Repeater-Assisted Massive MIMO Downlink Performance with Calibration Errors
The University of Electro-Communications（电气通信大学）；Linköping University（林雪平大学）
本文建模了中继辅助大规模MIMO系统中校准误差的影响，推导了下行频谱效率的解析表达式，并分析了误差显著的特殊情况。
2026-06-15 cs.IT eess.SP math.IT
Repeater-Aided Over-the-Air Phase Synchronization in Distributed MIMO
Ericsson AB（爱立信）；Nokia（诺基亚）；Linköping University（林雪平大学）
本文提出一种利用中继节点实现相位同步的新方法，解决直接通信不可行时的同步问题，提升分布式MIMO系统性能。
2026-03-20 cs.IT eess.SP math.IT
Network-Controlled Repeaters Under Power Amplifier Non-linearities
Bilkent University（比尔肯特大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出了一种考虑非线性失真的上行框架，用于重复器辅助的大规模MIMO系统，通过多项式模型和Bussgang分解提升频谱效率。
2026-04-15 cs.IT eess.SP math.IT
Achieving Fair Random Access Performance in Massive MIMO Crowded Machine-Type Networks
使用大规模多输入多输出（MIMO）来服务一群用户设备（UE）受到导频不足的挑战。假设UE是间歇性活动的，该问题可以通过对导频的共享接入和合适的随机接入（RA）协议来解决。最强用户冲突解决方案（SUCRe）是先前提出的RA协议，其通常赋予更靠近基站（BS）的UE特权。相比之下，我们提出了一种新的RA协议，使用分散的导频功率分配方法，旨在更公平的性能。提出的接入类别禁止功率控制（ACBPC）协议允许每个UE在没有额外开销的情况下估计有多少UE与所选导频发生冲突，并计算ACB因子，然后使用该因子来确定下一个协议步骤中的导频重传概率。结果表明，所提出的ACBPC协议是优于SUCRe在提供一个公平的连接非常拥挤的网络，虽然仍然是分布式和不协调的原始SUCRe协议。
2020-01-11 eess.SP
A Low-Complexity Approach for Max-Min Fairness in Uplink Cell-Free Massive MIMO
我们考虑了上行链路无小区大规模多输入多输出的最大-最小公平性问题，这是一种潜在的技术，用于超越5G网络。更具体地说，我们的目标是最大限度地提高所有用户的每用户功率约束的最小频谱效率，假设在接入点的线性接收组合技术。所考虑的问题可以进一步分为两个子问题：接收机滤波器系数设计和功率控制问题。虽然接收器系数的设计原来是一个广义特征值问题，因此，承认一个封闭的形式的解决方案，功率控制问题是数值麻烦。为了解决功率控制问题，现有的方法依赖于几何规划（GP），这是不适合大规模系统。为了克服GP方法的高复杂度问题，我们首先将功率控制问题转化为一个凸规划，然后采用平滑技术结合加速投影梯度法来求解，仿真结果表明，所提方法与现有的基于GP的方法相比，可以在更短的时间内达到几乎相同的目标.
2020-11-10 eess.SP
Study of Clustering Techniques and Scheduling Algorithms with Fairness for Cell-Free MIMO Networks
本文针对无蜂窝大规模MIMO网络提出了一种基于信息速率的聚类技术，并设计了结合该聚类的公平资源分配与用户调度方案，数值结果证明其优于现有方法。
2024-04-27 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
Utility Maximization for Large-Scale Cell-Free Massive MIMO Downlink
我们认为，系统范围内的效用最大化问题，在下行链路中的一个细胞免费的大规模多输入多输出（MIMO）系统，其中一个非常大的数量的接入点（AP）同时服务于一组用户。具体地，随着用户公平性的增加的顺序的四个基本问题是感兴趣的：（i）最大化平均频谱效率（SE），（ii）最大化比例公平性，（iii）最大化所有用户的谐波速率，以及最后（iv）最大化所有用户的最小SE，服从每个AP处的总和功率约束。由于所考虑的问题是非凸的，现有的解决方案通常依赖于逐次凸逼近找到一个次优解。更具体地，这些已知的方法使用现成的凸解算器来求解导出的凸问题，所述凸解算器基本上实现邻域点算法。这种方法的主要问题是，它们的复杂性并不与问题的大小有利地缩放，限制了以前的研究无小区大规模多输入多输出的中等规模。因此，无小区大规模多输入多输出的潜力尚未被完全理解。为了解决这个问题，我们提出了一个统一的框架的基础上加速投影梯度方法来解决所考虑的问题。特别地，所提出的解决方案是在封闭形式的表达式中找到的，并且只需要目标的一阶预言，而不是已知解决方案中的Hessian矩阵，因此具有更高的存储效率。数值结果表明，我们提出的解决方案实现了相同的效用性能，但运行时间少得多，相比其他二阶方法。针对大规模无小区大规模多输入多输出系统的仿真结果表明，这四种效用函数可以为所有用户提供几乎均匀的服务。换句话说，在大规模无小区大规模多输入多输出中，用户公…
2020-09-20 eess.SP
Power Control for Multigroup Multicast Cell-Free Massive MIMO Downlink
我们考虑了一个多组多播无小区多输入多输出（MIMO）下行链路系统与短期功率约束。特别地，在每个接入点（AP）处采用归一化共轭波束成形方案，以使下行链路功率严格地保持在功率预算之下，而不管小尺度衰落。在所考虑的场景中，AP向多个用户组多播信号，从而同一组中的用户接收相同的消息。在这种设置下，我们感兴趣的是最大化所有组的最小可实现速率，通常称为最大-最小公平性问题，这在此背景下还没有研究过。为了解决所考虑的问题，我们首先提出了一个二分法，实际上已被广泛用于以前的研究无细胞大规模多输入多输出，然后提出了一个加速投影梯度（APG）方法。我们表明，建议的APG方法优于二分法，需要较少的运行时间，同时仍然达到相同的目标值。此外，所考虑的功率控制方案提供了显着改善的性能和更公平的用户之间的相等的功率分配方案相比。
2022-01-13 eess.SP
Mirror Prox Algorithm for Large-Scale Cell-Free Massive MIMO Uplink Power Control
研究了上行链路无小区大规模多输入多输出（MIMO）系统在单用户功率约束下的最大最小公平性问题。解决所考虑的问题的标准框架是分别解决两个子问题：接收机滤波器系数设计和功率控制问题。虽然前者有一个封闭的形式的解决方案，后者已经解决了使用高计算复杂性的二阶方法或一阶方法，提供了一个近似的解决方案。为了解决现有方法的这些缺点，我们提出了一种基于镜像prox的功率控制问题的方法，通过等价地将其转化为一个凸-凹问题，并应用镜像prox算法来找到一个鞍点。仿真结果证明了该方法的最优性，并证明了该方法比已知方法更有效。我们还得出结论，对于大规模无小区大规模多输入多输出，线性接收合并和功率控制的联合优化提供了显着更好的用户公平性比功率控制的唯一方案，其中接收机系数固定为1。
2022-09-20 eess.SP
Centralized and Distributed Power Allocation for Max-Min Fairness in Cell-Free Massive MIMO
无小区大规模MIMO系统由大量地理上分布的接入点（AP）组成，这些接入点通过相干联合传输为用户提供服务。下行链路功率分配在这些系统中是重要的，以确定哪些AP应该向哪些用户以及以什么功率进行传输。如果该系统正确实现，它可以提供比传统蜂窝网络更均匀的用户性能。为此，以前的作品已经示出了如何执行系统范围的最大-最小公平功率分配时，使用最大比预编码。在本文中，我们首先将此方法推广到任意的预编码，然后训练神经网络执行近似相同的功率分配，但降低了计算复杂性。最后，我们训练每个AP一个神经网络来模拟系统范围的最大-最小公平功率分配，但只使用本地信息。通过学习本地传播环境的结构，该方法优于来自无小区大规模MIMO文献的最先进的分布式功率分配方法。
2021-12-31 cs.IT eess.SP math.IT
Pilot and Data Power Control for Uplink Cell-free massive MIMO
University of York（约克大学）；University of Surrey（萨里大学）
本文提出了一种迭代算法，通过动态调整飞行员和数据功率控制，优化无源大规模MIMO系统的频谱效率和公平性。
2025-02-26 eess.SP
Unsupervised Learning for Scalable Downlink Power Control in Cell-Free Massive MIMO
ENEA（意大利国家新能源、可再生能源和可持续发展局）；University of Cassino and Southern Lazio（卡西诺与拉齐奥南部大学）；Consorzio Nazionale Interuniversitario per le Telecomunicazioni（意大利大学电信联合体）
提出一种无监督、物理信息驱动的框架，直接优化无蜂窝大规模MIMO系统中的最大最小公平性，无需最优标签或用户位置信息，实现用户数量可扩展且无需重新训练，将最差用户频谱效率提升近一倍。
2026-10-28 eess.SP
Multi-Stream Transmission in Cell-Free MIMO Networks with Coherent AP Clustering
本文针对无小区MIMO网络提出多流选择框架，通过相干AP聚类实现部分相干传输，并开发动态流选择算法以优化总速率和减少干扰，提升了频谱效率与公平性。
2025-04-14 eess.SP
Long-Term Rate-Fairness-Aware Beamforming Based Massive MIMO Systems
本文研究全维 MU m-MIMO 中的长期速率公平波束成形，利用信道协方差优化 SLNR 最大-最小、GM-SLNR 与软最大-最小目标，并提出凸求解及闭式可扩展算法，仿真验证了公平性提升。
2023-12-09 cs.IT eess.SP math.IT
Max-Min Fair Wireless-Powered Cell-Free Massive MIMO for Uncorrelated Rician Fading Channels
本文研究了无小区大规模多输入多输出系统，其中多天线接入点（AP）通过无线功率传输辅助单天线用户设备（UE）。UE利用在下行链路中收集的能量来向AP发送上行链路导频和信息信号。我们认为实际的莱斯衰落的视线分量的信道被相移在每个相干块。推导了该模型的上行链路频谱效率（SE），并考虑了最大最小公平性问题，其中优化变量为AP和UE功率控制系数以及大尺度衰落解码向量。目标是在AP和UE的传输功率约束下最大化用户的最小SE。提出了一种交替优化算法来求解高耦合非凸问题。
2020-01-25 cs.IT eess.SP math.IT
Improving Fairness for Cell-Free Massive MIMO Through Interference-Aware Massive Access
无小区大规模多输入多输出（CF mMIMO）通过协调比用户设备（UE）多得多的接入点（AP）来提供良好的干扰管理。当UE的数量接近AP的数量并且远远超过导频的数量时，确定哪些AP应该利用哪些导频服务哪些UE变得具有挑战性。与以前的工作相比，在这样的大规模接入场景中，需要在频谱效率（SE）和实现简单性之间进行更好的折衷。针对CF mMIMO系统中的大规模干扰特性，提出了一种基于干扰感知的大规模接入（IAMA）方案，实现AP与UE的联合关联和导频分配。我们提出了一个干扰感知的奖励作为一种新的性能指标，并使用它来开发两个迭代算法来优化关联和导频分配。数值结果表明，我们的IAMA计划在用户公平性和平均SE的基准计划的显着优势。
2022-12-05 cs.IT eess.SP math.IT
Generalized Framework for a Fair Comparison of Cellular and Cooperative Massive MIMO Systems
Hamburg University of Technology (TUHH)（汉堡工业大学）；Technische Universität Wien（维也纳工业大学）
提出基于图的框架，区分天线分布与站点间协作，推导谱效率表达式，通过数值仿真揭示公平比较需大仿真区域，并指出协调波束成形是协作增益主要来源。
2026-06-15 cs.IT eess.SP math.IT
User-Centric Clustering Under Fairness Scheduling in Cell-Free Massive MIMO
针对无蜂窝大规模MIMO公平调度中导频和聚类频繁重分配的高开销问题，提出固定分配方案，在提升UE吞吐量的同时大幅减少控制信令交换。
2023-05-15 cs.IT eess.SP math.IT
Max-Min Fair Precoder Design and Power Allocation for MU-MIMO NOMA
研究了下行多输入多输出（MIMO）非正交多址接入（NOMA）无线通信系统。在NOMA系统中，基站具有针对所有用户的单播数据，并且组中的多个用户共享相同的资源。我们的目标是设计发射预编码器和功率分配系数联合提供最大-最小公平性（MMF）之间的最强的用户在每个组中，同时保持最低的目标速率为所有其他用户。这个问题是通过两个主要的迭代方法来解决的。第一种方法是基于半定松弛（SDR）和连续凸逼近（SCA），和第二种方法是基于可达速率和最小均方误差（MMSE）的表达式之间的等价性。对于后一种方法，Karush-Kuhn-Tucker（KKT）的最优性条件的推导和表达式所满足的最佳接收机，MMSE权重和最佳预编码器。提出的算法进行了比较，速率分裂（RS），正交多址接入（OMA）和多用户线性预编码（MULP）计划的MMF率，能源效率和复杂度。结果表明，当RS具有最佳的MMF速率和能量效率时，基于KKT最优性条件的MMSE方法具有最小的复杂度。此外，SDR/SCA方法提供了很好的折衷。它提供高MMF速率、低复杂性和卓越的能效。
2020-08-05 cs.IT eess.SP math.IT
Fast Algorithms for Joint Multicast Beamforming and Antenna Selection in Massive MIMO
大规模多输入多输出是目前领先的物理层技术候选技术，可以显着提高5G系统中单播和多播传输模式的吞吐量。由于与射频（RF）链相比，天线元件在mmW范围内变得更小和更便宜，因此在发射机处执行天线选择是至关重要的，使得可用的RF链被切换到天线的适当子集。研究了大规模多输入多输出系统中单个多播组的多播波束形成和天线选择问题。该问题的现有技术依赖于半定松弛（SDR），其不能按比例放大到大规模多输入多输出状态。提出了一种基于连续凸近似（SCA）的最大最小公平多播波束形成和天线选择联合算法。SCA的核心思想是用一类非光滑的凸优化问题逐次逼近非凸问题。两个快速和内存有效的一阶方法，提出了解决每个SCA子问题。仿真结果表明，所提出的算法优于现有的最先进的方法在解决方案的质量和运行时间，在传统的，特别是在大规模多输入多输出设置。
2020-03-04 eess.SP
Anti-jamming Transmission of Downlink Cell Free Millimeter-Wave MIMO System
本文针对多用户下行毫米波 CF-MIMO 系统，提出了一种基于交替优化的抗干扰混合波束成形（AO-AJHBF）方案，通过结合广义瑞利商和低复杂度投影梯度上升法，有效提升了系统的可抵抗干扰功率。
2024-10-14 eess.SP
Low-Complexity SDP-ADMM for Physical-Layer Multicasting in Massive MIMO Systems
本文针对大规模MIMO系统中NP难的MMF多播波束赋形优化问题，提出低复杂度SDP-ADMM算法，以大幅降低的计算开销获得与现有最优算法相当的近全局最优秩1解。
2025-04-08 eess.SP
Cell-Free MIMO with Rotatable Antennas: When Macro-Diversity Meets Antenna Directivity
Shanghai Jiao Tong University（上海交通大学）
本文提出了一种利用可旋转天线的无基站MIMO网络，通过优化波束成形和天线方向以提高最差用户速率并增强公平性。
2026-05-06 eess.SP
Spatial separation of closely-spaced users in measured distributed massive MIMO channels
为评估分布式大规模MIMO系统对近距离用户的空间分离能力，本文通过室内信道测量实验，在不同条件下分析相关指标，发现视距条件下分布式配置正交性更优、ZF预编码性能接近DPC，为6G空间复用提供实测依据。
2024-11-27 eess.SP
Trade-offs in Reliability and Performance Using Selective Beamforming for Ultra-Massive MIMO
针对超大规模MIMO系统，提出一种结合天线健康信息的阵列选择准则，采用对偶近端梯度上升法求解稀疏阵列选择问题，在保证用户最小速率需求下实现比例公平，揭示了稀疏性权重γ对频谱效率、通信速率、波束成形矩阵密度和天线可靠性的权衡影响。
2026-06-07 eess.SP
Energy-Efficient Cell-Free Massive MIMO with Wireless Fronthaul
针对无蜂窝大规模 MIMO 光缆前传及全天线激活带来的高成本与高功耗问题，提出无线前传下联合天线激活和功率分配算法，在满足 QoS 与前传容量约束时显著降低端到端功耗。
2024-12-03 eess.SP
Transmit Power Allocation for Joint Communication and Sensing through Massive MIMO Arrays
本文考虑的情况下，一个基站（BS），配备了一个大规模的天线阵列，执行，使用相同的频率范围内，既与移动用户的通信和雷达监视周围环境，依赖于大规模MIMO阵列的能力，以合成多个窄波束。基于用于通信和监视任务的OFDM信令格式，提供了系统可实现的下行链路速率的下限，以及不需要关于目标参数的任何知识的GLRT检测规则。然后，提出了一种功率分配策略，旨在最大限度地提高移动用户的公平性，同时保证最小的信号干扰比的雷达系统的阈值。数值结果表明，该系统的性能是有效的，功率控制过程有助于提高系统的公平性。
2020-03-29 cs.IT eess.SP math.IT
Learning-Assisted User Clustering in Cell-Free Massive MIMO-NOMA Networks
非正交多址接入（NOMA）系统通过更有效地利用用户分簇（UC）来实现更高的频谱效率（SE）和用户公平性。然而，一个随机UC肯定会导致一个次优的解决方案，而穷举搜索方法是以高复杂度为代价的，特别是对于中到大规模的系统。为了解决这个问题，我们开发了两个有效的无监督机器学习（ML）的UC算法，即k-means++和改进的k-means++，有效地将用户聚类到不相交的无细胞的大规模多输入多输出（CFmMIMO）系统的集群。在接入点使用全导频迫零，我们得出的总和SE在封闭形式的表达考虑到集群内的导频污染，集群间干扰，和不完善的连续干扰消除的影响。为了全面评估系统的性能，我们制定的总和SE优化问题，然后开发一个简单而有效的迭代算法的解决方案。此外，本文还分析了同位大规模多输入多输出-NOMA（COmMIMO-NOMA）系统的性能。数值结果表明，所提出的UC算法相比，其他基线计划的优越性能。实验结果也验证了NOMA算法在CFmMIMO和COmMIMO系统中的有效性。
2020-11-15 eess.SP
User Subgrouping and Power Control for Multicast Massive MIMO over Spatially Correlated Channels
针对空间相关瑞利衰落信道下的多播大规模MIMO系统，提出基于信道相关矩阵相似性的用户分组策略及两种功率分配方案，可显著提升频谱效率并利用信道相关性增强通信性能。
2024-09-18 eess.SP
User Subgrouping in Multicast Massive MIMO over Spatially Correlated Rayleigh Fading Channels
大规模多输入多输出（MaMIMO）多播在过去几年中受到了极大的关注。MaMIMO是5G系统的关键推动者，可实现即将推出的服务的极高数据速率。物理层的多播是一种有效的服务多个用户，同时要求相同的服务和共享无线资源的方式。本文提出了一种基于空间信道特性的多播用户分组策略，以改进信道估计和预编码过程。我们采用最大最小公平（MMF）的功率分配策略，以最大限度地提高最低频谱效率（SE）的组播服务。此外，我们探讨了空间复用与正交（时间/频率）多址接入的组合。通过改变基站（BS）的天线数量和用户的空间分布，我们还提供了最佳的子组配置，最大化每个子组的频谱效率。最后，我们表明，服务的多播用户到两个正交的时间/频率间隔提供了更好的性能比只依赖于空间复用。
2021-02-19 eess.SP
Distributed Massive MIMO with 1-Bit Radio-over-Fiber Fronthaul: Uplink Spectral Efficiency and Power Control
Chalmers University of Technology（查尔姆斯理工大学）；Hangzhou Dianzi University（杭州电子科技大学）
针对1比特射频光纤前传的分布式MIMO系统，提出无需MMSE信道估计的可达速率表达式，利用Bussgang分解线性化输入输出关系，优化信噪比和过采样，解决最大最小公平功率控制问题。
2026-06-26 eess.SP
Multi-User Hybrid Precoding for Dynamic Subarrays in MmWave Massive MIMO Systems
动态子阵列实现了毫米波（mmWave）大规模多输入多输出（MIMO）系统的和速率与硬件复杂度之间的折衷，其中天线元件根据信道状态信息被动态地划分到射频（RF）链。然而，多用户的混合预编码的动态子阵列是难以解决的天线划分会导致用户的不公平性和多用户干扰（MUI）。本文提出了一种新的多用户混合预编码框架的动态子阵列结构。与现有方案不同，基站首先根据模拟有效信道选择多用户集。然后根据信号对干扰噪声比（SINR）的最大增量，将每个天线单元分配到RF链中。最后，针对动态子阵结构，对混合预编码进行了优化。通过计算所选用户的模拟有效信道上的SINR，天线划分可以大大降低计算复杂度和搜索空间的大小。此外，它还保证了用户公平性，因为每个天线单元被分配以获得所有选择的用户的最大SINR增量。\textcolor{blue} {大量的仿真结果表明，该方案的能量效率和速率都明显优于固定子阵，并且与全连接结构相比，在和速率略有损失的情况下获得了更高的能量效率。
2019-06-18 eess.SP
Pilot Assignment in Cell-Free Massive MIMO based on the Hungarian Algorithm
本文主要研究无小区大规模MIMO系统中的导频分配问题。利用著名的匈牙利算法，提出了两个过程，一个最大化系统吞吐量，另一个最大化用户间的公平性。该算法基于大尺度衰落系数的知识作为系统中用户之间距离的代理，并考虑到上行链路和下行链路性能。数值结果表明，所提出的导频分配算法是有效的，并优于许多竞争的替代方案在文献中。
2020-08-26 cs.IT eess.SP math.IT
Hybrid OTFS/OFDM Design in Massive MIMO
针对不同移动性用户的下行链路大规模MIMO系统，提出混合OTFS/OFDM调制方案及FZF和PZF预编码设计，并设计加权最大-最小功率控制方案以优化频谱效率与用户公平性。
2024-08-28 cs.IT eess.SP math.IT
Fairness Scheduling in User-Centric Cell-Free Massive MIMO Wireless Networks
针对用户数远超天线数的以用户为中心无蜂窝大规模 MIMO 网络，提出基于信息中断概率、冲突图与自适应瞬时速率调度的动态公平调度方法。
2024-04-09 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
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
How Much Do Downlink Pilots Improve Cell-Free Massive MIMO?
在本文中，我们分析了包括下行链路导频在无小区的大规模MIMO系统的好处。我们推导出一个近似的每个用户可实现的共轭波束成形处理，其中考虑到上行链路和下行链路的信道估计误差，和功率控制的下行链路速率。在每用户净吞吐量方面进行了性能比较，考虑无小区的大规模MIMO操作，有和没有下行链路训练，对于不同的网络密度。我们还考虑到在下行链路中的最大-最小公平功率控制提供的性能改善。数值结果表明，利用下行链路导频，性能可以显着提高在低密度网络中的传统方案，其中用户只依赖于统计信道知识。在高密度网络中，性能改进是适度的。
2016-09-13 cs.IT eess.SP math.IT
RIS-Aided Cell-Free Massive MIMO Systems: Joint Design of Transmit Beamforming and Phase Shifts
本文研究了RIS辅助的无小区大规模MIMO系统，其中多个RIS被部署以辅助多个接入点（AP）和多个用户之间的通信，其中RIS处具有连续或离散相移。我们制定的最大-最小的公平性问题，最大限度地提高所有用户之间的最低可实现的速率，通过联合优化在主动AP的发射波束成形和在被动RISs的相移，在AP的功率约束。为了解决这样一个具有挑战性的问题，我们首先研究了特殊的单用户场景，并提出了一种算法，可以将优化问题转化为半定规划（SDP）或整数线性规划（ILP）的连续和离散相移的情况下，分别。通过求解所得的SDP和ILP，我们首先获得最佳相移，然后据此设计最佳发射波束形成。为了解决多用户场景下RISs连续相移的优化问题，本文对单用户算法进行了扩展，提出了一种交替优化算法，该算法首先将最大最小公平性问题分解为与发射波束形成和相移相关的两个子问题，然后将这两个子问题分别转化为二阶锥规划和SDP。对于多用户场景和离散相移，最大最小公平性问题是一个混合整数非线性规划（MINLP）。为了解决这个问题，我们设计了一个基于ZF的连续细化算法，它可以找到一个次优的发射波束形成和相移交替优化的手段。数值结果表明，与不使用RIS的随机相移基准方案相比，所提算法能显著提高所有用户间的最小可达速率，尤其是当每个RIS的反射单元数较大时。
2021-12-13 cs.IT eess.SP math.IT
Cell-Free Massive MIMO with Large-Scale Fading Decoding and Dynamic Cooperation Clustering
研究了以用户为中心的无小区大规模MIMO（多输入多输出）系统的上行链路。我们利用以用户为中心的动态合作聚类（DCC）框架，并得出可实现的频谱效率与两层解码，分为接入点和中央处理器（CPU）之间。这种解码方法也被称为大规模衰落解码（LSFD）。前传信令负载进行了分析，并提出了一个接近最佳的第二层解码方案的CPU相比，最佳方案，以减少前传的要求。我们还重新审视了LSFD权重和上行链路功率控制的联合优化，并表明相应的最大最小公平优化问题可以通过一个有效的固定点算法得到最佳解决。我们提供的模拟带来了新的见解，无细胞的大规模MIMO实现。
2021-09-09 cs.IT eess.SP math.IT
CURE: Enabling RF Energy Harvesting using Cell-Free Massive MIMO UAVs Assisted by RIS
不断发展的物联网（IoT）导致了众多无线传感器的增长，通过互联网基础设施进行通信。在设计使用这些传感器的网络时，一个关键方面是这些设备的寿命和自我可持续性。为了延长这些传感器的寿命，射频能量收集（RFEH）技术已被证明是有前途的。在本文中，我们提出了CURE，这是一种新的RFEH框架，有效地结合了无小区大规模MIMO（CFmMIMO），无人机（UAV）和可重新配置智能表面（RIS）的优点，为物联网设备提供无缝的能量收集。我们认为无人机作为一个接入点（AP）在CFmMIMO框架。为了增强RFEH的信号强度和信息传输，我们利用了RISs的被动反射能力。基于广泛的模拟，我们验证我们的框架的性能，通过比较最大最小公平性（MMF）算法的收获的能量。
2021-07-22 cs.NI eess.SP
Hierarchical Cell-Free Massive MIMO: A Simplified Design for Uniform Service Quality
本文提出分层无蜂窝大规模MIMO设计，通过减少接入点并集中天线至中央基站，在保持均匀服务质量的同时降低成本，显著提升蜂窝边缘用户速率并降低功耗。
2025-04-25 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
What is the Most Efficient Technique for Uplink Cell-Free Massive MIMO?
本文通过建立统一分析框架和通用功率控制优化策略，从公平性、容量、前传开销和复杂度四个维度系统比较无蜂窝大规模MIMO上行链路技术，最终确定实际部署中的最优方案。
2025-08-28 cs.IT eess.SP math.IT
A Heterogeneous Massive MIMO Technique for Uniform Service in Cellular Networks
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Technische Universität (RPTU) Kaiserslautern（凯泽斯劳滕工业大学）
本文提出一种异构大规模MIMO技术，通过集中式和分布式节点的协同，实现蜂窝网络中均匀的服务质量，同时降低基础设施成本。
2026-01-26 cs.IT eess.SP math.IT
Achieving Optimal Performance-Cost Trade-Off in Hierarchical Cell-Free Massive MIMO
本文首次系统分析分层无蜂窝大规模MIMO的上行链路配置，提出统一频谱效率框架和分层合并方法，证明采用集中式迫零合并的HCF可实现性能与成本的最优权衡。
2025-08-28 cs.IT eess.SP math.IT
Deep Learning-based Power Control for Cell-Free Massive MIMO Networks
Centre for Wireless Communications, University of Oulu（奥卢大学无线通信中心）
提出了一种基于深度学习的功率控制算法，解决了无小区大规模多输入多输出（MIMO）系统中的最大最小用户公平性问题。提出了无小区大规模多输入多输出上行链路建立中的最大最小速率优化问题，即优化用户功率分配以最大化最小用户速率。我们提出的解决方法是使用DL，而不是使用数学优化理论建模问题，并使用迭代算法求解。具体来说，我们对深度神经网络（DNN）进行建模，并以无监督的方式对其进行训练，以学习最佳用户功率分配，从而最大化最小用户速率。这种新颖的基于无监督学习的方法不需要像以前使用的监督学习技术那样在模型训练期间知道最佳功率分配，因此它具有更简单和灵活的模型训练阶段。数值结果表明，所提出的DNN实现了性能-复杂度的权衡，实现速度约为400倍，性能与基于优化的算法相当。还引入了一个在线学习阶段，这导致了接近最佳的性能，处理速度提高了4-6倍。
2021-02-20 cs.LG eess.SP
Downlink Spectral Efficiency of Cell-Free Massive MIMO with Full-Pilot Zero-Forcing
与蜂窝通信相比，由于增加了宏分集，大规模多输入多输出（MIMO）可确保以高频谱效率（SE）进行无处不在的通信。然而，系统的可扩展性和性能受到前传业务和干扰的限制。与仅抑制小区内干扰的常规预编码方案不同，在[1]中引入的全导频迫零（fpZF）还主动地抑制小区间干扰，而不在接入点（AP）之间共享信道状态信息（CSI）。在这项研究中，我们推导出一个新的封闭形式的表达的下行链路（DL）SE的无小区大规模MIMO系统与多天线AP和fpZF预编码，不完美的CSI和导频污染。该分析还包括最大-最小公平DL功率优化。数值结果表明，fpZF显着优于最大比传输方案，而不增加前传开销，只要系统是充分分布。
2019-09-06 cs.IT eess.SP math.IT
Performance of Cell-Free MmWave Massive MIMO Systems with Fronthaul Compression and DAC Quantization
针对无小区毫米波（mmWave）大规模多输入多输出（MIMO）系统，提出了一种基于最大最小功率分配的迫零（ZF）预编码器，该预编码器采用低分辨率数模转换器（DAC），前传链路容量有限。所提出的功率分配的目的是实现最大-最小的公平性上的可实现的速率下限的用户的加性量化噪声模型（AQNM），它模仿的效果，低分辨率DAC。为了解决最大-最小功率分配问题，提出了一种交替优化（AO）方法，该方法在每次AO迭代中都能得到构成原问题的子问题的全局最优解，从而保证了算法的收敛性.在仿真结果中探索了无小区系统和小小区系统的性能，这表明不太小的前传容量足以使无小区系统优于小小区系统。
2021-01-25 cs.IT eess.SP math.IT
Cell-Free Massive MIMO for ISAC: Access Point Operation Mode Selection and Power Control
本文针对无蜂窝大规模MIMO ISAC系统，提出AP操作模式选择与功率控制方法，在满足感知约束下最大化用户最小频谱效率，显著提升通信性能。
2023-10-13 cs.IT eess.SP math.IT
EMF-Aware Power Control for Massive MIMO: Cell-Free versus Cellular Networks
针对EMF约束下的CF-mMIMO系统，本文提出上行与下行最大化用户最小速率的功率控制方法，并证明其在满足电磁安全限制的同时优于蜂窝mMIMO且提升公平性。
2024-04-24 cs.IT eess.SP math.IT
Structured Massive Access for Scalable Cell-Free Massive MIMO Systems
如何满足超五代（B5 G）网络中不断增长的用户数量、更高的数据速率和严格的服务质量（QoS）要求？无小区的大规模多输入多输出（MIMO）被认为是一种很有前途的解决方案，其中多个无线接入点通过利用相干信号处理来协作以联合服务于用户。然而，在无小区的大规模多输入多输出系统中仍然存在许多未解决的实际问题，其中可扩展的大规模接入实现是最重要的问题之一。本文提出了一种新的无小区大规模多输入多输出系统结构化大规模接入框架，包括一种初始接入算法、一种部分大规模衰落解码（P-LSFD）策略、两种导频分配方案和一种分数功率控制策略。新的封闭形式的频谱效率（SE）的最大比（MR）合并的表达式。仿真结果表明，我们提出的框架提供了高SE时，使用局部部分最小均方误差（LP-MMSE）和MR合并。具体而言，所提出的初始接入算法和导频分配方案优于其相应的基准，P-LSFD实现可扩展性与传统的最佳大规模衰落解码（LSFD）相比，可以忽略不计的性能损失，和可扩展的分数功率控制提供了一个可控的用户公平性和平均SE之间的权衡。
2020-06-18 cs.IT eess.SP math.IT
Uplink Hardware Impairments in OFDM-Based Cell-Free Massive MIMO With Impaired Wireless Fronthaul
Bilkent University（比尔肯特大学）
本文研究OFDM无小区大规模MIMO在硬件损伤下的上行性能，提出统一分析框架推导闭式表达式，并采用失真感知合并与最大最小公平资源分配以缓解性能下降。
2026-09-23 cs.IT eess.SP math.IT
