较了SRZF预编码的总和速率与几个基线方案，包括传统的和正则化迫零（ZF）预编码。我们的仿真结果表明，对于大规模MIMO系统与用户间的信道相关性，所提出的SRZF预编码显着优于所考虑的基线方案在BS的完美和不完美的CSI。
2022-10-29 cs.IT eess.SP math.IT
Energy Efficiency Optimization for Downlink Massive MIMO With Statistical CSIT
我们调查的能量效率（EE）优化单小区大规模多输入多输出（MIMO）下行链路传输，只有统计信道状态信息（CSI）在基站。我们首先表明，波束域传输是有利于在大规模MIMO下行链路的能源效率，通过推导出一个封闭形式的解决方案的最佳传输协方差矩阵的特征向量。利用这一结论，EE优化问题被简化为一个实值功率分配问题，这比原来的高维复矩阵值预编码设计问题更容易解决。我们进一步提出了一种迭代注水结构波束域功率分配算法，具有低复杂度和保证收敛性，利用序贯优化，分数优化和随机矩阵理论的技术。数值结果表明，我们提出的统计CSI辅助EE优化方法的性能接近最优。
2020-02-12 cs.IT eess.SP math.IT
Robust URLLC Packet Scheduling of OFDM Systems
针对超可靠低延迟通信（URLLC），研究了下行正交频分多址（OFDMA）系统中联合物理资源块（PRB）分配和发射功率分配的功率最小化问题.为了更实际，仅假设不完美的信道状态信息（CSI）在基站（BS）处可用。所制定的问题是一个组合和混合整数非凸问题，是很难处理。通过松弛变量的引入、一阶Taylor逼近和加权$\ell_1$ -范数，将其近似为一个凸问题，并提出了基于逐次凸逼近（SCA）的迭代算法来获得次优解.数值结果提供了一些见解信道估计误差，用户数，允许的最大延迟和分组错误概率上所需的系统和功率的影响。
2020-02-09 cs.IT eess.SP math.IT
Downlink Pilots are Essential for Cell-Free Massive MIMO with Multi-Antenna Users
针对多天线用户场景下有效信道矩阵不硬化的问题，提出基于导频的下行链路估计方案并推导迫零合并的SE表达式，证明下行链路导频对提升无小区大规模MIMO系统SE的必要性。
2024-04-29 cs.IT eess.SP math.IT
1-Bit Massive MIMO Downlink Based on Constructive Interference
在本文中，我们专注于多用户大规模多输入单输出（MISO）下行链路与低成本的1位数模转换器（DAC）的PSK调制，并提出了一个低复杂度的细化过程，适用于任何现有的1位预编码方法的基础上建设性干扰（CI）制定。随着沿着检测阈值的信号的分解，我们首先制定一个简单的符号缩放方法作为性能度量。随后介绍了低复杂度的细化方法，其中我们的目标是通过修改一个天线上的发射信号的时间，以提高所引入的符号缩放性能度量。数值结果验证了所提出的改进方法在现有的大规模多输入多输出1位DAC的方法的有效性，性能的改善是最显着的低复杂度的量化迫零（ZF）方法。
2018-10-29 cs.IT eess.SP math.IT
Model-driven Learning for Generic MIMO Downlink Beamforming With Uplink Channel Information
准确的下行信道信息对于波束成形设计至关重要，但在实际中很难获得。本文研究了一种基于深度学习的下行波束赋形优化方法，以最大化系统和速率，当只有上行信道信息可用时。我们的主要贡献是提出了一种模型驱动的学习技术，利用最佳下行链路波束成形的结构，设计一个有效的混合学习策略，旨在最大限度地提高和速率性能。这是通过在训练阶段联合考虑下行链路信道的学习性能、功率和和速率来实现的。所提出的方法适用于上行链路信道信息可用但其与下行链路信道的关系未知并且不需要显式下行链路信道估计的一般情况。我们进一步扩展开发的技术，以大规模的多输入多输出的情况下，实现了分布式学习策略的多小区系统，而无需小区间信令开销。仿真结果表明，该方法具有接近于现有数值算法的性能，并具有良好的下行信道信息，在总速率方面明显优于现有的数据驱动方法。
2021-09-16 cs.IT eess.SP math.IT
Downlink MIMO-RSMA with Successive Null-Space Precoding
在本文中，我们考虑了预编码器的设计，为欠载或临界负载的下行链路多用户多输入多输出（MIMO）通信系统。我们提出了新的预编码和解码方案，提高系统性能的基础上速率分裂在发射机和单级连续干扰消除在接收机。所提出的连续零空间（SNS）预编码利用用户的连续增强的MIMO信道矩阵的零空间基向量的线性组合作为预编码向量来调整接收机所经历的用户间干扰。我们制定了一个非凸加权和速率优化问题的预编码向量和相关的功率分配建议基于SNS的MIMO速率分裂多址接入（RSMA）计划。我们通过逐次凸逼近得到了这个问题的一个次优解。此外，我们研究了所提出的预编码方案的鲁棒性不完善的信道状态信息（CSI）在基站通过基于导数的灵敏度分析。我们的分析和仿真结果表明，所提出的基于SNS的MIMO-RSMA方案的增强性能和鲁棒性超过几个基线多用户MIMO方案，特别是对于不完美的CSI。
2022-05-05 cs.IT eess.SP math.IT
Closed-form Approximation for Performance Bound of Finite Blocklength Massive MIMO Transmission
针对uRLLC场景下有限块长大规模MIMO传输的性能分析需求，本文推导了信道色散期望与方差的闭式表达式，给出了可达速率界，揭示了时延与空间自由度的反比例关系。
2023-07-19 cs.IT math.IT
Downlink Spectral Efficiency of Cell-Free Massive MIMO with Full-Pilot Zero-Forcing
与蜂窝通信相比，由于增加了宏分集，大规模多输入多输出（MIMO）可确保以高频谱效率（SE）进行无处不在的通信。然而，系统的可扩展性和性能受到前传业务和干扰的限制。与仅抑制小区内干扰的常规预编码方案不同，在[1]中引入的全导频迫零（fpZF）还主动地抑制小区间干扰，而不在接入点（AP）之间共享信道状态信息（CSI）。在这项研究中，我们推导出一个新的封闭形式的表达的下行链路（DL）SE的无小区大规模MIMO系统与多天线AP和fpZF预编码，不完美的CSI和导频污染。该分析还包括最大-最小公平DL功率优化。数值结果表明，fpZF显着优于最大比传输方案，而不增加前传开销，只要系统是充分分布。
2019-09-06 cs.IT eess.SP math.IT
PAR-Aware Large-Scale Multi-User MIMO-OFDM Downlink
研究了一种基于正交频分复用（OFDM）的大规模多用户（MU）多输入多输出（MIMO）无线系统下行链路传输方案。OFDM的使用导致高的峰均（功率）比（PAR），这需要在基站处的昂贵且功率低效率的射频（RF）组件。在本文中，我们提出了一种新的下行链路传输方案，利用大规模MU-MIMO-OFDM系统中的大规模自由度，以实现低PAR。具体来说，我们建议联合执行MU预编码，OFDM调制，PAR降低通过解决凸优化问题。我们开发了相应的快速迭代截断算法（FITRA），并显示数值结果，以证明巨大的PAR降低能力。显著降低的线性要求最终使得能够将低成本RF组件用于大规模MU-MIMO-OFDM下行链路。
2012-09-04 cs.IT 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
