Structured Channel Parameter Estimation for RIS-Assisted MIMO Systems via Kronecker and Tensor Factorizations
Federal University of Ceará (UFC)(塞阿拉联邦大学)
本文提出基于Kronecker和张量分解的结构化信道估计方法,用于RIS辅助MIMO系统,在降低计算复杂度的同时达到基准精度。
2026-09-21 eess.SP
Estimating Channels With Hundreds of Sub-Paths for MU-MIMO Uplink: A Structured High-Rank Tensor Approach
本文针对6GHz以下MU-MIMO上行信道中数百条子路径的估计难题,提出结构化高秩四维张量CPD方法,利用范德蒙德约束推导更强唯一性,实现高效单遍参数估计,并在3GPP 5G协议仿真中优于现有张量方法。
2024-09-01 eess.SP
A Tensor-based Approach to Joint Channel Estimation / Data Detection in Flexible Multicarrier MIMO Systems
基于滤波器组的多载波(FBMC)系统相对于传统的基于循环前缀(CP)的正交频分复用(CP-OFDM)调制具有许多优点,近年来受到越来越多的关注。然而,它们更高级的结构(导致例如自干扰)使接收机处的信号处理任务复杂化,包括同步、信道估计和均衡。在多输入多输出(MIMO)配置中,还必须考虑多天线干扰。(半)盲接收机,在(大规模)MIMO系统中越来越感兴趣,很少研究到目前为止,FBMC和主要是单天线的情况下。这种灵活的MIMO FBMC系统的接收机的设计,统一了一些现有的FBMC计划,被认为是在本文中通过基于张量的方法,这是包括现有的联合信道估计和数据检测方法作为特殊情况下,增加他们的理解和铺平道路,以进一步发展。包括基于仿真的结果,为现实的传输模型,展示了通过这些接收机的估计和检测性能增益超过他们的训练只基于同行。
2019-07-23 eess.SP
Tensor-Based Channel Estimation and Reflection Design for RIS-Aided Millimeter-Wave MIMO Communication Systems
在这项工作中,我们认为在点对点的可重构智能表面(RIS)辅助毫米波(mmWave)MIMO通信系统的信道估计和反射设计问题。首先,我们表明,通过利用毫米波MIMO信道的低秩性质,接收到的训练信号可以被写为一个低秩的多路张量,允许一个规范的多元CP分解。利用这种结构,提出了一种基于张量的RIS信道估计方法(称为TenRICE),其中使用交替最小二乘法来估计张量因子矩阵。使用TenRICE,发射机到RIS和RIS到接收机的信道被有效地和单独地估计,直到一个微不足道的缩放因子。在此之后,我们制定的波束形成和RIS反射设计作为一个频谱效率最大化的问题。由于它的非凸性,我们提出了一个启发式的非迭代两步法,其中的RIS反射向量是在一个封闭的形式,使用Frobenius范数最大化(FroMax)策略。我们的数值结果表明,TenRICE具有优越的性能,与基准方法相比,接近Cramér-Rao下限,训练开销低。此外,我们表明,FroMax实现了可比的性能,以较低的复杂性基准方法。
2021-12-06 eess.SP
Towards Overfitting Avoidance: Tuning-free Tensor-aided Multi-user Channel Estimation for 3D Massive MIMO Communications
长期以来,信道估计被认为是三维(3D)大规模多输入多输出(MIMO)中最关键的问题之一,MIMO被认为是在第五代(5G)无线通信及以后实现3D空间信号处理的领先技术。最近,通过探索角信道模型和张量分解,在给定有限数量的导频信号的情况下,用于3D大规模多输入多输出通信的单用户信道估计的准确性已经显著提高。然而,这些现有的方法不能直接扩展到多用户信道估计任务,其中基站(BS)的目标是同时捕获多个用户的信道。难点在于多用户信道间的耦合使得信道估计偏离了常用的张量分解。它给出了一个非标准的张量分解格式,尚未得到很好的处理。为了克服这一挑战,本文除了采用块坐标下降法(BCD)直接将新的信道估计张量模型拟合到无线数据中,避免了噪声过拟合或正则化参数调整的问题外,还提出了一种新的无需调整的信道估计算法,该算法能够自动控制信道模型的复杂度,从而有效地避免了过拟合。数值结果表明,所提出的算法在估计精度和过拟合避免方面具有优异的性能。
2021-01-24 eess.SP
Tensor-Based Channel Estimation and Data-Aided Tracking in IRS-Assisted MIMO Systems
针对信道老化问题,提出一种基于张量建模的两阶段方法,通过张量分解实现信道估计、IRS配置及数据符号跟踪,在误码率和均方误差上优于现有方案。
2023-05-17 eess.SP
Double-RIS Versus Single-RIS Aided Systems: Tensor-Based MIMO Channel Estimation and Design Perspectives
可重构智能表面(RISs)是近年来提出的一种实时调谐无线传播信道的新技术。然而,目前的大多数工作假设单RIS(S-RIS)辅助系统,这可能是有限的,在一些应用场景中,发射机可能需要一个多RIS辅助信道与接收机进行通信。在本文中,我们考虑了双RIS(D-RIS)辅助MIMO系统,并提出了一种基于交替最小二乘的信道估计方法,利用接收信号的Tucker2张量结构。使用所提出的方法,级联MIMO信道部分可以单独估计,到平凡的缩放因子。与S-RIS系统相比,我们表明,如果一个S-RIS系统的RIS元素在D-RIS系统中的两个RIS之间仔细分布,可以减少训练开销,估计精度也可以提高。因此,与S-RIS系统相比,D-RIS系统可以被视为进一步增加未来无线网络的覆盖范围、容量和效率的有吸引力的方法。
2021-09-19 eess.SP
MIMO Beam Map Reconstruction via Toeplitz-Structured Matrix-Vector Tensor Decomposition
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));City University of Hong Kong(香港城市大学)
本文提出基于Toeplitz结构矩阵-向量张量分解的方法,用于从有限测量中高效重建MIMO波束图,显著提升数据效率。
2026-01-08 eess.SP
Fast Position-Aided MIMO Beam Training via Noisy Tensor Completion
本文提出了一种数据驱动的位置辅助方法,通过利用边信息和现场测量来减少MIMO系统中的训练开销。通过收集位置和波束的子集上的波束训练测量来构造数据张量,并且提出了一种混合噪声张量完成(HNTC)算法来预测整个覆盖区域的接收功率,该算法利用MIMO信道的空间平滑性和低秩特性。为了实现快速准确的波束训练,提出了一种基于完备张量的波束子集选择推荐算法。此外,提出了一种基于分组的盲源分离算法,以对抗噪声位置信息的不利影响。在60 GHz毫米波信道上使用Quadriga信道模拟器评估的数值结果表明,所提出的BSS推荐算法与HNTC相结合可以实现准确的接收功率预测,从而实现开销较小的波束对准:给定在40%的可能离散位置上的功率测量,基于HNTC的BSS获得91%的正确对准的概率,仅用2%的训练波束,这与在相同配置中实现54%正确对准的现有技术的位置辅助光束对准方案相反。最后,提出了一种通过热启动的在线HNTC方法,在不降低预测精度的情况下,将计算复杂度降低了50%。
2020-08-05 eess.SP
SALSA: A Sequential Alternating Least Squares Approximation Method For MIMO Channel Estimation
针对sub-6 GHz上行宽带MIMO-OFDM系统中混合模数波束成形场景,提出SALSA方法,利用上行测量矩阵的隐藏张量结构进行序列交替最小二乘信道估计,仿真验证其优于经典最小二乘法。
2023-04-13 eess.SP
Tensor Decomposition Based Mixed-Field Sensing for XL-MIMO AFDM Systems
Shanghai Jiao Tong University(上海交通大学)
本文针对XL-MIMO AFDM系统近场耦合与动态散射挑战,提出基于张量分解的混合场感知方案,实现参数解耦与连续域估计,显著提升时延-多普勒精度并消除角度误差地板。
2026-09-11 eess.SP
Channel Estimation for Intelligent Reflecting Surface Assisted MIMO Systems: A Tensor Modeling Approach
智能反射表面(IRS)是用于未来无线通信(包括5G,特别是6 G)的新兴技术。它由一个大型的(半)被动散射元件的2D阵列组成,这些元件控制射频波的电磁特性,以便反射信号在预期接收器处相干叠加或相消叠加,以减少同频干扰。IRS辅助通信的预期增益取决于信道状态信息的准确性。在本文中,我们解决的接收机设计的IRS辅助多输入多输出(MIMO)通信系统通过张量建模方法,针对信道估计问题,使用监督(导频辅助)的方法。考虑到导频和IRS相移的结构化时域模式,我们提出了两种信道估计方法,依赖于接收信号的并行因子(PARAFAC)张量建模。第一个具有基于级联MIMO信道的Khatri-Rao分解的封闭形式的解决方案,通过求解秩-1矩阵近似问题,而第二个是迭代交替估计方案。这两种方法的共同特征是所涉及的MIMO信道矩阵(基站-IRS和IRS-用户终端)的估计的解耦,与基于级联信道的非结构化LS估计的竞争方法相比,这提供了性能增强。这两种方法,指导系统参数的选择的设计建议进行了讨论。数值结果表明,所提出的接收器的有效性,突出所涉及的权衡,并证实其优越的性能相比,竞争基于LS的解决方案。
2021-02-19 eess.SP
Channel Estimation for Movable-Antenna MIMO Systems Via Tensor Decomposition
本文针对收发端均配备可移动天线的MIMO系统,提出基于张量分解的信道估计方法,通过两阶段天线移动导频训练和规范多态分解估计多径角度与增益参数,以低导频开销实现任意天线位置间的信道重建。
2025-01-06 eess.SP
Tensor-Based Parameter Estimation of Double Directional Massive MIMO Channel with Dual-Polarized Antennas
3GPP建议将双极化(DP)天线阵列与双向(DD)信道模型相结合以用于下行链路信道估计。这种组合在高容量通信和简约信道建模之间取得了良好的平衡,并且还为下行链路信道估计带来了有限的反馈方案。然而,大多数现有的信道估计工作下的DD模型没有考虑DP阵列,可能是因为复杂的阵列流形和算法设计的困难。在本文中,我们首先揭示了DD信道与DP阵列在发送器和接收器可以自然地建模为一个低秩的四向张量,因此,参数可以有效地估计通过张量分解算法。为了降低计算复杂度,我们表明,这个问题可以被改写为一个四快照三维谐波恢复问题,可以使用计算效率高的子空间方法来解决。在理论方面,我们证明了在非常温和的条件下,利用低秩张量的可识别性,具有DP阵列的DD通道是可识别的。数值模拟来展示我们的方法的有效性。
2018-03-04 eess.SP
Tensor Train Decomposition Based Noise Reduction and Enhanced Parameter Estimation for FMCW MIMO Radar Systems
Dalian Maritime University(大连海事大学);Aalto University(阿尔托大学);Beijing Jiaotong University(北京交通大学)
针对FMCW MIMO雷达在低信噪比下混合噪声干扰问题,提出基于张量列分解的框架,利用低秩结构和多维相关性进行噪声子空间分离,并通过数据平滑和旋转子空间算法实现距离、速度和角度参数的联合估计,显著提升信噪比和参数估计精度。
2026-05-27 eess.SP
Underdetermined 2D-DOD and 2D-DOA Estimation for Bistatic Coprime EMVS-MIMO Radar: From the Difference Coarray Perspective
研究了双基地互质EMVS-MIMO雷达的欠定二维DOD和二维DOA估计问题。首先,利用接收数据的多维时空特性,建立5维张量模型。然后,通过自相关计算得到了一个8维张量。为了获得发射和接收电磁阀的差分共阵,电磁阀的空间响应和导向矢量之间的解耦过程是不可避免的。因此,通过张量置换和正则多进分解的广义张量化,可以构造一个新的6维张量。根据张量矩阵乘积运算的原理,设计了两个选择矩阵,可以消除差分协阵中的重复元素。利用差分共阵的中心对称性,设计了两个DFT波束空间矩阵,将复数引导矩阵转换为实值引导矩阵,提高了二维DOD和二维DOA的估计精度。然后,构造了一个三阶张量,第三路固定为36,并采用并行因子算法,实现了二维DOA和二维DOD的自动配对估计。仿真结果表明,该算法对欠定的2D-DOD和2D-DOA估计具有较好的估计性能。
2022-06-06 eess.SP
Tensor-Based Dynamic Channel Estimation for mmWave Movable Antenna MIMO Systems
Xi’an Jiaotong University(西安交通大学);Stevens Institute of Technology(史蒂文斯理工学院);Nanjing University of Science and Technology(南京理工大学);Beijing University of Posts and Telecommunications(北京邮电大学);Shanghai Jiao Tong University(上海交通大学)
研究毫米波移动天线MIMO系统的动态信道估计,提出基于张量分解的算法,利用路径响应模型和信道稀疏性,构建四阶张量,通过两种分解方案提取因子矩阵,重建信道矩阵,经理论和仿真验证算法有更高估计精度和优势。
2026-11-20 eess.SP
Algebraic Channel Estimation Algorithms for FDD Massive MIMO systems
本文研究了多径模型下基于频分双工的大规模大规模多输入多输出系统的下行链路信道估计。我们的目标是从少量的DL训练开销提供快速和准确的信道估计。现有技术使用压缩感知或经典阵列处理技术(例如,ESPRIT和音乐)。然而,这些方法在某些情况下具有挑战性,例如,当路径的数量大于接收天线的数量时。张量分解方法也可以用来处理这种具有挑战性的情况下,但很难解决相关的优化问题。在这项工作中,我们提出了一个有效的信道估计框架,以规避这些困难。具体地,提出了一种结构训练序列,该序列对接收信号施加张量结构。我们表明,这样的训练序列,DL MIMO信道的参数可以证明,即使当路径的数量大大超过接收天线的数量-在非常小的训练开销。我们的方法是一个明智的结合范德蒙张量代数和精心设计的共轭不变的训练序列。与现有的基于张量的信道估计方法,涉及硬优化问题,所提出的方法包括非常轻量级的代数运算,因此实时实现是触手可及的。仿真结果表明了所提方法的有效性。
2019-07-12 eess.SP
TenSIM: Tensor-Based Channel Estimation for MIMO Systems with Stacked Intelligent Metasurfaces
针对堆叠智能超表面辅助MIMO系统,提出基于张量分解的信道估计框架TenSIM,利用奇偶层分别建模PARAFAC和Tucker模型,实现信道解耦与估计。
2026-07-28 eess.SP
Enhanced channel estimation for double RIS-aided MIMO systems using coupled tensor decomposition
针对双 RIS 辅助 MIMO 系统,提出无干扰训练协议并利用公共信道构建 C-KRAFT 与 C-ALS 耦合张量分解信道估计方法,在更宽松可辨识性条件下提升估计精度。
2024-12-07 eess.SP
Channel Estimation for Reconfigurable Intelligent Surface MIMO with Tensor Signal Modelling
本文针对RIS辅助MIMO系统,利用张量建模将接收信号分解为非RIS与RIS辅助两个CP项,提出两阶段RIS OFF-ON和E-ALS两种信道估计方法,实现所有信道的解耦估计,并通过仿真验证E-ALS以略高的运行时间获得最高估计精度。
2023-11-01 eess.SP
Low-Complexity Tensor Beamforming for RIS-Aided Multiuser Multistream MIMO Systems
Federal University of Ceará(塞阿拉联邦大学);Ilmenau University of Technology(伊尔梅瑙工业大学)
本文提出了一种低复杂度的张量波束成形方法,用于RIS辅助的多用户多流MIMO系统,通过张量投影优化接收组合器、用户预编码器和RIS相位向量,以降低计算复杂度并提高大规模RIS的性能。
2026-05-21 cs.SY eess.SP eess.SY
Tensor-Based Channel Estimation for Dual-Polarized Massive MIMO Systems
3GPP建议将双极化(DP)天线阵列与双向(DD)信道模型相结合以用于下行链路信道估计。这种组合在高容量通信和简约信道建模之间取得了很好的平衡,并且还带来了可及范围内的下行链路信道状态信息的有限反馈方案-因为这种信道可以由几个关键参数完全表征。然而,大多数现有的信道估计工作下的DD模型尚未考虑DP阵列,可能是因为复杂的阵列流形和由此产生的算法设计的困难。在本文中,我们首先揭示了在发送器和接收器处具有DP阵列的DD信道可以自然地建模为低秩张量,从而可以通过张量分解算法有效地估计信道的关键参数。在理论方面,我们表明,DD-DP参数是可识别的非常温和的条件下,利用低秩张量的可识别性。此外,压缩张量分解算法的开发,以减轻下行链路的训练开销。我们表明,通过使用明智地设计的导频结构,信道参数仍然保证通过压缩张量分解公式识别,即使当导频序列的大小比传统的信道识别方法,如线性最小二乘和匹配滤波所需的要小得多。数值模拟显示所提出的方法的有效性。
2018-10-26 eess.SP
A Tensor-Structured Approach to Dynamic Channel Prediction for Massive MIMO Systems with Temporal Non-Stationarity
针对中高移动性场景下大规模MIMO系统CSI时间非平稳性导致的性能下降问题,提出张量结构动态信道预测方法TS-DCP,利用双时间尺度和跨域相关性建模,通过VFE最小化实现低复杂度在线预测,仿真显示其性能显著优于基准算法。
2025-04-13 eess.SP
Sensing and Classification Using Massive MIMO: A Tensor Decomposition-Based Approach
基于无线的活动感测由于其广泛的应用而获得了显著的关注。我们研究了基于无线电的多类分类的人类活动,使用大量的多输入多输出(MIMO)信道测量在视线和非视线的情况下。我们提出了一种基于张量分解的算法,通过利用从测量形成的通道张量的时间,频率和空间的复杂相关特性来提取特征,然后通过神经网络学习输入特征和输出目标标签之间的关系。通过对实际测量数据的评估,证明了即使对于较小的实验数据集,使用大规模MIMO阵列的分类精度也比最先进的方法获得了更好的结果。
2021-09-02 cs.IT eess.SP math.IT
Channel Estimation for Massive MIMO systems using Tensor Cores in GPU
为了有效地使用大规模MIMO系统,快速和准确的信道估计是非常重要的。但是大规模天线阵列的存在需要高导频开销以实现高精度的估计。此外,当与基于软件的处理系统(如CPU和GPU)一起使用时,高处理延迟成为一个主要问题。为了减少导频开销,结合基于PN序列相关性的信道估计方案来实现导频传输方案。然后,为了处理高处理延迟的问题,Nvidia GPU中的Tensor Cores用于计算信道估计。在ORBIT Testbed平台上使用Nvidia V100 GPU进行了实验,验证了导频传输方案的性能。通过改变诸如PN序列长度、信道脉冲响应长度、复用发射机的数量和MIMO的规模等因素,评估了信道估计的张量核实现的准确性和处理延迟。
2022-06-11 cs.DC eess.SP
DOA Estimation for Transmit Beamspace MIMO Radar via Tensor Decomposition with Vandermonde Factor Matrix
研究了张量分解在发射波束域多输入多输出雷达波达方向估计中的应用问题。设计了一种通用的四阶张量模型,使计算效率高的DOA估计。而其他张量分解为基础的方法把所有的因素矩阵作为任意的,所提出的DOA估计方法的本质是充分利用的因素矩阵的Vandermonde结构,以利用不同的子阵列之间和内部的移位不变性。具体地,TB MIMO雷达的接收信号被表示为4阶张量。根据目标多普勒频移,构造的张量被重塑成两个不同的3阶张量。提出了一种计算效率高的张量分解方法来分解范德蒙因子矩阵。通过计算范德蒙因子矩阵的生成元来估计子阵之间的相位旋转,并利用该相位旋转作为查找表来估计目标DOA。它进一步表明,我们提出的方法可以用于更一般的情况下,子阵列结构可以是任意的,但相同的。该方法不需要张量秩的先验信息,并能保证得到精确的分解结果。仿真结果表明,提出的DOA估计方法相比,传统的DOA估计技术的TB MIMO雷达的性能改善。
2021-01-29 cs.IT eess.SP math.IT
Mode-Tensorized Canonical Polyadic Decomposition for MIMO Channel Estimation
Moscow Institute of Physics and Technology(莫斯科物理技术学院)
本文提出了一种基于张量分解的MIMO信道估计方法,通过将信道表示为模式因子化的张量,提高了信道路径分离度,并通过增加张量模式数量提升了分离性能和去噪效果。
2026-05-18 cs.IT eess.SP math.IT
RE-MIMO: Recurrent and Permutation Equivariant Neural MIMO Detection
在本文中,我们提出了一种新的神经网络的MIMO符号检测。它的动机是在无线通信系统中的几个重要的考虑,置换等方差和可变数量的用户。神经检测器学习实现为迭代单元的堆栈的迭代解码算法。每个迭代单元是一个神经计算模块,包括3个子模块:似然模块,编码器模块和预测器模块。似然模块将关于生成(前向)过程的信息注入神经网络。编码器-预测器模块一起更新状态向量和符号估计。编码器模块更新状态向量,并采用基于Transformer的注意力网络以置换等变的方式处理用户之间的交互。预测器模块细化符号估计。模块化和置换等变架构允许处理不同数量的用户。由此产生的神经检测器架构是独特的,并表现出几个理想的属性在任何以前提出的神经检测器。我们将其性能与现有方法进行比较,结果表明我们的网络能够有效地处理可变数量的发射机,具有高精度。
2021-01-23 eess.SP stat.ML
Double Low-Rank 4D Tensor Decomposition for Circular RIS-Aided mmWave MIMO-NOMA System Channel Estimation in Mobility Scenarios
针对移动场景中圆形RIS辅助mmWave MIMO-NOMA系统,提出双低秩四维张量分解与两阶段参数估计方法,实现无模糊信道参数估计并以CRB验证性能。
2025-06-09 eess.SP
Joint DOD and DOA Estimation in Slow-Time MIMO Radar via PARAFAC Decomposition
针对慢时间MIMO雷达多普勒域样本不足问题,提出基于新张量模型与改进交替最小二乘的PARAFAC分解方法,利用阵列范德蒙德结构实现性能更优的联合DOD与DOA估计,仿真验证了有效性。
2020-07-30 cs.IT eess.SP math.IT
Deep Learning-Based Multi-Satellite Massive MIMO Transmission: Centralized or Decentralized?
National Mobile Communications Research Laboratory, Southeast University(东南大学移动通信国家重点实验室);Purple Mountain Laboratories(紫金山实验室);Shanghai Satellite Network Research Institute Co., Ltd.(上海卫星网络研究院有限公司);University of Luxembourg(卢森堡大学)
本文研究多卫星大规模MIMO传输架构,通过优化加权和速率最大化问题,提出基于学习的WMMSE设计和分布式传输方案,提升吞吐量并降低复杂度和通信开销。
2026-03-21 eess.SP
Graph Neural Network Aided MU-MIMO Detectors
The University of Sydney(悉尼大学);HedgeDesk
多用户多输入多输出(MU-MIMO)系统可用于满足5G及更高网络的高吞吐量要求。在上行链路MU-MIMO系统中,基站服务于许多用户,导致大量的多用户干扰(MUI)。设计一个高性能的检测器来处理强大的MUI是一个挑战。本文分析了在高多用户干扰情况下,现有的消息传递(MP)检测器中使用的后验分布近似所导致的性能下降。我们开发了一个基于图神经网络的框架来微调MP探测器的腔分布,从而提高MP探测器的后验分布近似。然后,我们提出了两种新的基于神经网络的检测器,依赖于期望传播(EP)和贝叶斯并行干扰消除(BPIC),被称为GEPNet和GPICNet检测器,分别。GEPNet检测器最大限度地提高了检测性能,而GPICNet检测器则平衡了性能和复杂性。我们提供了证明的置换等变性,允许检测器只训练一次,即使在系统中的用户数量的动态变化。仿真结果表明,GEPNet检测器的性能在各种配置下都接近最大似然性能,GPICNet检测器的复用增益比BPIC检测器提高了一倍。
2022-06-25 cs.AI eess.SP
Tensor Decomposition-Based Wireless Sensing for MIMO-OFDM ISAC via Flexible Spatial-Temporal-Spectral Optimization
Nanjing University of Science and Technology(南京理工大学);Key Laboratory of Near-Range RF Sensing ICs and Microsystems (NJUST), Ministry of Education, School of Electronic and Optical Engineering, Nanjing University of Science and Technology(南京理工大学电子与光学工程学院、近场射频集成电路与微系统教育部重点实验室);Qian Xuesen College, Nanjing University of Science and Technology(南京理工大学钱学森学院);College of Communications Engineering, Army Engineering University of PLA(中国人民解放军陆军工程大学通信工程学院);The Sixty-Third Research Institute, National University of Defense Technology(国防科技大学第六十三研究所);National University of Singapore(新加坡国立大学);Department of Electrical and Computer Engineering, National University of Singapore(新加坡国立大学电气与计算机工程系)
针对现有MIMO-OFDM ISAC系统空-时-频自由度受限的问题,本文提出基于张量分解的灵活空-时-频优化框架,推导CRB并优化天线、子载波与符号分配以提升目标参数估计精度。
2026-08-18 eess.SP
Learning-based Multiuser Beamforming for Holographic MIMO~Systems
School of Electronics and Information Engineering, Beihang University(北京航空航天大学电子工程学院)
研究全息MIMO系统中多用户波束成形问题,针对传统方法不足,提出通过学习等效波束成形器重述问题并引入列空间约束,开发由GGNN和投影模块组成的级联架构,实现更高频谱效率、更低推理延迟及更好泛化能力。
2026-07-14 eess.SP
Search-free DOA Estimation Method Based on Tensor Decomposition and Polynomial Rooting for Transmit Beamspace MIMO Radar
为了提高发射波束域多输入多输出(MIMO)雷达的精度和分辨力,提出了一种基于张量分解和多项式求根的无搜索波达方向(DOA)估计方法。该方法首先利用MIMO雷达接收信号的多线性特性,设计一个三阶张量对接收信号进行建模。然后,利用交替最小二乘(ALS)算法进行张量分解,得到包含目标方位信息的因子矩阵,进而将方位估计问题转化为独立最小化问题。通过利用发送导向矢量的Vandermonde结构,构造多项式函数,通过多项式求根来解决最小化问题。该多项式系数中的因子矩阵可视为广义旁瓣抵消器(GSC)中的分块矩阵,从而在发射波束方向图中形成目标方向上唯一的深零陷。与传统的DOA估计方法不同,该方法不需要谱搜索和波束空间矩阵设计,就可以获得DOA估计。仿真结果验证了该方法的有效性。
2020-10-14 cs.IT eess.SP math.IT
Tensor-Structured Bayesian Channel Prediction for Upper Mid-Band XL-MIMO Systems
针对中高频段XL-MIMO系统在移动性下因信道老化及近场和非平稳传播导致性能下降的问题,提出一种结合张量结构化信道建模与EM框架下双层推理的贝叶斯信道预测方法,有效降低了计算复杂度并提升了预测性能。
2025-08-11 eess.SP
Tensor-based Channel Tracking for RIS-Empowered Multi-User MIMO Wireless Systems
信道状态信息(CSI)的准确估计对于多输入多输出(MIMO)通信系统的成功运行至关重要,特别是在多用户(MU)时变环境中以及采用新兴的可重构智能表面(RISs)技术时。它们主要的被动性质使得用户-RIS-基站链路中所涉及的信道的估计成为一个相当具有挑战性的问题。此外,大多数现实无线信道的时变性质显著提高了实时信道跟踪的成本,特别是在部署大规模RIS时。在本文中,我们开发了一个信道跟踪方案的上行链路的RIS使能的MU MIMO系统中存在的信道衰落。起始点是接收信号的张量表示,并且我们依赖于其并行因子(PARAFAC)分析来获得初始估计并跟踪信道时间变化。仿真结果表明,该方法具有较好的信道跟踪性能。
2022-02-19 cs.IT eess.SP math.IT
Neural Calibration for Scalable Beamforming in FDD Massive MIMO with Implicit Channel Estimation
The Hong Kong University of Science and Technology(香港科技大学);The Hong Kong Polytechnic University(香港理工大学)
信道估计和波束形成在频分双工(FDD)大规模多输入多输出(MIMO)系统中起着关键作用。然而,这两个模块已被视为两个独立的组件,这使得很难实现全局系统最优。在本文中,我们提出了一种基于深度学习的方法,该方法根据接收到的上行链路导频直接优化基站处的波束成形器,从而绕过显式信道估计。与现有的完全数据驱动的方法不同,其中所有模块都被深度神经网络(DNN)取代,提出了一种神经校准方法,以提高端到端设计的可扩展性。特别是,传统的时间有效算法的骨干,即,最小二乘(LS)信道估计器和迫零(ZF)波束形成器被保留,并且DNN被利用来校准它们的输入以获得更好的性能。然后确定所制定的资源分配问题的置换等方差属性,以设计一个低复杂度的神经网络架构。仿真结果将显示所提出的神经校准方法的优越性,在大规模无线网络的频谱效率和可扩展性方面的基准计划。
2021-08-03 cs.LG eess.SP
Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition
Faculty of Exact Sciences and Technology, Pontifical Catholic University of São Paulo (PUC-SP)(精确科学与技术学院,圣保罗天主教大学)
本文提出一种结合张量分解和深度学习的混合估计器,用于在受限于试点的MIMO信道中实现高精度估计,通过结构引导方法提升低秩补全和残差学习的性能。
2026-08-20 cs.AI eess.SP
Tensor-Decomposition-based Hybrid Beamforming Design for mmWave OFDM Massive MIMO Communications
针对单用户毫米波OFDM大规模MIMO系统,提出基于约束Tucker2分解与投影交替最小二乘的混合波束成形设计,可提升平均可达和速率,性能优于现有方案。
2020-11-17 cs.IT eess.SP math.IT
The Perfect Match: RIS-enabled MIMO Channel Estimation Using Tensor Decomposition
针对RIS辅助通信系统中传统信道估计无法提供多分量信道信息的问题,提出基于SECSI算法的张量分解信道估计方法,利用结构化时域导频实现高效高精度的信道估计,支撑RIS智能配置。
2023-05-02 eess.SP
Integrated Sensing and Communication with Massive MIMO: A Unified Tensor Approach for Channel and Target Parameter Estimation
本文针对大规模MIMO-ISAC中信道估计与目标感知两大难题,提出统一张量方法,通过共享训练模式将二者建模为规范多态分解问题,并分析了张量分解唯一性条件与可分辨目标数上限。
2024-01-03 cs.IT eess.SP math.IT
Low-Complexity Joint Active and Passive Beamforming Design for IRS-Assisted MIMO
本文研究IRS辅助MIMO通信中的联合主动与被动波束成形优化,利用信道矩阵的Kronecker乘积结构将全局问题分解为低维子问题,并提出了基于SVD和三阶秩一张量近似的两种闭式算法,在显著降低计算复杂度的同时保持较高频谱效率。
2023-05-24 eess.SP
Deep-Learning-Aided Alternating Least Squares for Tensor CP Decomposition and Its Application to Massive MIMO Channel Estimation
State Key Laboratory of Advanced Rail Autonomous Operation(先进轨道交通自主运行全国重点实验室);School of Electronic and Information Engineering, Beijing Jiaotong University(北京交通大学电子信息工程学院);Department of Microelectronics, Delft University of Technology(代尔夫特理工大学微电子学系)
本文提出DL-CPALS方法,用深度神经网络为CP交替最小二乘生成有利初始化,实现快速准确的CP分解,并应用于毫米波MIMO-OFDM信道估计,显著提升速度与精度。
2024-11-20 cs.AI eess.SP
DMD Prediction of MIMO Channel Using Tucker Decomposition
Lomonosov MSU, Faculty of Computational Mathematics and Cybernetics(莫斯科国立大学计算数学与控制论学院);Marchuk Institute of Numerical Mathematics RAS(俄罗斯科学院马尔丘克数值数学研究所);Center for Next Generation Wireless and IoT (NGW), Skolkovo Institute of Science and Technology(斯科尔科沃科学技术学院下一代无线与物联网中心)
本文提出基于动态模式分解的MIMO信道预测方法,利用Tucker分解获取低维核心张量,降低计算复杂度并提升预测精度。
2026-03-16 cs.IT eess.SP math.IT
Tensor Learning-based Precoder Codebooks for FD-MIMO Systems
Virginia Tech(弗吉尼亚理工大学);Qualcomm(高通公司)
本文提出了一种有效的设计低复杂度的码本预编码在全维(FD)多输入多输出(MIMO)系统与均匀平面阵列(UPA)天线在发射机(Tx)使用张量学习。特别是,我们没有使用统计信道模型,而是利用一种无模型的数据驱动方法,以机器学习为基础,生成适应周围传播条件的码本。我们使用FD-MIMO信道的张量表示,并利用其属性来设计信道预编码器的量化版本。我们找到最佳预编码器的最佳表示作为两个低维预编码器的克罗内克积(KP)的函数,分别对应于UPA的水平和垂直维度,从信道的张量分解获得。然后,我们将该预编码器用于设计乘积码本,使得由于信道状态信息(CSI)的量化而导致的互信息的平均损失最小化。关键的技术贡献在于利用预编码器上的约束,以减少产品码本设计问题的笛卡尔积格拉斯曼流形(CPM)上的无监督聚类问题,其中的集群质心形成一个有限大小的预编码器码本。该码本可以通过在CPM上运行$K$均值聚类来有效地找到。与一个合适的诱导距离度量的CPM,我们表明,产品码书的建设相当于找到最佳的一组质心的因素流形上对应的水平和垂直维度。仿真结果表明,所提出的设计准则在学习的码本和设计的码本有吸引力的性能的能力。
2021-06-21 cs.IT cs.LG eess.SP
PARAFAC-Based Channel Estimation for Intelligent Reflective Surface Assisted MIMO System
智能反射面(IRS)是未来无线通信的新兴技术。它由一个大型2D被动散射元件阵列组成,这些元件控制射频波的电磁特性,以便反射信号在预期接收器处相干叠加或相消叠加,以减少同信道干扰。IRS辅助通信的预期增益取决于信道状态信息的准确性。本文针对IRS辅助的多输入多输出(MIMO)通信系统,提出了两种新的信道估计方法。假设导频和IRS相移的结构化时域模式,我们表明,接收到的信号遵循并行因子(PARAFAC)张量模型,可以利用该模型来估计所涉及的通信信道的封闭形式或迭代。数值结果证实了所提出的信道估计方法的有效性,并突出了所涉及的权衡。
2020-01-17 eess.SP
Target Localization with Coprime Multistatic MIMO Radar via Coupled Canonical Polyadic Decomposition Based on Joint Eigenvalue Decomposition
本文研究互质多基地MIMO雷达目标定位,提出基于联合特征值分解的耦合典型多项式分解方法,利用Vandermonde结构旋转不变性降低计算复杂度,在欠定场景下无需先验知识即优于现有张量方法。
2025-05-28 eess.SP
ZF Beamforming Tensor Compression for Massive MIMO Fronthaul
针对5G/B5G大规模MIMO系统中eCPRI前传容量受限的问题,提出结合稀疏Tucker分解、复Givens分解与游程编码的两阶段ZF波束成形权重张量压缩方法,可减轻前传负载、提升RAN并发流数与CSI压缩效率。
2024-03-06 cs.IT eess.SP math.IT
Simultaneous Direct and Indirect Channel Estimation for RIS-Assisted MIMO Communications
Universidade Federal do Ceará(塞阿拉联邦大学);Ericsson Research(爱立信研究);KTH Royal Institute of Technology(瑞典皇家理工学院)
本文针对RIS辅助MIMO通信提出TenDICE算法,基于扩展PARAFAC张量模型实现直接与间接信道联合估计,经对比其性能优于LS、E-TALS,与KRF相近。
2026-10-12 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
Fully Digital and Hybrid Beamforming Design For Millimeter-Wave MIMO-OFDM Two-Way Relaying Systems
在这项工作中,我们考虑的混合模拟数字(HAD)多载波MIMO-OFDM双向式的【形】中继系统的设计,其中中继站配备了一个HAD放大和转发架构,每个移动台配备了一个全数字波束形成架构。我们提出了一个次优的解决方案,通过重新制定原来的非凸问题作为一个受约束的Tucker 2分解的HAD放大矩阵和他们的全数字对应之间的欧几里德范数和最小化的目标。对于全数字放大矩阵设计,我们使用每个子载波上有效信道的Frobenius范数最大化,并提出了适用于多流通信场景的有效解决方案。在此之后,我们提出了一个交替最大化(AltMax)HAD解决方案,利用张量结构的重新制定的问题。仿真结果表明,所提出的全数字和AltMax为基础的HAD放大矩阵设计优于一些基准方法,特别是对于多流通信场景。
2021-05-20 eess.SP
Massive MIMO-OFDM Channel Acquisition with Time-Frequency Phase-Shifted Pilots
本文提出一种基于时频相移导频和低复杂度张量信息几何方法的大规模MIMO-OFDM信道获取方案,能有效抑制干扰并显著降低NMSE。
2025-05-08 cs.IT eess.SP math.IT