On the Achievable Rates of Decentralized Equalization in Massive MU-MIMO Systems
与传统的小规模MIMO技术相比，大规模多用户（MU）多输入多输出（MIMO）有望在频谱效率方面获得显著的增益。诸如迫零（ZF）或基于最小均方误差（MMSE）的方法之类的线性均衡算法通常依赖于基站（BS）处的集中式处理，这导致（i）过高的互连和芯片输入/输出数据率，以及（ii）高计算复杂性。在本文中，我们研究了分散均衡的可实现率，以减轻这两个问题。我们考虑两种不同的BS架构，将天线阵列划分为集群，每个集群与独立的射频链和信号处理硬件相关联，并且每个集群的结果在前馈网络中融合。对于这两种架构，我们认为ZF，MMSE，和一种新的，非线性均衡算法，建立在近似消息传递（AMP），我们从理论上分析这些方法的可实现的速率。我们的研究结果表明，与集中式解决方案相比，我们基于AMP的方法的分散式均衡在可实现的速率方面没有或只有微不足道的损失。
2017-05-08 cs.IT eess.SP math.IT
Trade-offs In Quasi-Decentralized Massive MIMO
针对集中式大规模 MIMO 的 CPU 连接不可扩展问题，本文提出准去中心化通用架构及新型矩阵分解，以在连接数与每天线输出数之间权衡并实现无损线性均衡。
2020-03-04 cs.IT eess.SP math.IT
Decentralized Beamforming for Cell-Free Massive MIMO with Unsupervised Learning
无小区大规模多输入多输出（Cell-free massive MIMO，CF-mMIMO）系统代表了一种提高无线通信系统频谱效率的有前景的方法。然而，接近最优的波束成形解决方案需要在接入点（AP）和网络控制器（NC）之间进行大量的信令交换。在这封信中，我们提出了两种无监督的深度神经网络（DNN）架构，完全和部分分布式，可以在AP和NC之间执行分散的协调波束成形，实现全数字和混合预编码。与传统的接近最优的解决方案相比，所提出的DNN实现了接近最优的和速率，同时还将计算复杂度降低了10- 24倍。
2021-11-26 cs.LG eess.SP
Decentralized Design of Fast Iterative Receivers for Massive and Extreme-Large MIMO Systems
尽管在大规模多输入多输出（M-MIMO）系统的基站处广泛使用集中式方法来设计接收器，但由于大量天线所施加的若干瓶颈，其实际实施是一个重大挑战。解决这个问题的一种方法是基于梯度下降方法将经典的迫零接收器完全分散到多个处理节点上。在本文中，我们首先明确地将这种分散式接收器与Kaczmarz算法的分布式版本以及使用连续干扰消除（SIC）理念来减轻跨节点的残差相关。此外，我们提出了两种方法，以进一步加快这些迭代分散接收器的初始收敛，通过探索与Kaczmarz算法的连接：1）一个新的贝叶斯分布式接收器，它可以消除噪声的迭代基础上; 2）一个更实用的方法来选择松弛参数。讨论还考虑了当天线阵列非常大（XL-MIMO）时出现的空间非平稳性。我们能够改善空间平稳和非平稳信道的数值结果，但主要是非平稳性能仍然可以改善相比，集中式ZF接收机。最后指出了进一步提高基于连续残差抵消原理的接收机适用性的研究方向。
2021-07-23 cs.IT eess.SP math.IT
Decentralized Equalization with Feedforward Architectures for Massive MU-MIMO
基于迫零（ZF）或线性最小均方误差（L-MMSE）均衡的线性数据检测算法在大规模多用户多输入多输出（MU-MIMO）系统中实现接近最优的频谱效率。然而，这样的算法通常依赖于基站（BS）处的集中处理，这导致（i）过多的互连和芯片输入/输出（I/O）数据率以及（ii）高计算复杂性。分散式基带处理（DBP）将BS天线阵列划分为与单独的射频电路和计算结构相关联的独立集群，以便克服集中式处理的限制。在本文中，我们研究分散均衡与前馈架构，最大限度地减少现有DBP解决方案的延迟瓶颈。我们提出了两种不同的架构，不同的互连和I/O带宽的要求，融合本地均衡结果的每个集群在一个前馈网络。对于这两种架构，我们考虑最大比合并，ZF，L-MMSE，和依赖于近似消息传递的非线性均衡算法，我们分析了相关的均衡后信号噪声干扰比（SINR）。我们提供了多个图形处理单元（GPU）系统上的参考实现结果，该系统表明，与前馈架构的分散均衡，使吞吐量在Gb/s的制度，并不会或只会产生很小的性能损失相比，集中式解决方案。
2019-06-20 cs.IT eess.SP math.IT
Decentralized Hybrid Precoding for Massive MU-MIMO ISAC
针对大规模多用户MIMO ISAC系统中密集用户接入引发的多用户干扰问题，本文提出一种基于分布式基带处理与THP的混合预编码方法，以最小化CRB为目标，有效提升通信速率和能量效率并降低硬件复杂度。
2024-10-21 cs.IT eess.SP math.IT
Decentralized Linear MMSE Equalizer Under Colored Noise for Massive MIMO Systems
大规模多输入多输出系统中的常规上行链路均衡依赖于集中式基带处理架构。然而，随着基站天线数目的增加，集中式基带处理架构遇到两个瓶颈，即，巨大的数据互联和高维计算。为了解决这些问题，分散基带处理被提出用于上行链路均衡，但仅适用于不切实际的高斯白噪声假设的场景。提出了一种色噪声假设下的菊花链分布式基带处理结构中上行链路线性最小均方误差（L-MMSE）均衡方法。优化的L-MMSE均衡器是通过利用块坐标下降法，这表明在理论和仿真接近最优的性能，同时显着减轻瓶颈。
2021-06-23 eess.SP
Fluid Antenna-Assisted MU-MIMO Systems with Decentralized Baseband Processing
针对流体天线位置优化计算成本高的问题，本文引入 DBP 架构并提出结合矩阵 FP 与 MM 的去中心化 BCA 算法，在 WSR 损失可忽略的情况下将计算时间降低逾 70%。
2025-05-12 cs.IT eess.SP math.IT
Decentralized Baseband Processing with Gaussian Message Passing Detection for Uplink Massive MU-MIMO Systems
分散式基带处理（DBP）架构将基站天线划分为多个天线簇，其最近被提出用于减轻大规模多用户多输入多输出（MU-MIMO）系统的过高互连带宽、芯片输入/输出数据速率和检测复杂度。在本文中，我们开发了一种新的分布式高斯消息传递（GMP）检测的DBP架构。通过将离散概率分布投影到复高斯函数中，在集中式处理单元中，基于所提出的消息融合规则，融合每个天线簇中迭代计算的局部均值和方差，生成全局符号置信度。在大系统极限和高斯源的假设下，给出了基于状态演化的分散GMP检测的框架和收敛性分析。仿真结果表明，非均匀天线簇划分方案比均匀天线簇划分方案具有更高的收敛速度。仿真结果表明，所提出的分散GMP检测优于最近提出的分散算法。
2021-05-22 eess.SP
Decentralized Massive MIMO Processing Exploring Daisy-chain Architecture and Recursive Algorithms
用于大规模多输入多输出上行链路检测和下行链路预编码的算法通常依赖于集中式方法，通过该方法，来自所有天线模块的基带数据被路由到中心节点以便被处理。在大规模多输入多输出的情况下，其中在基站中预期有数百或数千个天线，由于互连吞吐量有限，所述路由成为瓶颈。提出了一种基于随机梯度下降（SGD）方法的大规模多输入多输出（MassiveMIMO）上行检测和下行预编码的完全分散式结构和算法，该算法不需要中心节点来完成这些任务。通过一个递归的方法和非常低的复杂度操作，该算法提供了一个很好的性能，互连吞吐量和延迟之间的权衡。此外，我们提出的解决方案实现了显着降低互连数据速率比其他架构，使未来的可扩展性。
2020-01-28 eess.SP
Approximate Partially Decentralized Linear EZF Precoding for Massive MU-MIMO Systems
本文针对大规模MU-MIMO系统提出一种基于特征零迫的近似部分分散线性预编码算法，通过并行化基站天线簇间的基带处理并最小化互连需求，在降低复杂度的同时接近集中式EZF性能。
2024-07-18 eess.SP
Over-The-Air Federated Learning Over Scalable Cell-free Massive MIMO
本文研究无蜂窝大规模MIMO支持空中联邦学习的方法，提出在信道相关且仅有不完美信道状态信息条件下的实用OTA-FL实现方案，并通过分析与实验验证其收敛性和性能优势。
2023-09-18 cs.IT cs.LG eess.SP
Low-Complexity Channel Estimation for Massive MIMO Systems with Decentralized Baseband Processing
传统的集中式基带处理架构面临着计算复杂度高和过多前传通信的瓶颈，特别是当基站（BS）天线数较多时。为了应对这两个挑战，已经提出了分散式基带处理（DPB）架构，其中BS天线被划分为多个集群，并且每个集群连接到本地基带单元（BBU）。在本文中，我们感兴趣的低复杂度分布式信道估计（CE）方法下的DBP架构，这是很少在文献中研究。目的是设计分布式CE算法，其可以执行以及集中式方案，但具有小的BBU间通信成本。具体地说，基于低复杂度的对角最小均方误差信道估计器，提出了两种分布式CE算法，即聚合后估计算法和估计后聚合算法。与现有的分布式CE算法需要节点之间的迭代信息交换相比，我们的算法只需要在BBU之间进行一次往返通信。大量的实验结果表明，所提出的分布式CE算法的估计精度，BBU间的通信成本，计算复杂度方面的优势。
2022-10-28 cs.IT eess.SP math.IT
Decentralized Cooperative Beamforming for BDRIS-Assisted Cell-Free MIMO OFDM Systems
本文提出了一种去中心化协作波束成形方法，用于BDRIS辅助的无基站MIMO OFDM系统，以提高总速率性能。
2026-01-19 cs.ET cs.IT eess.SP
Hybrid Precoder and Combiner Designs for Decentralized Parameter Estimation in mmWave MIMO Wireless Sensor Networks
针对毫米波MIMO无线传感器网络的去中心化参数估计，提出基于多测量向量稀疏恢复与SOMP算法的混合预编码与合并器设计，并在多种功率约束与噪声条件下验证了其有效性。
2023-06-25 eess.SP
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
Beyond Cell-free MIMO: Energy Efficient Reconfigurable Intelligent Surface Aided Cell-free MIMO Communications
无小区系统可以通过使多个基站（BS）能够以由于BS的大规模部署而导致的高硬件和电源成本为代价来协作地为没有小区边界的用户服务，从而有效地消除小区间干扰。为了解决这个问题，低成本的可重构智能表面（RIS）可以作为一个有前途的技术，以提高能源效率的无细胞系统。在本文中，我们考虑了一个RIS辅助无小区MIMO系统，其中多个RIS部署在BS和用户周围，以低成本的方式通过可重构反射来创建有利的传播条件，从而增强无小区MIMO通信。为了最大限度地提高能量效率，提出了一种混合波束形成（HBF）方案，该方案由基站处的数字波束形成和基于RIS的模拟波束形成组成。建立了能源效率最大化问题的数学模型，并设计了求解该问题的迭代算法。研究了发射功率、RIS数目和RIS大小对能量效率的影响。理论分析和仿真结果表明，最优能量效率取决于RIS的数量和RIS的大小。数值计算也表明，该系统可以实现更高的能量效率比传统的。
2020-11-17 cs.IT eess.SP math.IT
Channel Estimation for XL-MIMO Systems with Decentralized Baseband Processing: Integrating Local Reconstruction with Global Refinement
针对XL-MIMO分布式基带处理，提出两阶段信道估计方案，集成局部稀疏重建与全局贝叶斯精化，SBL-GNNs算法提升精度并降低复杂度。
2025-04-27 cs.IT eess.SP 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
Unified Modeling and Performance Comparison for Cellular and Cell-Free Massive MIMO
针对6G无线系统中的大规模MIMO技术，本文提出涵盖蜂窝式与无蜂窝架构、支持接入点天线数可变的统一建模方法，推导了两种链路在不同方案下的传输模型与频谱效率，并完成多维度性能对比。
2024-05-16 cs.IT eess.SP math.IT
Decentralized Algorithms for Out-of-System Interference Suppression in Distributed MIMO
针对分布式 MIMO 中完全未知的系统外干扰，提出基于 Procrustes 旋转平均的 AP 链式分布式估计算法，以低前传负载达到接近集中式干扰抑制合并的性能。
2024-05-07 cs.IT eess.SP math.IT
Cell-free Massive MIMO for UAV Communications
研究了无蜂窝大规模多输入多输出架构对无人机通信的支持。在一般假设的移动台，无论是无人机或地面用户，和接入点之间的传播信道遵循莱斯分布，我们推导出封闭形式的频谱效率下限的上行链路和下行链路的线性最小均方误差（LMMSE）信道估计。我们还提出了这样一个系统的功率分配和用户调度策略。我们的数值结果表明，无小区大规模多输入多输出架构可以提供比传统的多小区大规模多输入多输出网络部署更好的性能。
2019-02-10 cs.IT eess.SP math.IT
Heterogeneous Massive MIMO: A Cost-Efficient Technique for Uniform Service in Cellular Networks
本文提出异构大规模MIMO（HmMIMO）网络范式，通过在每个小区中心保留大规模天线阵列基站并由小区边缘分布式天线辅助，融合蜂窝与去蜂窝架构优势，在性能与实施复杂性间实现良好折衷。
2025-06-27 cs.IT eess.SP math.IT
Closed-form max-min power control for some cellular and cell-free massive MIMO networks
蜂窝和无蜂窝大规模MIMO网络的功率控制问题的许多常见实例可以被解释为涉及仿射干扰映射和多面体约束的最大-最小效用优化问题。我们表明，这些问题承认一个封闭形式的解决方案，它取决于已知矩阵的谱半径。与此相反，以前的文献中的解决方案已间接获得使用基于二分法的迭代算法，或固定点迭代。此外，我们还显示了一个渐近紧界的最优效用，这反过来又提供了一个简单的经验法则，用于评估网络是否在噪声或干扰限制制度。最后，我们说明我们的研究结果集中在经典的最大-最小公平功率控制无小区大规模MIMO网络。
2022-05-03 cs.IT eess.SP math.IT
Robust Hybrid Transceiver Designs for Linear Decentralized Estimation in mmWave MIMO IoT Networks in the Face of Imperfect CSI
针对mmWave MIMO IoT网络中的线性去中心化估计，提出了基于块坐标下降和SOMP技术的混合收发机设计方案，并推导了存在CSI不确定性时的鲁棒设计，有效降低了MSE。
2023-05-18 cs.IT eess.SP math.IT
Exploring O-RAN Compression Techniques in Decentralized Distributed MIMO Systems: Reducing Fronthaul Load
本文研究在O-RAN去中心化分布式MIMO系统中利用上行前传量化压缩技术降低前传负载，通过链路级仿真验证其在保持BLER性能的同时显著减少前传数据速率，为下一代无线网络的高效可扩展部署提供可行方案。
2025-07-07 eess.SP
Cell-Free MIMO Systems Powered by Intelligent Reflecting Surfaces
无蜂窝大规模多输入多输出（MIMO）和智能反射面（IRS）被认为是未来5G网络的多天线技术。由IRS供电的无小区MIMO系统结合了这两种技术，可以以低成本和低能耗进一步提高无小区MIMO系统的性能。先前的工作集中于瞬时性能度量并且依赖于交替优化算法，这强加了巨大的计算复杂性和信令开销。为了解决这些挑战，我们提出了一种新的两步算法，提供了长期的被动波束形成器在IRS使用统计信道状态信息（S-CSI）和短期的主动预编码器和长期的功率分配在接入点（AP），以最大限度地提高最低可实现的速率。仿真结果表明，该方案的性能优于基准方案，并带来了显着的性能增益的无小区MIMO系统由IRS供电。
2022-02-16 cs.IT eess.SP math.IT
Superimposed Transmission for Cooperative Cellular and Cell-Free Massive MIMO Systems
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；University of Kaiserslautern (RPTU)（凯泽斯劳滕工业大学）
研究协作蜂窝和无小区大规模 MIMO 系统，提出叠加传输策略，按远近分类用户，基站为近程用户叠加发送数据符号，近程用户用连续干扰消除解码，实现高峰值频谱效率且保持小区边缘公平，提升系统容量。
2026-07-15 cs.IT eess.SP math.IT
Ubiquitous Cell-Free Massive MIMO Communications
自20世纪70年代第一个蜂窝网络试用以来，我们见证了一场令人难以置信的无线革命。从1G到4G，大规模的流量增长是通过更宽的带宽、精细的无线电接口和网络密度的组合来管理的，即增加每个站点的天线数量。由于其成本效益，后者的贡献最大。大规模MIMO（多输入多输出）是一种关键的5G技术，它使用大规模天线阵列来提供非常高的波束成形增益和用户的空间复用，从而提高频谱和能量效率。它构成了一个集中的解决方案，以增加网络的密度，其性能受到其以小区为中心的设计中固有的小区间干扰的限制。相反，无处不在的无小区大规模MIMO指的是实现以用户为中心的相干传输以克服蜂窝网络中的小区间干扰限制并提供附加宏分集的分布式大规模MIMO系统。这些特征与大规模MIMO设计中固有的系统可扩展性相结合，将无处不在的无小区大规模MIMO与先前的协调分布式无线系统区分开来。在本文中，我们研究了这种有前途的技术的巨大潜力，同时解决了实际部署问题，以处理来自信号协处理的增加的后/前传输开销。
2019-09-06 cs.IT eess.SP math.IT
Cell-Free XL-MIMO Meets Multi-Agent Reinforcement Learning: Architectures, Challenges, and Future Directions
本文针对无蜂窝XL-MIMO系统的高维信号处理与高能耗问题，提出融合MARL的增强范式，结合近场特性设计两类低复杂度方案以最大化数据速率，并梳理相关机遇挑战与未来研究方向。
2023-10-03 cs.IT eess.SP math.IT
Decentralized Semantic Communication and Cooperative Tracking Control for a UAV Swarm over Wireless MIMO Fading Channels
针对无人机群在MIMO衰落信道下的语义通信与协同跟踪控制问题，提出动态模型与漂移加惩罚优化，推导闭式最优解并建立稳定条件，显著优于现有方法。
2024-11-09 cs.SY eess.SP eess.SY
Achieving Distributed MIMO Performance with Repeater-Assisted Cellular Massive MIMO
本文提出中继器辅助的蜂窝大规模 MIMO，通过部署大量低成本小型无线中继器作为有源散射体，以较低代价逼近分布式 MIMO 性能。
2025-01-07 cs.IT eess.SP math.IT
Decentralized Power Allocation for MIMO-NOMA Vehicular Edge Computing Based on Deep Reinforcement Learning
车载边缘计算（VEC）被认为是处理车载用户（VU）爆炸性计算任务的一种很有前途的方法。在VEC系统中，每个VU通过卸载来分配功率以处理部分任务，并且通过本地执行来处理剩余的任务。在卸载过程中，每个VU采用多入多出非正交多址（MIMO-NOMA）信道，以提高信道频谱效率和容量。然而，由于MIMO-NOMA信道引起的VU之间的信道干扰和每个VU的移动性引起的时变路径损耗，信道条件是不确定的。此外，在现实世界中，每个VU的任务到达是随机的。任务到达的随机性和信道条件的不确定性对每个VU的功耗和延迟有很大影响。在MIMO-NOMA VEC中，考虑随机任务到达和信道变化，设计最优的功率分配方案，以优化包括功耗和延迟在内的长期回报是至关重要的。与传统的集中式深度强化学习（DRL）方案不同，本文构建了一个分散式深度强化学习框架，将局部观测值作为状态来表达功率分配优化问题。采用深度确定性策略梯度（DDPG）算法学习基于分散式DRL框架的最优功率分配方案。仿真结果表明，我们提出的功率分配方案优于现有的计划。
2021-12-29 cs.NI eess.SP
Uplink Performance of Cell-Free Extremely Large-Scale MIMO Systems
在本文中，我们研究了无小区（CF）的超大规模多输入多输出（XL-MIMO）系统，这是一个很有前途的技术，为未来的无线通信的上行链路性能。更具体地，我们考虑具有多个基站（BS）和多个用户设备（UE）的实际场景。为此，我们得到确切的可实现的频谱效率（SE）的表达式为任何组合方案。值得注意的是，我们推导出了具有最大比（MR）合并的CF XL-MIMO的封闭形式的SE表达式。数值结果表明，CF XL-MIMO的SE性能相比于小小区XL-MIMO有很大的提高。有趣的是，较小的天线间距导致贴片天线之间的较高的相关水平。最后，我们证明了增加UE天线的数量可能会降低MR合并的SE性能。
2023-02-14 cs.IT eess.SP math.IT
Improving Sum-Rate of Cell-Free Massive MIMO with Expanded Compute-and-Forward
无小区大规模多输入多输出（MIMO）采用大量分布式接入点（AP）经由相同的时间/频率资源来服务于少量用户设备（UE）。由于强大的宏分集增益，无小区的大规模MIMO可以大大提高可实现的和速率相比，传统的蜂窝大规模MIMO。然而，当在接收机处采用简单最大比合并（MRC）时，无小区大规模MIMO的性能受到用户间干扰（IUI）的上限。为了利用IUI，采用了扩展的计算和转发（ECF）框架。特别是，我们提出了功率控制算法的并行计算和连续计算的ECF框架，分别利用性能增益，然后提高系统性能。此外，我们提出了一个AP选择方案和不同的解码顺序的连续计算的应用。最后，数值结果表明，ECF框架优于传统的CF和MRC框架的可实现的和速率。
2021-11-21 cs.IT eess.SP math.IT
Joint Beamforming and Antenna Position Optimization for Fluid Antenna-Assisted MU-MIMO Networks
针对流体天线辅助MU-MIMO网络，提出联合优化波束成形与天线位置以最大化加权和速率的方法，采用块坐标上升和并行MM算法，并实现去中心化以降低计算复杂度，显著提升性能。
2025-09-25 cs.IT eess.SP math.IT
Scalable Cell-Free Massive MIMO Systems
想象一下，一个覆盖区域有许多无线接入点，这些接入点相互合作，共同为用户提供服务，而不是创建自治小区。这种无小区网络操作可以潜在地解决当前蜂窝网络中出现的许多干扰问题。这一目标以前被称为网络MIMO（多输入多输出），最近又以无小区大规模MIMO的名称重新出现。主要的挑战是以实际可行的方式实现无小区操作的益处，其中计算复杂性和前传要求可扩展到具有许多用户的大型网络。我们提出了一个新的框架，可扩展的无小区大规模MIMO系统，利用动态合作集群的概念，从网络MIMO文献。我们提供了一种新的算法，联合初始接入，导频分配和集群的形成，被证明是可扩展的。此外，我们适应标准的信道估计，预编码和组合方法，成为可扩展的。证明了一种新的上行链路和下行链路的对偶性，并使用该对偶性在合并向量的基础上，对预编码向量进行了启发式设计。有趣的是，所提出的可伸缩预编码和组合优于传统的最大比处理，也执行接近最好的不可伸缩的替代品。
2020-05-08 cs.IT eess.SP math.IT
Smart Hybrid Beamforming and Pilot Assignment for 6G Cell-Free Massive MIMO
本文研究了Cell-Free大规模MIMO网络，其中每个接入点（AP）都配备了一个混合收发器，与全数字收发器相比，降低了复杂性和成本。渐近近似的频谱效率推导出上行链路和下行链路。利用这些表达式，最大-最小问题被公式化以优化（i）AP处的模拟波束形成器和（ii）导频分配。仿真结果表明，这些变量的优化大大提高了网络的性能。
2023-01-13 cs.IT eess.SP math.IT
Decentralized Equalization for Massive MIMO Systems With Colored Noise Samples
针对DBP架构下色噪声干扰及噪声协方差矩阵估计难题，提出星型与菊花链DBP架构的去中心化LMMSE均衡方法，在大幅减少通信带宽的同时实现了优异的检测性能。
2023-05-22 eess.SP
Decentralized Interference-Aware Codebook Learning in Millimeter Wave MIMO Systems
本文针对多小区毫米波MIMO系统提出去中心化干扰感知码本学习方法，利用测量平均估计干扰零陷性能并设计新型奖励函数，在无信息交换条件下实现多智能体解耦学习和显著干扰抑制。
2024-01-15 cs.IT eess.SP math.IT
Analysis of UAV Communications in Cell-Free Massive MIMO systems
我们研究支持无人机（UAV）通信通过一个无小区的大规模MIMO架构，其中大量的接入点（AP）部署在大的共址大规模MIMO阵列的地方。我们还考虑通过应用以用户为中心的关联方法，其中每个用户仅从网络中的AP的子集中获得服务的纯无小区架构的变化。在一般的假设下，移动台之间的传播信道，无论是无人机或地面用户（GUE），和AP遵循莱斯分布，我们推导出封闭形式的频谱效率下限的上行链路和下行链路的线性最小均方误差信道估计。我们考虑了几种功率分配和用户调度策略，这样的系统，而且，在这些，也最小速率最大化的功率分配策略，以提高系统的公平性。我们的数值结果表明，无小区的大规模MIMO架构及其低复杂度的以用户为中心的替代方案可以提供比传统的多小区大规模MIMO网络部署更好的性能。
2020-01-10 cs.IT eess.SP math.IT
Variational Bayes Inference for Data Detection in Cell-Free Massive MIMO
无小区大规模MIMO是用于超5G网络的有前途的技术。通过部署许多协作接入点（AP），与传统蜂窝系统相比，该技术可以显著增强用户覆盖和频谱效率。由于AP分布在大的区域上，因此无小区大规模MIMO中的有利传播水平小于共位大规模MIMO中的有利传播水平。因此，当AP天线的数目不是很大时，当前的线性处理方案不接近最优方案。本文的目的是发展非线性变分贝叶斯（VB）方法的数据检测无细胞的大规模MIMO系统。与文献中仅获得发射数据符号的点估计的现有工作相反，所提出的方法旨在获得数据符号的后验分布和贝叶斯估计。我们开发了相应的VB方法的AP之间的合作水平。仿真结果表明，显着的性能优势，开发的VB方法的线性处理技术。
2023-01-11 cs.IT eess.SP math.IT
Cell-Free Massive MIMO With Radio Stripes and Sequential Uplink Processing
与传统MIMO技术相比，无小区大规模MIMO（mMIMO）具有高频谱效率和优越的空间分集，被设想为超越5G的下一代技术。其主要原理是许多分布式接入点（AP）合作，同时为网络中的所有用户提供服务，而无需创建小区边界。本文考虑了一个无小区的mMIMO系统的上行链路利用无线条带网络架构。提出了一种新的归一化线性最小均方误差（N-LMMSE）合并的序列处理算法。该算法能够在无小区MMO中实现干扰抑制，同时保持低成本和前向回传要求。计算并分析了该算法的频谱效率。我们的结论是，它提供了一个有吸引力的低前向回程要求和高频谱效率之间的权衡。
2020-03-05 cs.IT eess.SP math.IT
Cell-Free Massive MIMO-OFDM Transmission over Frequency-Selective Fading Channels
该文提出并分析了频率选择性衰落信道下基于正交频分复用（OFDM）的无小区大规模多输入多输出（CFmMIMO）多载波传输。提出了频域共轭波束形成、导频分配和用户特定的资源分配。CFmMIMO-OFDM是可扩展的，以服务于大量的用户，并且是灵活的，以提供不同的数据率的异构应用。
2021-07-03 cs.IT eess.SP math.IT
Hierarchical Cell-Free Massive MIMO for High Capacity with Simple Implementation
本文提出一种分层无小区大规模MIMO架构，通过中央基站与分布式接入点协同部署，在保持最差用户频谱效率的同时提升总和吞吐量，并显著降低前传实现成本。
2024-01-20 cs.IT eess.SP math.IT
Learning Beamforming in Cell-Free Massive MIMO ISAC Systems
本文针对无蜂窝大规模MIMO ISAC系统中的波束成形设计挑战，提出了一种基于异构图神经网络（GNN）的新模型，该模型支持低复杂度扩展，在增删接入点时无需完全重训练，且能实现接近最优的性能并适应多种网络结构。
2024-09-26 cs.IT eess.SP math.IT
Can Dynamic TDD Enabled Half-Duplex Cell-Free Massive MIMO Outperform Full-Duplex Cellular Massive MIMO?
我们考虑一种支持动态时分双工（DTDD）的无小区大规模多输入多输出（CF-mMIMO）系统，其中每个半双工（HD）接入点（AP）基于用户设备（UE）的数据需求被调度为在上行链路（UL）或下行链路（DL）模式下操作，目标是最大化总UL-DL频谱效率（SE）。我们开发了一种新的，低复杂度，贪婪算法的组合AP调度问题，与理论上建立的最优性保证，通过显示的下限的总和UL-DL SE是子模块化。我们还考虑了UE之间的导频序列重用以限制信道估计开销。在CF系统中，所有AP估计来自每个UE的信道，使得导频分配问题不同于蜂窝情况。我们开发了一种新的算法，迭代最大限度地减少跨UE的导频污染。我们比较我们的解决方案的性能，无论是理论上和通过模拟，对全双工（FD）多小区mMIMO系统。我们的研究结果表明，由于在中央处理单元的信号的联合处理，CF-mMIMO与动态高清AP调度显着优于蜂窝FD-mMIMO的总和SE和90%的可能SE。因此，DTDD使能的HD CF-mMIMO是蜂窝FD-mMIMO的有前景的替代方案，而无需用于自干扰抑制的硬件成本。
2022-05-21 cs.IT eess.SP math.IT
A New Look at Cell-Free Massive MIMO: Making It Practical With Dynamic Cooperation
本文通过网络MIMO文献中的动态协作集群框架，对无小区大规模MIMO（多输入多输出）进行了新的研究。其目的是识别和解决在以前的工作中出现的可伸缩性问题。我们提供分布式算法的初始接入，导频分配，集群形成，预编码，并结合可扩展的意义上的任意多个用户的可实现的。有趣的是，建议的预编码和组合分别优于共轭波束成形和匹配滤波，同时也是完全分布式的。
2019-06-26 cs.IT eess.SP math.IT
Two-timescale weighted sum-rate maximization for large cellular and cell-free massive MIMO
本文提出一种双时间尺度迭代算法，利用信道统计信息进行联合功率控制与波束成形设计，以最大化大规模MIMO网络的加权和速率，并优于现有长期方法。
2024-07-08 cs.IT eess.SP math.IT
Cost-Effectiveness Analysis and Design of Cost-Efficient Cell-Free Massive MIMO Systems
针对无小区大规模MIMO部署成本高的问题，通过构建多天线AP统一模型进行成本分析，证明了多天线AP能降低系统成本并维持性能，提出了一种高性价比设计。
2024-06-01 cs.IT eess.SP math.IT
3-D Deployment of UAV Swarm for Massive MIMO Communications
我们考虑了多天线地面站和无人机群之间的上行链路传输。将无人机视为智能体，通过智能体探索无人机的最优三维（3-D）部署，最大化多输入多输出（MIMO）系统的信道容量。具体而言，考虑到每个无人机在访问网络的全局信息的限制，我们专注于一个分散控制的策略，注意到每个无人机群只能利用本地信息，以实现最佳的3-D部署。在这种情况下，优化问题可以被划分为关于秩函数的若干优化子问题。由于秩函数的非凸性质和优化子问题耦合的事实，原始问题是NP难的，因此不能用标准凸优化求解器来求解。有趣的是，我们可以放松每个子问题的约束条件，并通过制定无人机信道容量最大化博弈来解决优化问题。我们根据设计的奖励函数和势函数对这种博弈进行了分析。然后讨论了博弈中纯纳什均衡的存在性。为了实现MIMO系统的最佳纳什均衡，提出了一种分散式学习算法，即无人机分散式信道容量学习。文中给出了算法的细节，并对算法的收敛性、有效性和计算复杂性进行了分析。此外，我们给出了一些有见地的意见的基础上的证明和理论分析。仿真结果表明，所提出的学习算法能够利用局部信息优化无人机群的三维部署，从而获得较高的MIMO信道容量。
2021-05-03 cs.IT eess.SP math.IT
LMMSE Processing for Cell-free Massive MIMO with Radio Stripes and MRC Fronthaul
无小区的大规模MIMO为多个用户提供无处不在的连接，并且使用无线电条纹的实现是非常有效的。与同位大规模MIMO相比，主要成本包括前传开销和AP硬件。最大比合并（MRC）实现了低前传负载和低成本AP，但性能较差。本文提出了一种利用MRC前传设计实现准LMMSE（Q-LMMSE）处理的方法。Q-LMMSE是在标准LMMSE的基础上推导出来的，它通过奇异值分解从MRC信号中提取干扰信息。仿真结果表明，在相同的MRC前传情况下，所提出的Q-LMMSE算法可使频谱效率提高数倍。
2020-12-25 cs.IT eess.SP math.IT
Uplink Performance of High-Mobility Cell-Free Massive MIMO-OFDM Systems
采用正交频分复用（OFDM）技术的高速训练（HST）通信近年来受到了极大的关注。此外，无蜂窝（CF）大规模多输入多输出（MIMO）被认为是一种有前途的技术，以达到最终的性能极限。本文主要研究了在HST通信中采用匹配滤波和大规模衰落解码（LSFD）接收的CF大规模MIMO-OFDM系统的性能。HST通信与小小区和蜂窝大规模MIMO-OFDM系统也进行了分析比较。考虑到多普勒频偏（DFO）对系统性能的不利影响，推导了各系统上行链路频谱效率（SE）的精确闭式表达式。根据仿真结果，我们发现，CF大规模MIMO-OFDM系统与LSFD实现了更大的SE和更低的SE下降百分比比其他系统。此外，增加接入点（AP）的数量和每个AP的天线数量可以有效地补偿DFO带来的性能损失。此外，在AP和HST之间存在最佳垂直距离以实现最大SE。
2022-01-24 cs.IT eess.SP math.IT
Distributed Expectation Propagation Detection for Cell-Free Massive MIMO
在无小区的大规模MIMO网络中，有效的分布式检测算法具有重要意义。在本文中，我们提出了一个分布式的期望传播（EP）检测器无细胞的大规模MIMO。该检测器由两个模块组成，一个在中央处理器（CPU）的非线性模块和一个在接入点（AP）的线性模块。利用迭代译码中的turbo原理计算并传递模块间的外部信息。一个分析框架，然后提供了大量的天线的渐近性能的特征所提出的EP检测器。仿真结果表明，该方法在误码率方面优于分布式检测器。
2021-08-21 cs.IT eess.SP math.IT
