Downlink Pilot Precoding and Compressed Channel Feedback for FDD-Based Cell-Free Systems
无小区系统是一种由多个基站协同为用户提供服务的无线通信系统，作为未来无线通信系统的一项重要技术，受到了广泛的关注。为了最大化无小区系统中的协作增益，在BS处获取下行链路信道状态信息（CSI）是至关重要的。虽然由于信道互易性，该任务对于时分双工（TDD）系统相对容易，但是由于CSI反馈开销，该任务对于频分双工（FDD）系统不容易。由于用户需要反馈多个BS的CSI，因此该问题在无小区系统中甚至更加明显。在本文中，我们提出了一种新的反馈减少技术的FDD为基础的无细胞系统。该方法的主要特点是选择几条主要路径，然后反馈所选路径的路径增益信息（PGI）。通过利用上行链路和下行链路信道中的离开角（AoD）非常相似的特性（该特性被称为角度互易性），BS直接从上行链路导频信号获得AoD。从大量的模拟，我们观察到，所提出的技术可以实现超过80%的反馈开销减少传统的CSI反馈方案。
2019-09-16 cs.IT math.IT
Sparse Channel Estimation for Massive MIMO with 1-bit Feedback per Dimension
在大规模多输入多输出（MIMO）系统中，在发射端获取信道状态信息（CSIT）是至关重要的。针对频分复用（FDD）大规模MIMO系统，提出了一种实用的CSIT估计方法。具体地，每个接收的导频符号首先在接收器侧被量化为每维一个比特，然后量化的比特被反馈到发射器。在发射端采用联合一比特压缩感知算法来恢复信道矩阵。该算法利用用户信道矩阵中隐藏的联合稀疏结构来最小化训练和反馈开销，这被认为是FDD系统的主要挑战。此外，一比特压缩感知算法准确地恢复信道方向的波束形成。一比特反馈机制可以在使用上行链路控制信道的实际系统中实现。仿真结果表明，该方案几乎达到最大输出信噪比的波束形成的基础上估计CSIT。
2016-10-11 cs.IT cs.NI math.IT
Downlink CSIT under Compressed Feedback: Joint vs. Separate Source-Channel Coding
针对频分双工多用户大规模MIMO系统下行CSIT获取难题，提出单时隙延迟下利用信道二阶统计量优化特征空间投影的实用JSCC反馈方案，推导相关性能下界，实验验证其性能优于多种基线方案且逼近最优DR理论性能。
2025-06-12 cs.IT math.IT
Distributed Compressive CSIT Estimation and Feedback for FDD Multi-user Massive MIMO Systems
为了充分利用大规模MIMO的空间复用增益或阵列增益，必须在发射端获得信道状态信息（CSIT）。然而，传统的CSIT估计方法不适合FDD大规模MIMO系统，因为压倒性的训练和反馈开销。在本文中，我们考虑多用户大规模MIMO系统，并部署压缩感知（CS）技术，以减少训练以及CSIT估计的反馈开销。多用户大规模MIMO系统由于物理传播环境中共享的局部散射点，在用户信道矩阵中表现出隐藏的联合稀疏结构。因此，而不是天真地应用传统的CS的CSIT估计，我们提出了一个分布式压缩CSIT估计方案，使压缩的测量在用户本地观察，而CSIT恢复在基站联合执行。提出了一种联合正交匹配追踪恢复算法，利用用户信道矩阵中隐藏的联合稀疏性进行CSIT恢复。我们分析所获得的CSIT质量的归一化平均绝对误差，并通过封闭形式的表达式，我们获得简单的见解如何联合信道稀疏性可以被利用，以提高CSIT恢复性能。
2014-05-12 cs.IT math.IT
Sub-Nyquist Channel Estimation over IEEE 802.11ad Link
如今，以60GHz无线电频带为中心的毫米波通信日益成为近场通信的优选技术，因为它提供几GHz宽的传输带宽。IEEE 802.11ad标准已经被开发用于60 GHz传输环境中的商用无线局域网。被设计为处理IEEE 802.11ad波形的接收机采用非常高速率的模数转换器，因此，降低接收机采样率可能是有用的。在这项工作中，我们研究的问题，低速率信道估计的IEEE 802.11ad 60 GHz的通信链路利用稀疏的信道脉冲响应。特别是，我们专注于单载波调制，并利用其单载波物理层帧的信道估计字段中嵌入的802.11ad波形的特殊结构。我们研究了这个问题的各种次奈奎斯特采样方法，并使用压缩感知技术恢复信道。我们的数值实验表明，我们的程序的可行性高达七分之一的奈奎斯特速率与最小的性能恶化。
2017-08-07 cs.IT math.IT
Design of an Efficient CSI Feedback Mechanism in Massive MIMO Systems: A Machine Learning Approach using Empirical Data
大规模多输入多输出（mMIMO）机制在精确获取信道状态信息（CSI）的情况下获得空间分集和复用增益的益处。在当前的通信架构中，下行链路CSI由用户设备（UE）经由专用导频估计，然后反馈给gNodeB（gNB）。反馈信息被压缩，目的是减少空中开销。这种压缩增加了所获取的CSI的不准确性，从而降低了整体频谱效率。提出了一种基于机器学习（ML）的CSI反馈算法，该算法利用双通道预测器，计算量小.所提出的方法可以用于时分双工（TDD）和频分双工（FDD）系统，并且它允许减少反馈开销并提高所获取的CSI准确度。为了观察到真正的好处，我们证明了所提出的方法使用的经验数据记录在诺基亚在德国斯图加特的校园的性能。数值结果表明，所提出的方法在减少开销，最大限度地减少量化误差，提高频谱效率，余弦相似性，和预编码增益相比，传统的CSI反馈机制的有效性。
2022-08-25 cs.IT eess.SP math.IT
CNN-based Analog CSI Feedback in FDD MIMO-OFDM Systems
Imperial College London（帝国理工学院）
大规模多输入多输出（MIMO）系统需要在基站（BS）处的下行链路信道状态信息（CSI）以更好地利用可用的空间分集和复用增益。然而，在频分双工（FDD）大规模MIMO系统中，CSI反馈开销降低了整体频谱效率。基于卷积神经网络（CNN）的CSI反馈压缩方案最近由于压缩效率的显著改进而受到很多关注;然而，它们仍然需要可靠的反馈链路来将压缩的CSI信息传送到BS。相反，我们在这里提出了一种基于CNN的模拟反馈方案，称为AnalogDeepCMC，它直接将下行链路CSI映射到上行链路信道输入。对应的噪声信道输出被另一个CNN用来重构DL信道估计。所提出的方案不仅在可实现的下行链路速率方面优于现有的数字CSI反馈方案，而且由于其不需要显式量化、编码和调制而简化了操作，并且提供了低延迟的替代方案，特别是在快速变化的MIMO信道中，其中CSI需要被周期性地估计和反馈。
2019-10-23 cs.IT cs.LG eess.SP
Deep Joint CSI Feedback and Multiuser Precoding for MIMO OFDM Systems
提出一种基于深度学习的联合CSI反馈与多用户预编码方法，利用深度联合信源信道编码压缩CSI特征向量并联合调整预编码方向与功率，显著提升了低信噪比与低反馈开销下的下行和速率。
2024-04-25 cs.IT eess.SP math.IT
Aggregated Network for Massive MIMO CSI Feedback
在频分复用（FDD）模式下，需要从用户设备向基站发送信道状态信息（CSI）。大规模多输入多输出（MIMO）系统的下行链路CSI是获取潜在增益的关键。近年来，深度学习被广泛应用于大规模MIMO CSI反馈任务，并与传统的压缩感知方法进行了比较。本文设计了一种新型的网络ACRNet，通过网络聚合和参数化RuLU激活来提高反馈性能。此外，有效的方法来扩展网络结构，以换取更好的性能，首先在CSI反馈任务进行了讨论。实验表明，ACRNet在没有任何额外信息的情况下，性能优于以前最先进的反馈网络。
2021-05-04 cs.AI cs.IT eess.SP
Compressive Channel Estimation for Two-way Relay Network in a Frequency-Selective Channel with Compressed Sensing
为了在无线频率选择性信道上实现高数据率传输，引入了双向中继网络（TWRN）。然而，TWRC不仅需要相干数据检测的信道状态信息（CSI）的知识，而且还为自数据删除。这部分地通过训练基于序列的线性信道估计来实现。然而，传统的线性估计技术忽略了预期的多径信道的稀疏性。与以前的方法不同，我们提出了一种压缩信道估计方法，利用稀疏结构，并提供显着改善MSE性能相比，传统的基于LS的线性信道探测策略。仿真结果证实了所提出的方法。
2013-06-23 cs.IT math.IT
Enhancing Deep Learning Performance of Massive MIMO CSI Feedback
Nanyang Technological University（南洋理工大学）
CSI反馈是大规模多输入多输出（MIMO）技术的一个重要问题，因为反馈开销与子信道的数量和天线的数量成比例，这两者都与大规模MIMO系统的大小成比例。基于深度学习的CSI反馈方法由于其优越的性能最近被广泛采用。尽管取得了成功，但目前的方法尚未充分利用CSI数据的特征与深度学习框架之间的关系。在本文中，我们提出了一个拼图辅助训练策略（JPTS），以增强基于深度学习的大规模MIMO CSI反馈方法，通过最大化原始CSI和压缩CSI之间的互信息。我们在现有的最先进的方法之上应用JPTS。实验结果表明，采用该训练策略，室内和室外环境下的准确率平均分别提高了12.07%和7.01%。所提出的方法准备好采用大规模MIMO CSI反馈的现有深度学习框架。JPTS的代码可以在GitHub上使用。
2023-02-03 cs.AI cs.IT eess.SP
CSI-PPPNet: A One-Sided One-for-All Deep Learning Framework for Massive MIMO CSI Feedback
本文提出 CSI-PPPNet，在 UE 端线性压缩 CSI、BS 端用即插即用深度学习去噪器恢复，实现单一模型适配任意压缩比并降低终端存储与计算负担。
2023-07-18 cs.IT eess.SP math.IT
Channel Estimation for Movable Antenna Communication Systems: A Framework Based on Compressed Sensing
针对可移动天线系统需获取完整 CSI 的问题，提出基于多径场响应与压缩感知的信道估计框架，通过优化收发端 MA 测量位置实现多径参数的高精度联合恢复。
2023-12-12 cs.IT eess.SP math.IT
Sparse Channel Estimation for Amplify-and-Forward Two-way Relay Network with Compressed Sensing
为了在无线频率选择性信道上实现高数据率传输，引入了放大转发双向中继网络（AFTWRN）。然而，AFTWRC需要的信道状态信息（CSI）的知识，不仅为相干数据检测，但也为selfdata删除。这部分地通过训练基于序列的线性信道估计来实现。然而，传统的线性估计技术忽略了预期的多径信道的稀疏性，从而导致低的频谱效率，这是在无线通信领域的稀缺。与以前的方法不同，我们提出了一种稀疏的信道估计方法，可以利用稀疏结构，从而提供显着的改进MSE性能相比，传统的LS为基础的线性信道探测策略在AF-TWRN。仿真结果证实了所提出的方法。
2013-06-23 cs.IT math.IT
Quantization Adaptor for Bit-Level Deep Learning-Based 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）
在大规模多输入多输出（MIMO）系统中，用户设备（UE）需要将信道状态信息（CSI）反馈给基站（BS）以用于随后的波束成形。但是大规模MIMO系统中天线的大规模会导致巨大的反馈开销。基于深度学习（DL）的方法可以在UE处压缩CSI并在BS处恢复它，这显著降低了反馈成本。但是压缩后的CSI必须量化成比特流才能传输。在本文中，我们提出了一个适配器辅助量化策略的比特级DL为基础的CSI反馈。首先，我们设计了一个网络辅助适配器和一个先进的训练方案，以自适应地提高量化和重建精度。此外，为了便于实际使用，我们引入了数据分布的专家知识，并提出了一个可插拔的和免费的适配器方案。实验表明，与现有的反馈量化方法相比，该自适应量化策略能够在较少或不增加额外开销的情况下获得更好的量化精度和重构性能。这些开源代码可在https://github.com/zhang-xd18/QCRNet上获得。
2022-11-09 cs.AI cs.IT math.IT
Neural CSI Compression Fine-Tuning: Taming the Communication Cost of Model Updates
Chalmers University of Technology（查尔姆斯理工大学）；Imperial College London（帝国理工学院）
本文提出了一种全模型微调方法，通过联合更新编码器和解码器，利用目标环境的近期CSI样本来提高神经CSI压缩的速率-失真性能，同时通过结构先验和熵编码减少模型更新的通信成本。
2026-05-18 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
Accelerating and Compressing Deep Neural Networks for Massive MIMO CSI Feedback
University of Calgary（卡尔加里大学）
本文提出联合剪枝与量化方法压缩大规模MIMO CSI反馈神经网络，在商用硬件上实现模型大小减少86.5%、推理时间减少76.2%，为深度学习在无线系统中的实际部署铺平道路。
2023-01-20 cs.IT cs.LG cs.NI
Learning-Based MIMO Channel Estimation under Spectrum Efficient Pilot Allocation and Feedback
使用大规模MIMO收发器的无线链路对于下一代无线通信网络至关重要。大规模MIMO传输中的预编码需要准确的下行链路信道状态信息（CSI）。许多最近的工作已经有效地应用深度学习（DL）来联合训练UE侧压缩网络以用于延迟域CSI和BS侧解码方案。重要的是，这些工作假设全延迟域CSI在UE处可用，但实际上，UE必须基于有限数量的频域导频来估计延迟域。在这项工作中，我们提出了一个线性导频延迟（P2 D）估计，将稀疏频率导频截断延迟CSI。我们证明了P2 D估计在频率下采样下是准确的，并且我们证明了P2 D估计可以有效地利用现有的基于自动编码器的CSI估计网络。除了考虑基于导频的下行链路CSI估计，我们应用展开的优化网络来模拟压缩感知（CS）的迭代解决方案，并且我们表现出比先前基于自动编码器的DL网络更好的估计性能。最后，我们研究了可训练CS网络在差分编码网络中用于时变CSI估计的有效性，并提出了一种新的网络MarkovNet-ISTA-ENet，该网络由用于初始CSI估计的CS网络和用于估计误差项的多个自动编码器组成。我们证明了这种异构网络具有更好的渐近性能比网络组成的只有一种类型的网络。
2022-01-13 cs.IT eess.SP math.IT
Neighbor Discovery for Wireless Networks via Compressed Sensing
本文研究了无线网络中的邻居发现问题，即每个节点都希望在一跳内发现并识别其网络接口地址。提出了一种新的范例，称为压缩邻居发现，它使所有节点同时发现各自的邻居与一个单一的帧的传输，这是典型的几千个符号的历元。其关键技术是为每个节点分配一个唯一的开关签名，并让所有节点同时发送它们的签名。尽管无线电是半双工的，但每个节点通过其自己的非时隙（off-slot）观察到其邻居的签名（部分地）的叠加。为了从一个大的网络地址空间中识别出它的邻居，每个节点都解决了一个压缩感知（或稀疏恢复）问题。研究了两种实用方案。第一种方法采用随机开关签名，每个节点使用基于组测试的非相干检测算法发现其邻居。第二种方案使用基于确定性二阶Reed-Muller码的开关签名，并应用Chirp解码算法。第二种方案需要低得多的信噪比（SNR）来实现相同的错误性能。线性调频脉冲解码算法的复杂度是次线性的，因此它原则上可扩展到具有数十亿个具有48位IEEE 802.11 MAC地址的节点的网络。压缩邻居发现方案比传统的随机接入发现更有效，其中节点必须在具有随机延迟的许多帧上进行搜索才能成功发现。
2012-05-22 cs.IT cs.NI math.IT
Machine Learning-Based CSI Feedback With Variable Length in FDD Massive MIMO
针对FDD大规模MIMO系统中的CSI反馈开销问题，提出基于PCA的可变长度反馈策略，通过自适应压缩、比特分配与k-means聚类优化量化，相比CsiNetPro总速率提升17%，参数量减少23.4倍且训练样本需求大幅降低。
2023-05-22 cs.IT eess.SP math.IT
Joint Signal and Channel State Information Compression for the Backhaul of Uplink Network MIMO Systems
在网络MIMO蜂窝系统中，基站（BS）的子集或远程无线电头端经由回程链路连接到中央单元（CU），所述中央单元在下行链路中执行联合编码并且在上行链路中执行联合解码。聚焦于上行链路，用于回程链路上的BS与对应CU之间的通信的有效解决方案是基于压缩和转发来自每个BS的基带接收信号。在存在遍历衰落的情况下，从BS向CU传送信道状态信息（CSI）可能需要回程容量的相当大的部分。在先前的工作中，通过假设压缩-前向-估计（CFE）方法来研究这方面，由此BS压缩训练信号并且CSI估计在CU处发生。相反，在这项工作中，研究了估计-压缩-转发（ECF）方法，由此BS执行CSI估计并将CSI的压缩版本转发给CU。这种选择的动机是信息理论的最优分离估计和压缩。提出了各种ECF策略，其执行估计的CSI和接收信号的单独或联合压缩。此外，当考虑多个BS时，所提出的策略与分布式信源编码相结合。还提出了在回程链路上不传送任何CSI或训练信息的“半相干”策略。通过数值结果，它表明，一个适当的设计ECF策略的基础上联合接收信号和估计的CSI压缩或半相干方案导致大量的性能增益相比，更传统的方法，基于非相干传输或CFE方法。
2013-10-23 cs.IT math.IT
Binarized Aggregated Network with Quantization: Flexible Deep Learning Deployment for CSI Feedback in Massive MIMO System
Tsinghua University（清华大学）；Beijing National Research Center for Information Science and Technology (BNRist)（北京信息科学与技术国家研究中心）
大规模多输入多输出（MIMO）是5G系统中实现更好频谱和能量效率的关键技术之一。在频分双工（FDD）模式下，需要将信道状态信息（CSI）从用户设备反馈到基站。然而，在大规模MIMO系统中，由于大规模天线阵列，直接反馈的开销是不可接受的。近年来，深度学习被广泛应用于压缩CSI反馈任务，并被证明是有效的。在本文中，一种新的网络聚合信道重构网络（ACRNet）的设计，以提高网络聚合和参数整流线性单元（PReLU）激活的反馈性能。还考虑了反馈网络在通信系统中的实际部署。具体而言，弹性反馈方案，提出了灵活地适应网络，以满足不同的资源限制。此外，网络二值化技术与特征量化相结合，以实现轻量级和实用的部署。实验表明，拟议的ACRNet优于以前的国家的最先进的网络负载，提供了一个整洁的反馈解决方案，高性能，低成本和令人印象深刻的灵活性。
2021-05-01 cs.AI cs.IT eess.SP
Learning Progressive Distributed Compression Strategies from Local Channel State Information
本文提出了一个深度学习框架来设计分布式压缩策略，分布式代理需要压缩源的高维观测数据，然后通过带宽受限的链路将压缩后的比特发送到融合中心进行源重构。此外，我们要求压缩策略是渐进的，以便它可以适应代理和融合中心之间不断变化的链路带宽。此外，为了确保可扩展性，我们调查的策略，只依赖于本地信道状态信息（CSI）在每个代理。为此，我们使用一种数据驱动的方法，其中每个代理的渐进线性组合和统一量化策略都是根据其本地CSI进行训练的。为了应对量化操作建模的挑战（在神经网络的训练中总是产生零梯度），我们提出了一种新的方法，利用批量训练数据的统计数据来设置均匀量化器的动态范围。在数值上，我们表明，建议的分布式估计策略设计，只有本地CSI可以显着降低信令开销，并可以实现较低的均方误差失真的源重建比国家的最先进的设计，需要全球CSI在可比的整体通信成本。
2022-03-09 cs.IT math.IT
Towards Efficient Subarray Hybrid Beamforming: Attention Network-based Practical Feedback in FDD Massive MU-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）
由于信道的非互易性，频分复用（FDD）多输入多输出（MIMO）系统需要进行信道状态信息（CSI）反馈。在深度学习的帮助下，许多工作已经成功地重建了大规模MIMO的压缩理想CSI。然而，简单的CSI重构具有有限的实用性，因为没有考虑信道估计和目标波束成形设计。在本文中，联合优化网络的信道估计和反馈，使频谱效率的波束形成器可以学习。此外，部署友好的子阵混合波束形成架构，并专门设计了一个实用的轻量级端到端网络。实验表明，该网络是超过10倍轻的资源敏感的用户设备相比，以前的国家的最先进的方法，只有一个很小的性能损失。
2023-02-05 cs.AI cs.IT eess.SP
Information Bottleneck for a Rayleigh Fading MIMO Channel with an Oblivious Relay
研究了具有不经意中继的Rayleigh衰落多输入多输出（MIMO）信道的信息瓶颈（IB）问题。中继器被约束为在不知道码本的情况下操作，即，它执行不经意处理。此外，由于瓶颈约束，它是不可能的中继通知目的节点的完美的信道状态信息（CSI）在每个信道实现。为了评估瓶颈率，我们首先提供了一个上限，假设目的节点可以得到完美的CSI在没有成本。然后，我们提供了四个可实现的方案，每个方案满足瓶颈约束，并给出了一个下界的瓶颈率。在第一种和第二种方案中，中继将中继-目的地链路的容量分成两部分，并将CSI及其观测传送到目的地节点。由于信道状态信息的传输，这两种方案的性能对MIMO信道维数，特别是信道输入维数敏感。为了确保当信道维度变大时它仍然表现良好，在第三和第四可实现方案中，中继仅向目的地节点发送压缩观测。数值结果表明，通过简单的逐符号不经意中继处理和压缩，所提出的可实现的方案工作良好，并且可以在很宽的相关系统参数范围内证明下限非常接近上限。
2021-05-07 cs.IT math.IT
FPNet: Joint Wi-Fi Beamforming Matrix Feedback and Anomaly-Aware Indoor Positioning
FPNet通过联合优化波束成形反馈压缩与异常检测，实现高精度且可靠的室内定位。
2026-02-13 cs.IT eess.SP math.IT
Accurate and Fast Channel Estimation for Fluid Antenna Systems with Diffusion Models
本文提出基于扩散模型和跳步采样策略的流体天线系统信道估计方法，在高维场景下实现更高精度和超过20倍加速。
2025-05-08 cs.IT eess.SP math.IT
FDD Massive MIMO: Efficient Downlink Probing and Uplink Feedback via Active Channel Sparsification
在本文中，我们提出了一种新的方法，有效地实现了一个大规模的多输入多输出（大规模MIMO）系统与频分双工（FDD）操作。我们的主要目标是减少下行链路（DL）的公共训练和上行链路（UL）的反馈，需要在基站获得信道状态信息（CSI）所产生的大开销。我们提出的方案依赖于这样的事实，即信道矢量的基本角分布，也称为角散射函数，是产生UL-DL互易性的频率不变实体，并且具有有限的角支持。我们从UL CSI估计该支持，并对其进行插值以获得DL信道的对应角度支持。最后，我们利用所有用户的DL信道的估计支持设计一个有效的信道探测和反馈方案，最大限度地提高系统的总频谱效率。我们的方法是不同的，从现有的压缩传感（CS）为基础的技术在文献中。使用支持信息有助于将反馈开销从CS技术中的O（s*log M）减少到我们提出的方法中的O（s），其中$s$和$M$分别是信道向量和基站天线的数量的稀疏顺序。此外，为了控制信道稀疏性，并因此控制DL公共训练和UL反馈开销，我们引入了主动信道稀疏化的新概念。简而言之，当固定导频维度小于可靠信道估计所需的量时，我们引入预波束成形矩阵，该预波束成形矩阵人为地将每个用户的有效信道维度减小到不大于DL导频维度，同时最大化服务用户的数量和探测角度的数量。我们提供了数值实验比较我们的方法与国家的最先进的CS技术。
2017-10-22 cs.IT math.IT
