GNN-enabled Precoding for Massive MIMO LEO Satellite Communications
Purple Mountain Laboratories(紫金山实验室);Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg(卢森堡大学安全、可靠性与信任跨学科中心)
低地球轨道(LEO)卫星通信是第六代(6G)网络发展的关键组成部分。为了提高低轨卫星通信的性能,正在积极探索大规模多输入多输出(MIMO)技术的集成。然而,低轨卫星的有限功率对在受限功率条件下提高通信能量效率(EE)提出了重大挑战。人工智能(AI)方法越来越被认为是优化能源消耗同时提高系统性能的有前途的解决方案,从而实现更高效和可持续的通信。提出了解决大规模多输入多输出低轨卫星通信中预编码问题的方法。首先,我们引入了一个端到端的图神经网络(GNN)框架,有效地降低了传统预编码方法的计算复杂度。接下来,我们引入了Dinkelbach算法的深度展开和加权最小均方误差(WMMSE)方法来实现增强EE,将迭代优化过程转化为结构化神经网络,从而提高收敛速度和计算效率。此外,我们将泰勒展开方法近似GNN内的矩阵求逆,提高了所提出的方法的可解释性和性能。数值实验证明了我们提出的方法在复杂性和鲁棒性方面的有效性,比最先进的方法取得了显着的改进。
2025-05-06 cs.IT eess.SP math.IT
Beamforming Design Via GNN in mmWave Cell-Free Massive MIMO Using Sub-6 GHz CSI
Centre for Wireless Communications, University of Oulu(奥卢大学无线通信中心);School of Electrical, Computer, and Energy Engineering, Arizona State University(亚利桑那州立大学电气、计算机与能源工程学院)
该研究针对毫米波无小区大规模MIMO系统波束成形需完整毫米波CSI导致训练开销大的问题,提出基于Sub-6 GHz CSI的图神经网络波束成形方法,其总速率性能优于或接近经典基线。
2026-09-01 cs.LG eess.SP
Learning Optimal Linear Precoding for Cell-Free Massive MIMO with GNN
Université Paris-Saclay(巴黎-萨克雷大学);Centrale-Supélec(中央高等电力学院);Nokia Bell Labs(诺基亚贝尔实验室)
本文提出OLP-GNN图神经网络,将无蜂窝大规模MIMO的最优线性预编码转化为节点级预测任务,在1-2毫秒内实现接近B-SOCP最优解的频谱效率。
2024-06-06 cs.AI cs.LG eess.SP
Joint Optimization of Pilot Length, Pilot Assignment, and Power Allocation for Cell-free MIMO Systems with Graph Neural Networks
本文提出基于图神经网络的联合优化方法,用于无基站MIMO系统中导频长度、导频分配和功率分配的优化,以提升频谱效率。
2025-11-28 eess.SP
Graph Neural Network-based End-to-End Learning for Multi-User MIMO Systems
The University of Sydney(悉尼大学);Nokia Technology Standards(诺基亚技术标准)
本文提出基于图神经网络的端到端学习方案,用于多用户MIMO系统中更有效地消除多用户干扰并提升符号错误率性能。
2026-02-18 eess.SP
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
Graph Neural Network-Enhanced Expectation Propagation Algorithm for MIMO Turbo Receivers
针对MIMO Turbo接收机对外部信息的需求,本文提出GNN增强EP算法及利用EP相关性的边剪枝策略,在误码率10^-5时较EP Turbo增益超1 dB,并以2.5倍更快运行时间达到最先进性能。
2023-08-22 cs.IT eess.SP math.IT
Spectral Temporal Graph Neural Network for massive MIMO CSI Prediction
本文提出谱-时间图神经网络(STEM GNN),利用图傅里叶变换融合信道空间与时间特征进行大规模MIMO CSI预测,在总速率上比LSTM和RNN分别提升11.9%和35%。
2023-09-10 cs.AI cs.IT eess.SP
Graph Neural Networks for Massive MIMO Detection
KTH Royal Institute of Technology(瑞典皇家理工学院);Huawei Technologies Sweden AB(华为技术(瑞典)有限公司)
在本文中,我们创新地使用图神经网络(GNNs)学习的消息传递解决方案的推理任务的大规模多个多输入多输出(MIMO)检测在无线通信。我们采用了一个图形模型的基础上的马尔可夫随机场(MRF)的信念传播(BP)产生不良的结果时,它假设一个统一的先验传输的符号。数值仿真结果表明,在一致先验假设下,与BP算法相比,基于GNN的MIMO检测算法性能优于基于最小均方误差(MMSE)的基线检测算法.此外,实验表明,该算法的性能略有改善,通过将MMSE信息纳入先验。
2020-07-11 cs.LG eess.SP
Graph Neural Network Based Hybrid Beamforming Design in Wideband Terahertz MIMO-OFDM Systems
Tufts University(塔夫茨大学)
本文提出一种基于图神经网络的混合波束成形优化方法,通过两类图节点表示模拟和数字波束成形矩阵,在降低计算与内存负担的同时实现接近全数字波束成形的频谱效率,并有效应对太赫兹MIMO-OFDM系统中的波束偏斜问题。
2025-01-27 cs.LG cs.NI eess.SP
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
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
Learning to Unfold Fractional Programming for Multi-Cell MU-MIMO Beamforming with Graph Neural Networks
School of Information Science and Engineering, Southeast University(东南大学信息科学与工程学院)
本文提出利用图神经网络学习展开快速FP算法,以降低MU-MIMO波束成形的计算复杂度并提高收敛速度。
2026-01-12 eess.SP
Scalable GNN-Based Power Allocation for Rate-Splitting Cell-Free Massive MIMO Systems
Shanghai Jiao Tong University(上海交通大学);Fudan University(复旦大学)
针对无小区大规模MIMO下行链路中信道信息不完美、多用户干扰严重和计算复杂度高的问题,提出一种仅依赖大尺度衰落系数的无监督可扩展图神经网络框架,通过切片自适应层处理动态网络维度不匹配,在每AP功率约束下最大化总频谱效率,性能接近最优且优于深度神经网络,可训练参数减少57%以上,推理延迟比WMMSE-ADMM降低三个数量级。
2026-06-29 eess.SP
Improving Cell-Free Massive MIMO Detection Performance via Expectation Propagation
无小区(Cell-free,CF)大规模多输入多输出(M-MIMO)技术在超第五代(Beyond Fifth Generation,5G)网络中发挥着重要作用。然而,设计一个高性能的CF M-MIMO检测器是一个具有挑战性的任务,由于存在的导频污染时出现的导频序列的数量小于用户的数量。这项工作提出了一种CF M-MIMO检测器称为CF期望传播(CF-EP),它在计算后验置信度时加入了导频污染。仿真结果表明,该检测器在误比特率和总频谱效率性能方面与现有的CF检测器相比有明显的改善。
2021-10-27 eess.SP
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
Max-Min Optimal Beamforming for Cell-Free Massive MIMO
这封信开发了一个最佳的波束形成方法,在无小区的大规模多输入多输出(MIMO)系统,采用大量的分布式接入点,为多个用户提供并发服务的下行链路传输。最佳设计被制定为一个最大最小的问题,最大限度地提高所有用户的最小信号干扰加噪声比。解析地证明了该问题是拟凹的,并利用二阶锥规划得到了最优解。所提出的方法确定最佳的无小区大规模多输入多输出系统中可实现的波束成形性能。研究结果可作为低复杂度波束形成器设计的参考。
2020-06-10 eess.SP
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
Decentralization Issues in Cell-free Massive MIMO Networks with Zero-Forcing Precoding
无小区大规模多输入多输出(CF-M-MIMO)系统代表了几十年来主导移动领域的经典蜂窝架构的演进。在CF-M-MIMO中,中央处理单元(CPU)控制不规则地分散在整个覆盖区域中的多个接入点(AP),从而有效地成为M-MIMO技术的完全分布式实现。因此,它继承了许多使M-MIMO成为5G系统物理层支柱之一的关键特性,同时为M-MIMO中不具备的新功能打开了大门。其中最新的是在CPU(集中式)或在AP(分布式)处执行预编码的可能性,已知前者以必须在CPU处收集所有相关的信道状态信息(CSI)为代价来提供好得多的性能。当要覆盖的区域很大时,无单元系统的实际部署可能需要多个CPU,因此需要解决的关键问题是这些多个CPU应该如何互连。针对集中式迫零预编码的特定情况,分析并提出了CPU之间不同程度互连的设计。结果表明,一种适度的CPU互连形式可以非常显着地提高CF-M-MIMO架构中普遍存在的最大-最小速率性能。
2019-09-26 eess.SP
Deep Graph Unfolding for Beamforming in MU-MIMO Interference Networks
Rice University(莱斯大学);US Army’s DEVCOM Army Research Laboratory(美国陆军DEVCOM陆军研究实验室)
针对MU-MIMO单跳无线自组织干扰网络的波束成形问题,提出基于图神经网络和算法展开的UWMMSE方法,通过学习WMMSE参数的函数变换进行优化,实验证明其在性能、泛化性和鲁棒性上均优于传统及现有学习方法。
2023-04-02 cs.LG eess.SP
Rate-Splitting assisted Massive Machine-Type Communications in Cell-Free Massive MIMO
这封信的重点是将速率分割多址(RSMA)与时分双工无小区大规模多输入多输出(多输入多输出)集成,以实现大规模机器类型通信。由于大量的设备,他们的零星接入行为和有限的相干间隔,我们假设一个随机接入策略,所有活动的设备利用相同的导频上行链路信道估计。这引起了一个高度导频污染的情况下,这不可避免地恶化信道估计。基于RSMA对不完整信道状态信息的鲁棒性,提出了一种新的RSMA辅助下行链路传输框架,用于无小区大规模多输入多输出。基于公共流和私有流的下行链路可达频谱效率,提出了一种启发式公共预编码器设计方法,并提出了一种新的最大最小功率控制方法。数值结果表明,RSMA有效地缓解了下行链路中导频污染的影响,并在传统的无小区大规模多输入多输出网络中获得了显著的性能增益。
2022-05-05 eess.SP
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
Distributed Auto-Learning GNN for Multi-Cell Cluster-Free NOMA Communications
提出了一种多小区无簇NOMA框架,其中通过灵活的无簇连续干扰消除(SIC)和协调波束成形设计来联合减轻小区内和小区间干扰。联合设计问题是制定最大化系统和速率,同时满足SIC解码要求和用户的最低数据速率要求。为了解决这一高度复杂和耦合的非凸混合整数非线性规划(MINLP)问题,提出了一种新的分布式自学习图神经网络(AutoGNN)结构,以减轻基站(BS)之间的信息交换负担。所提出的AutoGNN可以训练GNN模型权重,同时自动优化GNN架构,即GNN网络深度和消息嵌入大小,以实现通信高效的分布式调度。基于所提出的架构,进一步开发了一种双层AutoGNN学习算法,以有效地逼近模型训练中的超梯度。从理论上证明了所提出的双层AutoGNN学习算法能够收敛到一个稳定点。数值结果表明:1)所提出的无簇NOMA框架在多小区场景中优于传统的基于簇的NOMA框架;以及2)与传统的基于凸优化的方法和具有固定架构的传统GNN相比,所提出的AutoGNN架构显著降低了计算和通信开销。
2022-12-23 eess.SP
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
Coexistence of MIMO Radar and FD MIMO Cellular Systems with QoS Considerations
在这项工作中,频谱共享的可行性之间的多输入多输出(MIMO)雷达系统(RS)和MIMO蜂窝系统(CS),包括一个全双工(FD)基站(BS)服务于多个下行链路和上行链路用户在同一时间和频率进行了研究。虽然在CS的BS和用户处的联合收发器设计技术被提出以最大化MIMO RS的检测概率(PoD),但受制于用户的服务质量(QoS)和CS处的发射功率的约束,基于零空间的波形投影被用于减轻从RS到CS的干扰。特别是,所提出的技术通过最大化其下限来优化RS的PoD的性能,该下限是通过利用PoD及其非中心性参数的单调递增关系来获得的。数值结果表明,建议的频谱共享框架的效用,但与RS的发射功率,RS的PoD,CS的剩余自干扰功率在FD BS和用户的QoS相应的性能有一定的权衡。
2019-04-24 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
A Graph-based Hybrid Beamforming Framework for MIMO Cell-Free ISAC Networks
University of Sheffield(谢菲尔德大学);University College London(伦敦大学学院)
针对MIMO无蜂窝ISAC网络的通信感知联合优化需求,提出基于GNN的分布式混合波束成形方法及FPGA加速方案,有效提升性能与推理效率。
2025-09-29 eess.SP
Multi-Cell Massive MIMO in LoS
我们考虑一个多小区大规模多输入多输出系统中的视线(LoS)的传播环境,每个用户由一个基站服务,基站之间没有合作。每个基站知道其服务天线与其用户之间的信道,并使用这些信道进行预编码和解码。在这些假设下,我们推导出明确的下行链路和上行链路的有效SINR公式的最大比(MR)处理和迫零(ZF)处理。我们还推导出公式功率控制,以满足预定的SINR目标。给出了一个数值例子,说明了导出公式的使用.
2018-08-12 eess.SP
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
Performance of Slotted ALOHA in User-Centric Cell-Free Massive MIMO
本文针对以用户为中心的无蜂窝大规模 MIMO 免授权随机接入,分析具备捕获能力时 slotted ALOHA 的和吞吐量,并通过网络对比与仿真揭示其性能和前传负载折中优势。
2024-05-28 cs.IT cs.NI eess.SP
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
Uplink Multi-User MIMO Implementation in OpenAirInterface for a Cell-Free O-RAN Testbed
Fraunhofer Heinrich Hertz Institute(弗劳恩霍夫海因里希赫兹研究所)
本文提出了一种基于OAI的无细胞O-RAN测试平台,实现了利用SRS信道估计进行上行多用户MIMO信号分离与解码的实验验证。
2026-01-14 eess.SP
Full-Duplex Massive MIMO Cellular Networks with Low Resolution ADC/DAC
在本文中,我们提供了一个分析框架,全双工(FD)的大规模多输入多输出(MIMO)蜂窝网络与低分辨率模数和数模转换器(ADC和DAC)。在发送侧和接收侧的FD基站(BS)处采用匹配滤波器。对于反向和前向链路,我们的贡献是:(1)推导了一般和特殊情况下的信号与量化加干扰噪声比(SQINR);(2)推导了渐近情况下的频谱效率以及功率缩放律;以及(3)量化量化误差、自干扰以及六边形小区的用户间干扰和泊松点过程(PPP)镶嵌对中断概率和频谱效率的影响。
2022-09-05 eess.SP
QoS-Constrained Scheduling in Multi-Cell Multi-User MIMO Networks
School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)理工学院);School of Artificial Intelligence, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)人工智能学院);Shenzhen Research Institute of Big Data(深圳大数据研究院)
本文针对多小区多用户MIMO网络中跨小区和跨载波调度的挑战,提出了一种基于特征零强迫波束成形和大规模MIMO渐近性的近似可解方案,以在速率约束下最大化系统吞吐量。
2026-04-21 eess.SP
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
Energy Efficient Water-Filling Power Allocation with Cell Division for Massive MIMO Systems
研究了大规模多输入多输出(MIMO)系统下行链路的功率分配问题。我们提出了一个新的方案,利用注水算法在一个细胞与两个区域。它被分配更多的功率给更远的用户,并且具有更好的信道条件的用户在每个区域中接收更多的功率。从能量效率(EE)的角度来看,具有更好信道增益的用户具有比其他用户更高的优先级。在MIMO系统中结合注水和小区划分技术导致到达EE最大化。我们还使用标准干扰函数(SIF)提出了一种新的迭代算法来解决优化问题,并获得了一个有效的功率分配方案。仿真结果表明,该算法优于其他同类算法从EE的角度来看。
2021-08-27 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
Exploiting Cell-Free Massive MIMO for Enabling Simultaneous Wireless Information and Power Transfer
研究了下行链路无小区大规模多输入多输出(MIMO)系统中同时无线信息和功率传输(SWIPT)的性能。通过使用时间切换和功率分配协议的非线性能量收集模型,针对两种实际的信道状态信息(CSI)情况导出了DL收集能量和DL/上行链路(UL)可达速率的紧密近似。采用基于最大最小公平性的发射功率控制策略来减轻无小区大规模多输入多输出中由分布式发送/接收引起的有害的远近效应。可实现的公共DL能量速率的权衡推导,从而,它表明,建议的最大-最小功率控制保证用户公平性,无论远近效应方面收获的能量和可实现的速率。探讨了用户估计的DL CSI对提高SWIPT性能的益处。将这些性能指标与传统的共址大规模多输入多输出的性能指标进行比较,从而揭示了无小区大规模多输入多输出提供的路径损耗的降低和较低的平均发射功率可以被利用来以增加的回程要求为代价来提高SWIPT的能量-速率权衡。
2020-11-16 eess.SP
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
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
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
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
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
Cell-Free Massive MIMO in Virtualized CRAN: How to Minimize the Total Network Power?
关于无小区大规模多输入多输出的先前工作主要考虑物理层和前传传输方面。如何在实际的无线系统中部署无小区的大规模多输入多输出功能是一个开放的问题。本文提出了一种新的无小区架构,可以实现的虚拟化云无线接入网络(V-CRAN)的顶部。我们的目标是通过联合考虑无线电、光前传、虚拟化云处理资源和用户设备的频谱效率要求来最大限度地降低端到端功耗。所考虑的优化问题是投在一个混合的二进制二阶锥规划的形式,因此,全局最优可以使用分支定界算法。将我们提出的无小区系统的最佳功率效率解决方案与使用V-CRAN实现的传统小小区进行比较,以确定无小区网络的好处。数值结果表明,无小区大规模多输入多输出大大提高了最大速率,这可以提供几乎相同的能量每比特。我们表明,它是更有效的功率激活无小区大规模多输入多输出已经在低频谱效率(1位/秒/赫兹以上)。
2022-02-18 cs.IT cs.SY eess.SP
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
Test-Time Scalable AI-RAN: Inference Time Allocation for Cell-Free MIMO
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院);King’s College London(伦敦国王学院);Hanyang University ERICA(汉阳大学ERICA校区)
本研究针对无小区MIMO系统,提出通用框架以分配测试时可扩展AI-RAN各模块的最优推理时间资源,实验验证其可充分挖掘该系统的性能潜力。
2026-08-05 eess.SP
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