A Tutorial on Extremely Large-Scale MIMO for 6G: Fundamentals, Signal Processing, and Applications
本文全面综述了面向6G的极大规模MIMO(XL-MIMO)无线系统,介绍了四种硬件架构、近场通信信道模型及信号处理方案,并探讨了其与新兴6G技术的融合及未来方向。
2024-01-03 cs.IT eess.SP math.IT
Extremely Large-Scale MIMO: Fundamentals, Challenges, Solutions, and Future Directions
本文全面回顾了XL-MIMO的硬件设计、信道建模、性能分析与信号处理研究现状,针对现有挑战提出解决方案,并通过混合传播信道建模与有效自由度计算的案例研究验证了其性能,最后展望了未来方向。
2023-04-06 cs.IT eess.SP math.IT
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
Deep Learning Based Beam Training for Extremely Large-Scale Massive MIMO in Near-Field Domain
超大规模大规模多输入多输出(XL-MIMO)被认为是下一代通信系统的重要技术。为了提高波束形成增益,基于码本的波束训练在XL-MIMO系统中被广泛采用。然而,在XL-MIMO系统中,近场域扩展,并且需要采用近场码本进行波束训练,这显著增加了导频开销。为了解决这个问题,我们提出了一种基于深度学习的波束训练方案,其中考虑了近场信道模型和近场码本。具体地说,我们首先利用对应于远场宽波束的接收信号来估计最佳近场波束。提出了两种训练方案,即建议的原始和改进的神经网络。原始方案直接基于神经网络的输出来估计最佳近场码字。相比之下,改进方案进行额外的波束测试,这可以显着提高波束训练的性能。仿真结果表明,本文提出的方法可以显著降低近场域的训练开销,获得波束形成增益。
2022-09-28 cs.IT eess.SP math.IT
Near-Field Wideband Extremely Large-scale MIMO Transmission with Holographic Metasurface Antennas
针对超大规模MIMO中近场与双宽带效应降低传输性能的问题,提出基于球面波信道模型的HMA辅助波束合并算法框架,可有效缓解和速率损失,性能优于同孔径传统混合波束成形方案。
2022-05-05 cs.IT eess.SP math.IT
Low-Complexity Channel Estimation for Extremely Large-Scale MIMO in Near Field
针对近场 XL-MIMO 信道估计复杂度过高的问题,提出 SADCE 方法,通过角度与距离解耦、2D-DFT 角度估计及闭式距离估计,以更低复杂度获得更优性能。
2023-12-07 cs.IT eess.SP math.IT
Lightweight Convolutional Neural Networks for CSI Feedback in Massive MIMO
在大规模多输入多输出系统的频分双工模式下,下行链路信道状态信息(CSI)必须通过反馈链路发送到基站(BS)。然而,由于反馈链路的带宽限制,向BS发送CSI是昂贵的。深度学习(DL)最近在CSI反馈方面取得了显著的成功。实现高性能和低复杂度的CSI反馈是基于DL的通信中的挑战。为了有效地完成CSI的反馈,本研究开发了一个基于DL的CSI反馈网络。然而,由于过多的参数,该网络不能有效地应用于移动终端。因此,我们进一步提出了一个新的轻量级CSI反馈网络的基础上开发的网络。仿真结果表明,所提出的CSI网络具有更好的重建性能比其他CsiNet相关的作品。此外,轻量级网络保持了一些参数和参数复杂度,同时确保令人满意的重建性能。这些发现表明了所提出技术的可行性和潜力。
2020-05-01 cs.IT eess.SP math.IT
Near-Field Communications for Extremely Large-Scale MIMO: A Beamspace Perspective
本文从波束空间视角研究XL-MIMO近场通信,利用分数阶傅里叶变换构建近场波束空间并分析其组件,展示了其优于现有方法的特性及未来应用方向。
2024-10-15 cs.IT eess.SP math.IT
Near-Field Channel Estimation in Mixed LoS/NLoS Environments for Extremely Large-Scale MIMO Systems
针对XL-MIMO近场混合LoS/NLoS场景,本文建立统一信道模型、推导MIMO-RD/MIMO-ARD,并提出两阶段估计算法及CRLB,性能在理论模型和QuaDRiGa平台上均优于现有方法。
2023-04-23 cs.IT eess.SP math.IT
Uplink Power Control for Extremely Large-Scale MIMO with Multi-Agent Reinforcement Learning and Fuzzy Logic
本文研究了无小区(CF)超大规模多输入多输出(XL-MIMO)系统的上行链路发射功率优化问题。与传统方法不同,本文提出了两种信号处理架构:模糊逻辑集中训练集中执行和模糊逻辑集中训练分散执行,分别采用多智能体强化学习(MARL)和模糊逻辑的融合来解决功率控制的设计问题,以最大化系统的频谱效率(SE)。此外,系统采用最大比(MR)合并和本地最小均方误差(L-MMSE)合并的上行链路性能进行了评估。我们的结果表明,所提出的方法与模糊逻辑优于传统的基于MARL的方法和信号处理方法的计算复杂性。此外,MR组合下的SE性能甚至优于传统的基于MARL的方法。
2023-02-18 cs.IT eess.SP math.IT
Near-Field Wideband Channel Estimation for Extremely Large-Scale MIMO
毫米波(mmWave)和太赫兹(THz)波段的超大规模多输入多输出(XL-MIMO)在支持极高波束形成增益以及超宽带频谱资源方面起着重要作用。不幸的是,准确的宽带XL-MIMO信道估计受到称为近场波束分裂效应的新挑战。现有的工作要么忽略了准确的近场信道模型,要么未能利用波束分裂效应,导致宽带XL-MIMO的信道估计精度差。为了解决这个问题,本文提出了一种基于双线性模式检测(BPD)的方法来准确地恢复宽带XL-MIMO信道。通过分析近场宽带信道的特性,首先揭示了近场波束分裂效应的双线性模式,即近场信道在角度域和距离域的稀疏支持集都可以看作是频率的线性函数。然后,受经典的同时正交匹配追踪技术的启发,我们使用双线性模式来估计每个近场路径分量在所有频率下的到达角(AoA)和距离参数。通过这种方式,整个宽带XL-MIMO信道可以通过压缩感知算法恢复。此外,我们提供的计算复杂性的算法相比,现有的算法。仿真结果表明,在存在近场波束分裂效应的情况下,该方法能够实现宽带近场XL-MIMO信道的精确估计。
2022-12-16 cs.IT eess.SP math.IT
Spatial-chirp Codebook-based Hierarchical Beam Training for Extremely Large-Scale Massive MIMO
针对近场XL-MIMO中角度与距离联合波束训练开销大的问题,提出基于空间啁啾码本的分层训练及流形优化增强方案,显著降低开销并提升波束赋形性能。
2023-08-15 cs.IT eess.SP math.IT
Jac-PCG Based Low-Complexity Precoding for Extremely Large-Scale MIMO Systems
针对XL-MIMO系统中信道矩阵求逆计算复杂度高的问题,提出Jac-PCG迭代求逆预编码方法,在保持频谱效率基本相同的情况下使复杂度降低约54%。
2023-05-23 cs.IT eess.SP math.IT
Hybrid-Field Channel Tracking for Extremely Large-Scale MIMO Systems with Mobility
East China Normal University(华东师范大学);Nanjing University of Information Science and Technology(南京信息工程大学);Southeast University(东南大学)
本文提出一种利用历史信道状态信息的混合场信道跟踪算法,用于移动性超大规模MIMO系统,通过稀疏峰值搜索和牛顿细化实现低复杂度高性能的多径估计。
2026-09-17 cs.IT eess.SP math.IT
Near-Field Multiuser Beam-Training for Extremely Large-Scale MIMO Systems
针对多用户XL-MIMO系统波束训练的挑战,提出基于GNN的三阶段波束训练方案,利用远场宽波束映射近场波束并解决用户冲突,性能逼近穷举搜索且仅需约7%导频开销。
2024-03-26 cs.IT eess.SP math.IT
How Does Performance Scale with Antenna Number for Extremely Large-Scale MIMO?
超大规模多输入多输出(XL-MIMO)通信对应于其天线尺寸如此大的系统,使得诸如均匀平面波(UPW)冲击的传统假设不再有效。本文研究了基于通用球面波传播模型的XL-MIMO通信信道建模和性能分析。首先,针对最优最大比合并/传输(MRC/MRT)的单用户上行/下行链路通信,严格推导了信噪比(SNR)的新的封闭表达式,其中包括基于UPW假设的传统SNR表达式作为特例.我们的结果表明,而不是线性缩放与基站(BS)天线数量$M$,SNR与更通用的球面波阵面模型增加与$M$的回报递减,由一个新的参数称为角度跨度。从我们的推导中的一个重要发现是,有必要引入一个新的距离标准,称为临界距离,以补充经典的瑞利距离分离的近场和远场传播区域。虽然瑞利距离是基于跨阵列元件的相位差,因此取决于天线的电气尺寸,但临界距离关心幅度/功率差,并且仅取决于其物理尺寸。然后,我们将研究扩展到多用户XL-MIMO通信系统,我们证明了用户间干扰(IUI)不仅可以通过角度分离来减轻,而且可以通过沿同一方向的距离分离来减轻。这为XL-MIMO的干扰抑制提供了一个新的自由度(DoF)。
2020-10-30 cs.IT eess.SP math.IT
CLNet: Complex Input Lightweight Neural Network designed for Massive MIMO CSI Feedback
Nanyang Technological University(南洋理工大学)
针对现有大规模MIMO CSI反馈深度学习方法精度与计算开销难以兼顾的问题,提出结合复值输入层和注意力机制的轻量化网络CLNet,在内外场景下精度提升5.41%且开销降低24.1%。
2023-04-28 cs.AI cs.IT eess.SP
Time-Domain Channel Estimation for Extremely Large MIMO THz Communication Systems Under Dual-Wideband Fading Conditions
本文针对太赫兹频段超大规模MIMO在双宽带衰落下的信道估计问题,提出基于单载波系统的时域稀疏建模与交替最小化求解方法,性能优于传统方案并接近理想下界。
2024-07-08 cs.IT eess.SP math.IT
Cramér-Rao Bounds for Near-Field Sensing with Extremely Large-Scale MIMO
移动通信网络被设计成主要支持无处不在的无线通信,然而它们也被期望在不久的将来实现无线电感测能力。然而,大多数无线电传感的研究通常依赖于远场假设与均匀平面波(UPW)模型。随着天线尺寸的不断增加,以及传感附近目标的需求不断增长,传统的远场UPW假设可能会变得无效。因此,本文研究了超大规模天线阵的近场无线电传感问题,其中考虑了更一般的均匀球面波(USW)传感模型。分别推导了近场XL-MIMO雷达模式和XL相控阵雷达模式下角度和距离估计的Cramér-Rao界(CRB)的闭式表达式。研究结果表明,与传统UPW模型中CRB随天线数量的增加而无限制地减小不同,XL-MIMO雷达近场感知的CRB随天线数量的增加而减小,并接近一定的极限。此外,与远场模型不同,远场模型由于没有距离估计能力,距离CRB为无穷大,而近场情况下的CRB为有限。此外,还发现常用的基于二阶泰勒近似的球面波模型不足以进行近场CRB分析。广泛的仿真结果提供了验证我们推导的CRBs。
2023-03-10 cs.IT eess.SP math.IT
Directivity-Aware Degrees of Freedom Analysis for Extremely Large-Scale MIMO
本研究利用波数域信道表示,分析了考虑天线方向性的极大规模MIMO系统的有效自由度(EDoF),揭示了耦合系数的不均匀分布,并通过仿真探讨了EDoF和遍历信道容量随单元间距的变化。
2024-12-24 cs.IT eess.SP math.IT
Lightweight and Flexible Deep Equilibrium Learning for CSI Feedback in FDD Massive MIMO
The Hong Kong University of Science and Technology(香港科技大学);City University of Hong Kong(香港城市大学)
针对FDD大规模MIMO的CSI反馈开销问题,提出基于深度均衡模型的隐式定点迭代轻量网络,支持参数共享与运行时迭代数调整,以更低复杂度实现与基准相当的性能及灵活的精度—效率权衡。
2023-06-05 cs.IT cs.LG eess.SP
Joint Visibility Region and Channel Estimation for Extremely Large-scale MIMO Systems
本文提出两阶段方案,联合检测XL-MIMO系统的可视区域并估计信道,利用空间相关性与波数域稀疏性,显著提升低信噪比下的性能。
2024-03-31 cs.IT eess.SP math.IT
Beam Training and Tracking for Extremely Large-Scale MIMO Communications
本文针对部分连接混合合并结构的极大规模MIMO系统,提出了两阶段混合场波束训练方案、基于子阵列相移的波束细化方案以及低复杂度近场波束跟踪方案,有效实现了近远场高分辨率信道参数估计与波束跟踪。
2023-11-25 cs.IT eess.SP math.IT
Sparse Estimation for XL-MIMO with Unified LoS/NLoS Representation
针对超大规模MIMO信道估计,提出统一LoS/NLoS表示的闭式信道模型及低复杂度XL-UOMP算法,在估计精度和导频开销上均优于现有方法。
2024-03-19 cs.IT eess.SP math.IT
Near-Field Channel Estimation for Extremely Large-Scale Array Communications: A model-based deep learning approach
Southeast University(东南大学);Purple Mountain Laboratories(紫金山实验室);AsiaInfo Technologies Limited(亚信科技有限公司);Nanjing University of Posts and Telecommunications(南京邮电大学)
超大规模大规模MIMO(XL-MIMO)技术被认为是未来无线通信的一项重要技术。XL-MIMO的部署,特别是在高频段,导致用户位于近场区域,而不是传统的远场。这封信提出了有效的基于模型的深度学习算法,用于估计XL-MIMO通信的近场无线信道。特别是,我们首先制定的XL-MIMO近场信道估计任务作为一个压缩感知问题,使用基于空间网格的稀疏字典,然后解决所产生的问题,通过应用学习迭代收缩和保持算法(LISTA)。由于近场特性,基于空间网格的稀疏化字典可能导致信道估计精度低和计算负担重。为了解决这个问题,我们进一步提出了一个新的稀疏化字典学习LISTA(SDL-LISTA)算法,制定稀疏化字典作为一个神经网络层,并将其嵌入到LISTA神经网络。数值实验结果表明,我们提出的算法优于非学习的基准计划,SDL-LISTA取得了更好的性能比LISTA的10倍原子减少。
2022-11-28 cs.IT cs.LG eess.SP
Mixed Attention Transformer Enhanced Channel Estimation for Extremely Large-Scale MIMO Systems
本文提出混合注意力Transformer信道估计网络MAT-CENet,结合特征图注意力与空间注意力机制,有效捕获XL-MIMO信道特性,并在近场、远场及混合场场景下均优于现有方法。
2024-10-18 eess.SP
Triple-Refined Hybrid-Field Beam Training for mmWave Extremely Large-Scale MIMO
针对毫米波超大规模MIMO近远场波束训练问题,提出基于HFBG、ML/PSP与GA的三重渐进细化方案,实现低复杂度高精度信道参数估计。
2024-01-20 cs.IT eess.SP math.IT
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
GAN Based Near-Field Channel Estimation for Extremely Large-Scale MIMO Systems
针对混合LoS/NLoS近场XL-MIMO信道,提出以初始估计信道为条件输入的GAN变体估计方法,融合对抗损失与传统损失,在低导频开销下优于现有方法并超越CRLB。
2024-06-17 eess.SP
Deep Learning for Efficient CSI Feedback in Massive MIMO: Adapting to New Environments and Small Datasets
针对大规模MIMO中深度学习CSI反馈依赖大量场景数据、多模型部署成本高的问题,提出深度展开反馈网络SPTM2-ISTANet+、场景自适应架构CSI-TransNet及领域知识增强策略,实现小数据下新环境的高效精准CSI反馈。
2023-11-06 cs.IT eess.SP math.IT
SNR Scaling Laws for Radio Sensing with Extremely Large-Scale MIMO
移动通信网络被设计为主要支持无处不在的无线通信,然而它们也被期望在不久的将来实现无线电感测能力。以往的雷达感知研究多集中在远距离目标上,通常依赖于均匀平面波(UPW)模型下的远场假设。然而,随着天线尺寸的不断增加,以及对感测附近目标的需求的不断增长,远场假设可能变得无效。本文研究了雷达传感与超大规模(XL)天线阵列,其中一个通用的模型,考虑到球面波阵面和幅度变化的阵列元素的发展。此外,推导了XL-MIMO雷达和XL相控阵雷达两种工作模式下的感知信噪比的新的封闭表达式。研究结果表明,与传统的UPW模型不同,该模型中MIMO雷达的信噪比与N成线性无界关系,相控阵雷达的信噪比与MN成线性无界关系,M和N分别为发射天线数和接收天线数。对于具有最佳功率分配的XL相控阵雷达,SNR随着M和N而增加,收益递减,由称为发射和接收角跨度的新参数控制。另一方面,对于XL-MIMO雷达,虽然对于N服从与XL相控阵雷达相同的SNR缩放,但是SNR随着M先增加然后减小。
2021-06-10 eess.SP
Compressive Near-Field Wideband Channel Estimation for THz Extremely Large-scale MIMO Systems
针对太赫兹超大规模MIMO宽带近场信道估计问题,提出带额外参数的频率无关正交字典构建二维块稀疏表示,结合定制压缩感知框架实现估计,性能优于传统极域方法。
2025-07-30 eess.SP
Position-agnostic Algebraic Estimation of 6G V2X MIMO Channels via Unsupervised Learning
6 G车联网(V2X)背景下的MIMO系统将需要准确的信道知识,以实现高效的通信。诸如无约束最大似然(U-ML)之类的标准信道估计技术在大规模MIMO设置中是极其嘈杂的,而结构化方法(例如,压缩感测适合于低移动性场景,并且对硬件损伤敏感。我们提出了一种基于无监督学习的6 G V2X多车辆代数信道估计方法,该方法利用典型城市环境中的循环车辆通道。该算法基于多个训练序列的\textit{algebraic similarity},通过K中心点算法对训练序列进行聚类,得到MIMO信道的本征模,从而提高信道估计精度。数值结果表明,所提出的方法的均方误差(MSE)相比,标准的U-ML解决方案(15 dB以下)显着的好处。
2021-07-26 cs.IT eess.SP math.IT
Extremely Large Aperture Massive MIMO: Low Complexity Receiver Architectures
本文重点介绍了新的通信模式中出现的大规模多输入多输出系统中的天线阵列在基站是非常大的尺寸(xMaMIMO)。由于阵列的极端尺寸,xMaMIMO的特征在于沿阵列的空间非平稳场特性;这要求多天线收发器设计既适应阵列尺寸,又适应其非平稳特性。我们解决xMaMIMO的实现方面,计算效率作为我们的主要目标。为了减少集中式方案的计算负担,我们将处理分配到更小的不相交的子阵列中。然后,我们考虑几个低复杂度的数据检测算法作为候选人在拥挤的xMaMIMO系统的上行链路通信。从编码随机接入的灵感,本文的主要贡献之一是低复杂度方案的设计,利用xMaMIMO系统的非平稳特性,数据处理是分散的。我们评估的误码率性能的收发器在拥挤的xMaMIMO的情况下。结果证实了它们的实际潜力。
2018-10-04 eess.SP
Multi-User Modular XL-MIMO Communications: Near-Field Beam Focusing Pattern and User Grouping
针对多用户模块化XL-MIMO通信中栅瓣降低用户SINR的问题,建立近场USW模型分析波束聚焦特性,提出用户分组方法避免同RB栅瓣干扰,验证了其有效性及密集用户场景下的性能优势。
2023-08-23 cs.IT eess.SP math.IT
GNN-Enhanced Approximate Message Passing for Massive/Ultra-Massive MIMO Detection
考虑到天线数量极大,具有令人满意的性能和低复杂度的高效大规模/超大规模多输入多输出(MIMO)检测算法对于满足5G及更高通信中的高吞吐量和超低延迟要求至关重要。本文提出了一种低复杂度的图神经网络(GNN)增强的近似消息传递(AMP)算法AMP-GNN,用于大规模/超大规模MIMO检测。通过对AMP算法的展开和引入用于多用户干扰消除的GNN模块,定制了神经网络的结构。数值结果将表明,所提出的AMP-GNN显著提高了AMP检测器的性能,并实现了与最先进的基于深度学习的MIMO检测器相当的性能,但具有降低的计算复杂性。此外,该算法对用户数量的变化具有较强的鲁棒性。
2023-01-09 cs.IT eess.SP math.IT
In-Memory Massive MIMO Linear Detector Circuit with Extremely High Energy Efficiency and Strong Memristive Conductance Deviation Robustness
针对现有基于忆阻交叉阵列的大规模MIMO检测器易受电导偏差影响的问题,提出结合MCA矩阵计算模块与运算放大器放大电路的鲁棒检测器电路,实现更高检测性能与数十至数百倍于数字处理器的能效。
2024-12-22 eess.SP
Alternative Normalized-Preconditioning for Scalable Iterative Large-MIMO Detection
针对large-MIMO系统信号检测因传播条件不利、ELAA空间非平稳性带来的挑战,提出兼具近最大似然性能、低复杂度、快收敛、鲁棒性的ANPID迭代检测器,性能优于现有方案。
2023-08-22 cs.IT eess.SP math.IT
Channel Capacity Saturation Point and Beamforming Acceleration for Near-Field XL-MIMO Multiuser Communications
针对近场XL-MIMO通信场景,该研究提出天线阵列规模存在信道容量饱和点并给出解析确定方法,同时设计新型波束成形算法缓解大阵列的高计算量问题,通过数值结果验证了分析有效性与算法性能。
2025-03-23 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
Gridless Angular Domain Channel Estimation for mmWave Massive MIMO System With One-Bit Quantization Via Approximate Message Passing
针对一比特量化毫米波(mmWave)大规模多输入多输出(MIMO)系统,提出了一种波达方向和信道估计算法。通过制定的估计问题作为一个嘈杂的一位压缩感知问题,我们提出了一个计算效率的无网格解决方案的基础上的期望最大化广义近似消息传递(EMGAMP)的方法。该算法不需要先验知识的DoA的数量,并优于现有的方法在区分非常接近的DoA的情况下,一位量化。对于一比特量化的情况,估计DoA和信道系数两者。仿真结果表明,该算法在目标方位非常接近的情况下具有较好的估计性能。
2019-09-23 cs.IT eess.SP math.IT
Joint User Scheduling and Precoding for XL-MIMO Systems with Imperfect CSI
针对非理想CSI下的XL-MIMO系统,提出联合用户调度与预编码算法,通过长期CSI调度并选择更新CSI的用户,提升和频谱效率并强调训练开销与信道估计误差的影响。
2023-02-25 cs.IT eess.SP math.IT
Hierarchical ML Codebook Design for Extreme MIMO Beam Management
North Carolina State University(北卡罗来纳州立大学)
本文针对超大规模MIMO波束管理提出基于端到端学习的神经网络码本设计方法X-BM,实现初始接入8dB增益和频谱效率提升。
2023-11-24 cs.IT cs.LG cs.SY
Joint Channel and Data Estimation for Multiuser Extremely Large-Scale MIMO Systems
本文针对上行多用户XL-MIMO系统提出JCDE算法,利用近场角度-距离稀疏性和两阶段压缩感知进行初始信道估计,并通过顺序期望传播迭代联合细化信道与数据,在信道估计、数据检测和计算复杂度上优于现有方法。
2025-08-19 eess.SP
Near-Field User Localization and Channel Estimation for XL-MIMO Systems: Fundamentals, Recent Advances, and Outlooks
本文围绕6G基石技术XL-MIMO,阐述近远场传播差异及近场电磁特性,梳理其给用户定位与信道估计带来的挑战,综述相关解决算法,并指明未来关键研究方向。
2024-07-14 cs.IT eess.SP math.IT
Recent Advances in Near-Field Beam Training and Channel Estimation for XL-MIMO Systems
Laval University(拉瓦尔大学);Central China Normal University(华中师范大学);Zhengzhou University(郑州大学);University of Nottingham, Ningbo, China(诺丁汉大学(中国宁波));Hunan Institute of Science and Technology(湖南科技学院);The University of Dublin(都柏林大学)
本文综述了超大规模MIMO系统中近场波束成形与信道估计的最新技术,分析其原理和方法,探讨近场传播环境下的挑战与开放性问题。
2026-03-19 cs.IT eess.SP math.IT
Revisiting XL-MIMO Channel Estimation: When Dual-Wideband Effects Meet Near Field
本文针对宽带XL-MIMO近场信道估计,利用空间啁啾特性刻画角度-时延域结构化稀疏性,提出列式分层先验模型及MMV-HMP算法,在中等复杂度下优于现有基线。
2025-09-09 cs.IT eess.SP math.IT
Massive MIMO is a Reality -- What is Next? Five Promising Research Directions for Antenna Arrays
大规模多输入多输出(多输入多输出)不再是未来蜂窝网络的“狂野”或“有前途”的概念-在2018年成为现实。具有64个全数字收发器链的基站(BS)在多个国家进行了商业部署,大规模多输入多输出的关键成分已使其成为5G标准,实现前所未有的频谱效率所需的信号处理方法已经开发出来,并且由于导频污染而导致的限制已经得到解决。即使是毫米波频率的全数字大规模多输入多输出阵列的开发--曾经被认为是极其复杂和昂贵的--也在顺利进行中。几年后,采用全数字收发器的大规模多输入多输出将成为6 GHz以下和毫米波频率的主流功能。在本文中,我们解释了大规模多输入多输出研究传奇的第一章是如何结束的,而故事才刚刚开始。即将到来的具有大规模天线阵列的BS的大规模部署打开了通向空间处理能力无所不在的全新世界的大门。除了移动宽带服务外,天线还可用于其他通信应用,如低功率机器型或超可靠通信,以及雷达、传感和定位等非通信应用。我们概述了五个新的大规模多输入多输出相关的研究方向:极大孔径阵列,全息大规模多输入多输出,六维定位,大规模MIMO雷达和智能大规模多输入多输出。
2019-06-12 cs.IT eess.SP math.IT
A Meta-Learning Based Gradient Descent Algorithm for MU-MIMO Beamforming
多用户多输入多输出(MU-MIMO)波束成形设计通常被公式化为已知为NP难的非凸加权和速率(WSR)最大化问题。这个问题可以通过迭代算法解决,但收敛速度慢,或者最近通过使用深度学习工具解决,这需要耗时的预训练过程。在本文中,我们提出了一个低复杂度的基于元学习的梯度下降算法。采用轻量级Meta网络学习自适应梯度下降更新规则,直接优化波束形成器。这种轻量级网络在迭代优化过程中进行训练,我们称之为\emph{training while solving},它消除了现有基于深度学习的解决方案的训练过程和数据依赖性。大量仿真表明,与现有基于学习的方法以及传统的WMMSE算法相比,所提出的方法实现了更好的WSR性能,同时享受更低的计算负载。
2022-10-27 eess.SP
Deep Learning-Based Rate-Adaptive CSI Feedback for Wideband XL-MIMO Systems in the Near-Field Domain
针对宽带近场XL-MIMO系统中CSI反馈面临的表征与压缩挑战,提出带压缩比自适应模块的轻量级深度学习框架WideNLNet-CA,单模型可适配多反馈速率,性能优于现有方法且推理快、存储需求低。
2025-08-01 cs.IT eess.SP math.IT
Fast Iterative ELAA-MIMO Detection Exploiting Static Channel Components
本文针对ELAA-MIMO检测,利用视距路径和信道硬化产生的确定性非视距分量等静态信道信息,提出预条件矩阵和拟牛顿初始化两种加速方法,在强LoS高Rician K因子条件下显著加快迭代检测收敛并保持低复杂度。
2024-08-22 cs.IT eess.SP math.IT
A Tutorial on Near-Field XL-MIMO Communications Towards 6G
本文系统综述面向6G的近场XL-MIMO通信,涵盖NUSW与空间非平稳信道建模、SNR缩放等性能分析及波束训练、信道估计、DAM等关键设计。
2024-04-03 cs.IT eess.SP math.IT
Reconfigurable Holographic Surface: A New Paradigm for Ultra-Massive MIMO
针对超大规模MIMO因相控阵成本和功耗高难以实现的问题,本文提出可重构全息表面(RHS)新范式,概述其原理、技术及通信原型实现与实验结果,为6G超大规模MIMO提供低成本方案。
2024-11-28 cs.IT eess.SP math.IT
Channel Estimation for XL-MIMO Systems with Polar-Domain Multi-Scale Residual Dense Network
针对XL-MIMO近场信道稀疏性弱导致的角度域估计性能损失,提出基于极化域稀疏性的P-MRDN和P-MSRDN网络,仿真验证其优于基准方案且受稀疏性影响小。
2023-09-02 cs.IT eess.SP math.IT