Deep Unfolded Multicast Beamforming
Nagoya Institute of Technology(名古屋工业大学);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心)
多播波束赋形是一种很有前途的多播通信技术。提供一个有效的和强大的波束成形设计算法是一个至关重要的问题,因为多播波束成形问题,如最大-最小-公平的问题,一般是NP-难。最近,已经提出了用于波束成形设计的基于深度学习的方法。尽管与传统的基于优化的算法相比,这些使用深度神经网络的方法表现出合理的性能增益,但它们的可扩展性对于大型系统来说是一个新出现的问题,在大型系统中,波束成形设计成为一项更苛刻的任务。在本文中,我们提出了一种新的深度展开可训练波束形成设计,具有高可扩展性和效率。该算法的设计是通过扩展现有算法的递归结构的基础上投影到凸集和嵌入一个常数数量的可训练的参数扩展的网络,这导致了一个可扩展的和稳定的训练过程。数值结果表明,该算法通过使用无监督学习可以加快其收敛速度,这是一个具有挑战性的深度展开训练过程。
2020-04-20 cs.IT cs.LG eess.SP
Deep Learning for Hybrid Beamforming with Finite Feedback in GSM Aided mmWave MIMO Systems
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)
混合波束形成是毫米波多输入多输出系统的重要技术。为了提高频谱利用率,进一步引入了广义空间调制(GSM)技术。然而,大多数现有的波束成形工作假设完美的信道状态信息(CSI),这是不现实的,在实际系统中。本文研究了GSM辅助频分复用(FDD)mmWave MIMO系统中下行导频训练、信道估计、CSI反馈和混合波束形成的联合优化问题。在深度学习的帮助下,通过无监督学习以端到端的方式设计GSM混合波束形成器。实验结果表明,与传统算法相比,本文提出的多分辨率网络GsmEFBNet能够以更少的反馈比特数获得更高的可达速率。
2023-02-15 cs.AI cs.IT eess.SP
Joint User Scheduling and Beamforming Design for Multiuser MISO Downlink Systems
在多用户通信系统中,用户调度和波束形成(US-BF)设计是两个基本问题,通常在现有的文献中被分开研究。在这项工作中,我们专注于联合US-BF设计的目标是最大限度地提高预定用户的集合基数,这是计算上的挑战,由于非凸目标函数和离散连续变量的耦合约束。针对这些问题,首先提出了一种基于逐次凸逼近的US-BF优化算法。然后,受无线智能通信的启发,将联合US和功率分配网络模型与BF解析解相结合,提出了一种基于图神经网络的联合US-BF(J-USBF)学习算法。各种数值结果验证了SCA-USBF和J-USBF的有效性,后者具有相近的性能和更高的计算效率。此外,建议的J-USBF也享有在动态无线网络场景的通用性。
2022-07-04 cs.IT eess.SP math.IT
Beamforming Design for Integrated Sensing and Communications Using Uplink-Downlink Duality
本文提出一种基于上下行对偶的优化框架,将集成感知与通信的波束成形设计转化为易处理形式,显著降低计算复杂度,同时最小化感知贝叶斯克拉美-罗界并满足通信服务质量约束。
2024-04-20 cs.IT eess.SP math.IT
QoE-Aware Beamforming Design for Massive MIMO Heterogeneous Networks
未来无线网络的主要目标之一是提高用户体验质量(QoE)。在本文中,我们考虑的问题,基于QoE的资源分配在下行链路的大规模多输入多输出(MIMO)异构网络(HetNet)。网络由宏小区和嵌入其中的多个小小区组成,小小区基站(BS)配备有少量天线,而宏BS配备有大量天线。我们考虑两个服务视频和Web浏览,并在BS处设计波束成形向量。目标是在BS功率和用户所需的服务质量(QoS)的约束下最大化用户的聚合平均意见得分(MOS)。我们还考虑了对用户的QoE的额外约束,以在波束成形设计中更强地实施QoE。为了降低优化问题的复杂性,我们提出了次优和计算效率高的解决方案。我们的研究结果表明,增加基站的天线数量,同时增加网络中小小区天线的数量,会导致更高的用户满意度。
2018-05-16 cs.IT eess.SP math.IT
Intelligent User Clustering and Robust Beamforming Design for UAV-NOMA Downlink
在这项工作中,我们考虑了下行NOMA网络与多个单天线用户和多天线无人机。特别是,用户在空间上位于几个集群通过泊松聚类过程,每个集群是由一个悬停的无人机NOMA服务。出于实际考虑,我们假设在UAV处仅可获得每个用户的不完美CSI。在此基础上,提出了联合用户分簇和稳健波束形成设计问题,以最小化总发射功率,同时保证用户的QoS要求。由于用户聚类的整数变量,波束形成器的耦合效应,以及由不完美的CSI引起的无限多的约束,制定的问题是具有挑战性的解决。为了降低计算复杂性,将原问题分解为用户聚类子问题和鲁棒波束形成设计子问题。利用用户的位置信息,我们提出了一种基于k-means++的无监督聚类算法,首先处理用户聚类问题。然后,我们专注于鲁棒波束形成设计问题。为了获得解决鲁棒波束形成设计问题的见解,我们首先研究了具有完美CSI的问题,并证明了相关问题可以得到最优解。其次,在一般情况下的问题与不完美的CSI,SDR的方法,提出了有效地产生一个次优解。此外,我们提供了一个充分条件下,基于SDR的方法可以保证获得一个最优的秩一的解决方案,这是理论分析。最后,提出了一种基于乘法器的交替方向方法,使无人机能够以分散的方式有效地进行鲁棒波束形成设计。仿真结果验证了所提算法和传输方案的有效性。
2020-06-10 cs.IT eess.SP math.IT
Transformer-Driven Neural Beamforming with Imperfect CSI in Urban Macro Wireless Channels
University of Maryland College Park(马里兰大学帕克分校);DeepSig Inc(迪普西格公司);Meta Reality Labs(元宇宙现实实验室)
针对密集城市环境下MU-SIMO系统非理想CSI问题,提出集成深度可分离卷积与Transformer的无监督深度学习框架NNBF生成波束成形权重,实验表明其在吞吐量、频谱效率和BLER上优于ZFBF、MMSE等基线方法。
2025-04-15 cs.IT cs.LG eess.SP
A Deep Learning Framework for Optimization of MISO Downlink Beamforming
在多用户多输入单输出(MISO)系统中,波束形成是提高接收信号质量的有效手段。传统上,寻找最佳波束成形解决方案依赖于迭代算法,这引入了高计算延迟,因此不适合实时实现。在本文中,我们提出了一个深度学习框架,用于下行链路波束成形的优化。特别地,基于卷积神经网络和利用专家知识(诸如上行链路-下行链路对偶性和最优解的已知结构)来获得解。使用这个框架,我们构建了三个波束形成神经网络(BNN)的三个典型的优化问题,即,信号与干扰加噪声比(SINR)平衡问题、功率最小化问题以及和速率最大化问题。对于前两个问题,BNN采用监督学习方法,而对于和率最大化问题,采用监督和无监督学习的混合方法。仿真结果表明,BNN在解决SINR均衡和功率最小化问题时,性能接近加权最小均方误差算法,而在解决和速率最大化问题时,计算复杂性明显降低。总之,这项工作铺平了道路,快速实现多用户MISO系统中的最佳波束形成。
2020-01-14 cs.IT math.IT
A Data and Model-Driven Deep Learning Approach to Robust Downlink Beamforming Optimization
本文提出一种基于无监督深度学习与模型驱动的鲁棒下行波束成形优化方法,利用图神经网络和二分搜索解决传统凸优化方法保守且复杂度高的问题,实现了更优的速率、能效与执行速度。
2024-06-05 cs.IT eess.SP math.IT
Efficiently and Globally Solving Joint Beamforming and Compression Problem in the Cooperative Cellular Network via Lagrangian Duality
考虑协作蜂窝网络中的联合波束成形和量化问题,其中多个中继类基站(BS)通过速率受限的前传链路连接到中央处理器(CP),协作地为用户服务。这个问题可以被公式化为总发射功率的最小化,服从所有用户的信号与干扰加噪声比(SINR)约束和所有中继类BS的前传速率约束。在本文中,我们首先表明,有没有考虑的问题和它的拉格朗日对偶之间的对偶间隙,显示所考虑的问题的半定松弛(SDR)的紧密性。然后,我们提出了一个有效的算法的基础上拉格朗日对偶求解所考虑的问题。该算法明智地利用了所考虑的问题的Karush-Kuhn-Tucker(KKT)条件的特殊结构,并通过两个不动点迭代找到满足KKT条件的解。所提出的算法是高效的(因为在两个固定点迭代中评估函数在计算上是便宜的),并保证找到问题的全局解。仿真结果表明了该算法的有效性和正确性。
2022-02-11 cs.IT eess.SP math.IT
Path-Following Algorithms for Beamforming and Signal Splitting in RF Energy Harvesting Networks
我们认为,联合设计的发射波束成形和接收信号分裂比在下行链路中的无线网络的同时射频(RF)信息和能量传输。在每个用户的信号干扰噪声比(SINR)和基站的总发射功率的约束下,设计目标是最大化所收获的总能量或最小收获能量。我们开发了一个计算效率高的路径跟踪方法来解决这些具有挑战性的非凸优化问题。我们在数学上表明,所提出的算法迭代的进展和收敛到局部最优解。仿真结果进一步表明,这些局部最优解与所考虑的实际网络设置的全局最优解是相同的。
2016-06-14 cs.IT math.IT
Fast First-Order Algorithm for Large-Scale Max-Min Fair Multi-Group Multicast Beamforming
本文利用最优多播波束成形结构将大规模加权MMF问题转化为弱凸的最小-最大权重问题,并提出具有闭式更新、有限时间收敛至近稳定点的PSA快速算法,以低复杂度实现近最优性能。
2023-04-21 cs.IT math.IT
Learning on a Grassmann Manifold: CSI Quantization for Massive MIMO Systems
Virginia Tech(弗吉尼亚理工大学)
本文重点研究了波束赋形码本的设计,使任何潜在信道分布的平均归一化波束赋形增益最大化。虽然现有技术使用统计信道模型,但我们利用具有机器学习基础的无模型数据驱动方法来生成适应周围传播条件的波束成形码本。关键的技术贡献在于减少码本设计问题的无监督聚类问题的格拉斯曼流形上的集群质心形成有限大小的波束形成码本的信道状态信息(CSI),这可以有效地解决使用K均值聚类。这种方法被扩展到开发一个非常有效的全维(FD)多输入多输出(MIMO)系统与均匀平面阵列(UPA)天线的乘积码本设计过程。仿真结果表明,所提出的设计标准的能力,在学习的码本,减少码本的大小,并产生显着更高的波束形成增益相比,现有的国家的最先进的CSI量化技术。
2020-05-18 cs.IT cs.LG math.IT
Deep Learning Based Joint Multi-User MISO Power Allocation and Beamforming Design
University of Maryland(马里兰大学);DeepSig Inc.(迪普西格公司)
本文提出无监督深度学习框架NNBF-P,通过联合功率分配与波束成形设计最大化MU-MISO系统总速率,实验证明其性能优于ZFBF和MMSE,并验证了联合设计的有效性。
2024-06-12 cs.IT cs.LG eess.SP
Bounded Deep Unfolding for Joint Beamforming and Scheduling in Multi-Cell MIMO Networks
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Shenzhen Research Institute of Big Data(深圳大数据研究院);Tongji University(同济大学)
针对多小区MIMO下行链路中加权和速率最大化问题,提出一种联合深度展开框架(P-Net和K-Net),通过有界自适应松弛因子加速连续波束赋形并利用长视优先级策略实现低复杂度调度,在保证单调收敛的同时显著提升性能与速度。
2026-07-28 cs.IT eess.SP math.IT
Deep Active Learning Approach to Adaptive Beamforming for mmWave Initial Alignment
本文提出了一种深度学习方法,用于在具有单路径信道的毫米波环境中的初始接入阶段的自适应和顺序波束成形设计问题。对于一个单用户的情况下,该问题相当于设计的序列感测波束形成器来学习的主要路径的到达角(AoA),我们提出了一种新的深度神经网络(DNN),设计的自适应传感矢量顺序的基础上,到目前为止在基站(BS)。通过认识到AoA后验分布是解决初始接入问题的充分统计量,我们使用后验分布作为所提出的DNN的输入,用于设计自适应感知策略。然而,当信道衰落系数未知时,计算后验分布可能在计算上具有挑战性。为了解决这个问题,本文提出了使用衰落系数的估计来计算后验分布的近似。此外,本文表明,所提出的DNN可以处理实际的波束成形约束,如恒模约束。数值结果表明,与现有的自适应和非自适应波束形成方案相比,所提出的基于DNN的自适应感知策略实现了显着更好的AoA捕获性能。
2021-05-21 cs.IT math.IT
Deep Learning Based Uplink Multi-User SIMO Beamforming Design
University of Maryland(马里兰大学);DeepSig Inc.(DeepSig公司)
本文提出无监督深度学习框架NNBF,用于上行MU-SIMO接收波束成形,以最大化和速率并降低计算复杂度;实验表明其在多种天线配置下优于ZFBF和MMSE,且对单天线用户数量具有可扩展性。
2023-09-28 cs.IT cs.LG eess.SP
Noncoherent Joint Transmission Beamforming for Dense Small Cell Networks: Global Optimality, Efficient Solution and Distributed Implementation
研究密集小小区网络中的多点非相干联合传输问题。目标是为宏小区和小小区基站(BS)设计波束成形向量,使得系统的加权和速率最大化,服从各个BS处的总发射功率。优化问题本质上是非凸的和棘手的,这使得它很难探索该计划的全部潜在性能。为此,我们首先提出了一个算法,找到一个全局最优解的基础上通用单调分支减少和界优化框架。然后,对于计算效率更高的方法,我们采用内部近似(InAp)技术来有效地导出局部最优解,数值计算表明,该方法可以实现接近最优的性能。此外,对于分散式网络,例如由多访问边缘计算服务器组成的网络,我们开发了一种基于交替方向乘法的算法,该算法分布式实现了基于InAp-based的解决方案。我们的主要结论是,非相干JT是一个很有前途的传输方案密集的小小区网络,因为它可以利用的密集化增益,优于协调波束成形,并服从分布式实现。
2020-05-25 cs.IT math.IT
Joint Power Allocation and Beamforming for Energy-Efficient Two-Way Multi-Relay Communications
研究了中继通信中用户功率分配和中继波束赋形的联合设计问题,多对单天线用户在两个时隙内通过多天线中继进行信息交换。所有用户在第一时隙中向中继站发送其信号,而中继站在第二时隙中向所有用户广播波束成形信号。其目的是最大限度地提高系统的能源效率(EE)的服务质量(QoS)的限制,在交换吞吐量的要求。QoS约束是非凸的,有许多非线性交叉项,所以找到一个可行点已经是计算上的挑战。总吞吐量出现在分子中,而总消耗功率出现在EE目标函数的分母中。前者是一个非凹函数,后者是一个非凸函数,使分式规划无用的EE优化。然而,开发了低复杂度的有效迭代以获得其优化解。通过对多用户多中继网络在不同场景下的性能评估,验证了本文的研究成果。
2017-01-25 cs.IT math.IT
Beamforming Design for Continuous Aperture Array (CAPA)-Based MIMO Systems
The University of Hong Kong(香港大学);Queen Mary University of London(伦敦大学女王玛丽学院)
针对CAPA-MIMO波束成形优化计算代价高的问题,本文推导了可达速率的闭式表达式,并提出基于变分法的WMMSE迭代算法及Gauss-Legendre求积的低复杂度实现,显著提升性能并降低计算复杂度。
2025-07-18 cs.IT math.IT
Deep Unfolding Hybrid Beamforming Designs for THz Massive MIMO Systems
混合波束形成(HBF)是宽带太赫兹(THz)大规模多输入多输出(mMIMO)通信系统的关键技术。设计HBF系统的一个核心挑战来自于这样一个事实,即它们的应用通常涉及非凸的、高度复杂的大尺寸优化。在本文中,我们提出了HBF计划,利用数据,使高效的设计全连接HBF(FC-HBF)和动态子连接HBF(SC-HBF)架构。我们开发了一个深入的展开框架的基础上分解成模拟和数字方面的最佳全数字波束形成器,并制定了两个相应的等效最小二乘(LS)问题。然后,通过闭合形式的LS解获得数字波束形成器,而通过ManNet获得模拟波束形成器,ManNet是一种基于展开投影梯度下降的轻量级稀疏连接深度神经网络。将ManNet扩展到已开发的深度展开框架中,得到基于ManNet的FC-HBF方案。我们表明,建议的ManNet也可以应用到SC-HBF设计后,确定的无线电频率链和天线之间的连接。我们进一步开发了一个简化版本的ManNet,称为subManNet,直接产生稀疏模拟预编码器的SC-HBF架构。这两个网络都是用无监督的训练过程训练的。数值结果验证了所提出的基于ManNet/subManNet的HBF方法优于传统的基于模型和深度展开的方法,具有非常低的复杂度和快速的运行时间。例如,在具有128个发射天线的仿真中,它获得了比黎曼流形方案稍高的频谱效率,但是快了1000倍以上,并且复杂度降低了六(6)倍以上。
2023-02-23 cs.IT eess.SP math.IT
DeepFP: Deep-Unfolded Fractional Programming for MIMO Beamforming
The Chinese University of Hong Kong (Shenzhen)(香港中文大学(深圳));Shanghai Jiao Tong University(上海交通大学)
DeepFP通过深度解折叠网络优化FastFP的步长,提升多细胞MIMO波束成形的计算效率。
2026-01-06 cs.IT math.IT
Joint Beamforming and Compression Design for Per-Antenna Power Constrained Cooperative Cellular Networks
针对协作蜂窝网络中每天线功率受限的联合波束成形与压缩问题,提出两种投影梯度上升算法,实现全局最优解并提升计算效率。
2023-12-24 cs.IT eess.SP math.IT
Coordinated Beamforming for Multiuser MISO Interference Channel under Rate Outage Constraints
本文研究了多输入单输出(MISO)干扰信道下的协作波束形成设计问题,假设发射端只有信道分布信息(CDI)。在给定的接收机速率中断概率要求下,我们的目标是最大化系统效用(例如,加权和速率、加权几何平均速率和加权谐波平均速率)服从速率中断约束和单独功率约束。中断约束,但是,导致一个复杂的,非凸结构所考虑的波束成形设计问题,使优化问题难以处理。{虽然}这个非凸优化问题可以用穷举搜索的方式来解决,但这种蛮力方法只在发射机-接收机对的数量很小时才可行。对于具有大量发射器-接收器对的系统,计算上高效的替代方案是必要的。因此,本文的重点是设计这种有效的近似方法。特别是,通过采用半定松弛(SDR)和一阶近似技术,我们提出了一种有效的连续凸近似(SCA)算法,通过解决一系列凸近似问题,提供高质量的近似波束形成解决方案。由此获得的解决方案进一步示出为原始中断约束波束成形设计问题的SDR的稳定点。{此外},我们提出了一种分布式SCA算法,其中每个发射机使用本地CDI和从与其他发射机的有限消息交换中获得的信息来优化其自己的波束形成器。我们的仿真结果表明,所提出的SCA算法和它的分布式对应确实收敛,并接近最佳的性能可以实现所有考虑的系统效用。
2012-11-22 cs.IT math.IT
Multicell Coordinated Beamforming with Rate Outage Constraint--Part I: Complexity Analysis
本文分析仅知信道分布信息时多小区MISO干扰信道中速率中断受限CoBF问题的计算复杂度,证明加权和速率及加权MMF速率情形在一般条件下均为NP难。
2014-05-15 cs.IT math.IT
Downlink and Uplink Energy Minimization Through User Association and Beamforming in Cloud RAN
最近已经提出了云无线电接入网络(C-RAN)概念,其中密集部署的接入点(AP)被云计算授权以协作地支持移动用户(MU),以提高移动数据率。然而,高密度的活动(“开启”)AP导致严重的干扰以及低效的能量消耗。此外,具有严格上行链路(UL)要求的高度交互式应用(例如,无线用户的网络游戏和实时广播)的日益普及意味着UL传输变得更加关键并且需要特别关注。因此,在本文中,我们提出了联合下行链路(DL)和UL MU-AP关联和波束成形设计,以协调C-RAN中的干扰,以实现能量最小化,这是一个NP困难的问题。由于UL传输的新考虑,示出了用于找到仅考虑DL的联合MU-AP关联和波束成形的计算上有效的解决方案的两种现有技术方法,即,群稀疏优化和松弛整数规划,不能以直接的方式修改以解决我们的问题。利用著名的UL-DL对偶结果,我们表明,通过为原始UL传输建立虚拟DL传输,联合DL和UL优化问题可以转换为C-RAN中的等价DL问题,其中原始DL传输和虚拟DL传输分别具有两个相互关联的子问题。在此基础上,提出了两种有效的上下行MU-AP联合关联和波束成形设计算法,并通过大量仿真对其性能进行了评估,并与其他基准方案进行了比较。
2014-06-23 cs.IT math.IT
An Efficient Global Algorithm for Single-Group Multicast Beamforming
考虑单组多播波束成形问题,其中多个用户同时从单个发射机接收相同的数据流。该问题是NP-难的,所有现有的算法的问题要么找到次优近似或局部平稳的解决方案。在本文中,我们提出了一个有效的分支定界算法的问题,是保证找到其整体解决方案。据我们所知,我们提出的算法是第一个定制的单组多播波束成形问题的全局算法。仿真结果表明,我们提出的算法是计算效率高(虽然其理论上的最坏情况下的迭代复杂度是指数相对于接收器的数量),它显着优于一个国家的最先进的通用全局优化求解器称为男爵。我们提出的算法提供了一个重要的基准性能评估的现有算法相同的问题。通过使用它作为基准,我们表明,两个国家的最先进的算法,半定松弛算法和逐次线性近似算法,工作良好时,问题的维数(即,发射机处的天线数目和接收机数目)很小,但是它们的性能随着问题维数的增加而迅速恶化。
2017-04-23 cs.IT math.IT
Performance Analysis and Low-Complexity Beamforming Design for Near-Field Physical Layer Security
本文研究XL阵列近场物理层安全,揭示人工噪声的关键作用,并提出基于干扰域概念和三步识别框架的低复杂度波束赋形设计方法,在接近传统方法性能的同时大幅降低计算复杂度。
2025-04-09 cs.IT eess.SP math.IT
Optimizing Downlink Resource Allocation in Multiuser MIMO Networks via Fractional Programming and the Hungarian Algorithm
优化多频带、多用户、多天线网络的下行链路的和对数效用需要通过使用云无线电接入网络(CRAN)架构来联合解决相关联的波束成形和用户调度问题;然而,优化这样的网络是非凸和NP难的。本文提出了一种基于分数规划和匈牙利算法的迭代波束形成和调度策略。波束形成策略允许我们以类似于块坐标上升的方式迭代地最大化所选择的目标函数。此外,基于至关重要的洞察力,在下行链路中,干扰模式保持固定的一组给定的波束成形权重,我们使用匈牙利算法作为一种有效的方法来优化调度用户的给定的波束成形权重。具体来说,这种方法允许我们选择最佳用户子集(在所有可用用户的较大集合中)。我们的仿真结果表明,在平均和对数效用,以及和率,该计划大大优于国家的最先进的多小区加权最小均方误差(WMMSE)和贪婪的比例公平WMMSE计划,以及标准的相邻点和顺序二次求解器。重要的是,我们提出的方案也远比多小区WMMSE方案的计算效率。
2020-06-22 cs.IT math.IT
Rate Splitting Multiple Access: Optimal Beamforming Structure and Efficient Optimization Algorithms
针对RSMA网络中联合波束成形与公共速率分配的非凸优化问题,首次揭示最优解结构,提出基于分数规划的无工具箱高效算法,在保持性能的同时大幅降低计算复杂度,为6G应用奠定基础。
2024-07-20 cs.IT math.IT
Deep Learning-Based CSI Feedback for Beamforming in Single- and Multi-cell Massive MIMO Systems
针对现有深度学习CSI反馈方法仅关注精度、忽略波束成形性能的问题,提出以最大化波束成形增益为目标的CsiFBnet框架,适配单/多小区场景,采用无监督训练,实现性能提升与复杂度降低。
2020-11-11 cs.IT math.IT
Multicell Coordinated Beamforming with Rate Outage Constraint--Part II: Efficient Approximation Algorithms
针对仅知信道分布信息、带速率中断约束的NP难多小区CoBF问题,提出分布式BSUM、分布式WMMSE及多块体基准近似算法,仿真显示其性能与效率优于现有SCA方法。
2014-05-15 cs.IT math.IT
Intelligent Reflecting Surface-assisted MU-MISO Systems with Imperfect Hardware: Channel Estimation, Beamforming Design
IRS辅助系统中的大多数工作忽略了收发器硬件和IRS处的不可避免的剩余硬件损伤(HWI)的影响,而任何相关工作仅解决了简单的场景,例如,具有单天线网络节点和/或不考虑IRS处的相位噪声的随机性。在这项工作中,我们的目标是填补这一空白,考虑一个一般的IRS辅助多用户(MU)多输入单输出(MISO)系统,不完美的CSI和相关的瑞利衰落。并行,我们提出了一个通用的计算效率的方法IRS反射波束成形(RB)优化。具体而言,我们介绍了一个有利的信道估计(CE)方法,这样的系统占HWI。此外,我们得出了上行链路可实现的频谱效率(SE)与最大比合并(MRC)接收机,显示三个显着的优点是:1)其封闭形式的表达式,2)它只依赖于大规模的统计,3)它的低训练开销。值得注意的是,通过利用前两个好处,我们实现了执行优化的反射波束形成矩阵(RBM),可以只发生在每几个相干间隔,因此,显着降低了计算成本相比,其他方法,需要频繁的相位优化。在有见地的意见,我们强调,不相关的瑞利衰落不允许优化的SE,这使得应用IRS无效。而且,在描述RBM中的相位失真的相位漂移均匀分布的情况下,IRS的存在没有提供优势。分析结果优于以前的工作,并验证了蒙特卡罗(MC)模拟。
2021-09-04 cs.IT math.IT
QoS-based Beamforming and Compression Design for Cooperative Cellular Networks via Lagrangian Duality
针对协作蜂窝网络下行链路,提出基于拉格朗日对偶的联合波束成形与压缩设计算法,利用半定松弛紧性消除对偶间隙,通过增强KKT条件与线性收敛的不动点迭代实现全局最优解,并验证其高效性。
2025-04-23 cs.IT eess.SP math.IT
Ultra-Low-Complexity Algorithms with Structurally Optimal Multi-Group Multicast Beamforming in Large-Scale Systems
本文针对大规模系统多组多播波束成形,将QoS问题转化为低维非凸权重优化问题,提出两种基于SCA的快速一阶算法(外梯度和ADMM),并利用QoS解通过闭式缩放直接求解MMF问题,在显著降低计算复杂度的同时实现接近最优的性能。
2023-04-14 cs.IT math.IT
Joint Beamforming Design and Resource Allocation for IRS-Assisted Full-Duplex Terahertz Systems
Shanghai Jiao Tong University(上海交通大学);Hubei University(湖北大学);Zhengzhou University(郑州大学);ZTE Corporation(中兴通讯);University of New South Wales(新南威尔士大学)
针对IRS辅助全双工太赫兹系统面临的传播损耗、分子吸收及残余自干扰挑战,提出联合优化IRS相移、功率、子带分配与带宽的资源分配框架,设计两种高效算法,实现频谱效率显著提升与用户公平性保障。
2025-10-29 cs.IT math.IT
Spectral Efficiency of Full-Duplex Multiuser System: Beamforming Design, User Grouping, and Time Allocation
全双工(FD)系统已经成为进一步增加无线通信系统的数据率的必要的使能技术。FD的核心思想是通过一个可以同时发送和接收信号的基站(BS)在相同的带宽上为多个用户提供服务。设计FD系统中最具挑战性的问题是解决由BS处的发射到接收天线引起的残余自干扰的有害影响以及从上行链路用户(ULU)到下行链路用户(DLU)的同信道干扰。这些问题的有效解决方案是将ULU/DLU分配在不同的组/时隙中,其中每个用户在多个组中被服务。因此,本文研究了发射波束形成器的联合设计,ULU/DLU组分配,以及每个组的时间分配。具体目标是在ULU/DLU最小吞吐量约束下最大化总速率。效用函数是一个非凹的困难问题,所涉及的约束也是非凸的,因此这是一个计算上麻烦的问题。为了解决这个优化问题,我们提出了一个新的路径跟踪算法的计算解决方案,以达到至少局部最优。每次迭代只涉及一个简单的凸二次规划。我们证明了该算法迭代地提高了目标,同时保证收敛。仿真结果证实了所提出的算法的快速收敛性与现有的方法有很大的性能改善。
2017-02-04 cs.IT math.IT