Statistical CSI-Based Transmission Design for Reconfigurable Intelligent Surface-aided Massive MIMO Systems with Hardware Impairments
本文研究了一种可重构智能表面（RIS）辅助的大规模多用户多输入多输出（MIMO）通信系统，该系统具有收发器硬件损伤（HWI）和RIS相位噪声。与现有的研究成果不同，RIS的相移设计是基于长期的角度信息。首先推导了上行链路可达速率的近似解析表达式。然后，我们使用遗传算法（GA），以最大化和率和最小数据率。最后，我们表明，它是至关重要的，以考虑HWI时，设计的RIS相移。
2021-10-13 cs.IT eess.SP math.IT
Distributed Two-Phase Processing for Modular XL-MIMO with Wireless Fronthaul under Hardware Impairments
Bilkent University（比尔肯特大学）
针对硬件损伤下采用放大转发无线前传的模块化超大规模MIMO系统，提出基于加权最小均方误差的联合优化算法，通过调整用户发射功率和前传放大系数最大化上行频谱效率。
2026-05-22 cs.IT eess.SP math.IT
Nonlinear Sparse Bayesian Learning Methods with Application to Massive MIMO Channel Estimation with Hardware Impairments
Centre for Wireless Communications, University of Oulu（奥卢大学无线通信中心）
本文提出非线性稀疏贝叶斯学习方法，用于大规模MIMO信道估计中的硬件损伤建模，通过高斯过程回归提升估计精度与计算效率。
2026-02-19 eess.SP
5G NR monostatic positioning with array impairments: Data-and-model-driven framework and experiment results
针对5G NR单基地室内定位中高维信息复杂、不规则阵列误差影响精度的问题，提出融合transformer与MUSIC区域决策机制的数据模型驱动框架，可校准阵列误差、提升定位精度。
2024-12-11 eess.SP
Near-Field Positioning for XL-MIMO Uniform Circular Arrays: An Attention-Enhanced Deep Learning Approach
Shanghai University（上海大学）；Xi’an University of Posts and Telecommunications（西安邮电大学）；Xi’an Jiaotong-Liverpool University（西交利物浦大学）
本文提出一种增强注意力的深度学习方法，用于提高XL-MIMO均匀圆阵的近场定位精度，通过整合通道和空间特征，优于现有基准模型。
2026-01-29 eess.SP
Accurate Direct Positioning in Distributed MIMO Using Delay-Doppler Channel Measurements
针对分布式MIMO相位同步困难的问题，提出一种基于CSI时延-多普勒特性与粒子滤波贝叶斯推断的直接定位方法，在工业环境中实现了部分视距下近厘米级及遮挡视距下分米级精度。
2024-07-25 eess.SP
Deep Learning Model-Based Channel Estimation for THz Band Massive MIMO with RF Impairments
针对太赫兹大规模MIMO信道估计中远场近场混合及射频损伤导致性能下降的问题，提出基于BiLSTM与GRU的深度学习模型，有效学习信道与射频损伤相关性，在各SNR水平下优于基准方法。
2024-09-24 cs.IT eess.SP math.IT
ADMM-Based One-Bit Quantized Signal Detection for Massive MIMO Systems with Hardware Impairments
本文研究了大规模多输入多输出（MIMO）系统中的信号检测问题，该系统具有一般的加性硬件损伤和一比特量化。首先，我们通过将它们概括为所考虑的硬件损伤模型来呈现量化未知和基于Bussgang分解的线性接收机。我们提出了一个优化问题来估计上行链路数据信号，通过选择一个合适的代价函数，处理在基站的未量化的接收信号作为变量。我们利用额外的结构的一位量化和信号调制，包括适当的约束。针对非凸二次约束二次规划问题，提出了一种基于ADMM的封闭更新方程算法。然后，我们将更新中的粗糙投影仪替换为它们的软版本，以提高检测性能。我们表明，建议的ADMM为基础的算法优于国家的最先进的线性接收机显着的误比特率（BER）和性能增益增加的天线和用户的数量。
2020-02-05 cs.IT eess.SP math.IT
Precoding for Uplink RIS-Assisted Cell-Free MIMO-OFDM Systems with Hardware Impairments
针对 UE 与 AP 存在 IQI 的多 RIS 辅助上行 CF-mMIMO-OFDM 系统，提出基于 WMMSE 的 BCD 联合预编码、RIS 系数和接收合并优化方法，以提升和速率与求解效率。
2025-10-20 eess.SP
Experimental Comparison of Local and Over-the-Air Phase Calibration for MIMO Arrays
本文通过实验比较了MIMO阵列中局部和空中相位校准方法，研究了硬件失真对通信性能和信道估计精度的影响，发现局部校准在相位稳定性方面更优，而空中校准在不需要额外硬件的情况下对多径效应更敏感。
2026-05-21 eess.SP
Rate Splitting in MIMO RIS-assisted Systems with Hardware Impairments and Improper Signaling
在本文中，我们提出了一个优化框架速率分裂（RS）技术在多输入多输出（MIMO）可重构智能表面（RIS）辅助系统，可能与I/Q不平衡（IQI）。该框架可以应用于任何优化问题，其中目标和/或约束是速率和/或发射协方差矩阵的线性函数。这些问题包括最小加权和加权和速率最大化、目标速率的总功率最小化、最小加权能量效率（EE）和全局EE最大化。该框架可以应用于具有硬件损伤的任何干扰受限系统。为了说明的目的，我们考虑多小区MIMO RIS辅助广播信道（BC），其中基站（BS）和/或用户可能遭受IQI。由于IQI会产生不适当的噪声，我们认为不适当的高斯信号（IGS）作为一种干扰管理技术，可以额外补偿IQI。我们表明，RS与IGS相结合时，可以大大提高过载网络的频谱和能量效率（即，当每个小区的用户数量大于发射/接收天线的数量时）。
2022-11-15 cs.IT eess.SP math.IT
Optimizing Movable Antennas in Wideband Multi-User MIMO With Hardware Impairments
本文研究了宽带多用户MIMO系统中可动天线的优化，通过粒子群优化调整天线位置以最大化平均总速率，发现其性能提升取决于硬件损伤水平、多径丰富度和子载波数。
2025-06-02 cs.IT eess.SP math.IT
Large Intelligent Surface for Positioning in Millimeter Wave MIMO Systems
用于第五代（5G）蜂窝通信的毫米波（mmWave）多输入多输出（MIMO）系统由于其大带宽和固有的高角度分辨率，还可以实现单锚点定位和对象跟踪。在本文中，我们引入了新发明的概念，大智能表面（LIS），毫米波定位系统，研究的理论性能界限（即，Cramér-Rao下界）进行定位，并与传统的单直接链路单非视距路径定位方案进行了比较，分析了LIS阵元数和移相器值对定位精度的影响，从理论分析和数值研究中验证了LIS的定位性能更好。
2019-09-30 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
Distributed Collaborative User Positioning for Cell-Free Massive MIMO with Multi-Agent Reinforcement Learning
针对无蜂窝大规模MIMO系统的分布式定位需求，提出结合MARL的两阶段分布式协同定位架构，由接收信号强度初步定位网络和到达角辅助校正网络组成，定位精度优于传统指纹定位方法。
2024-10-07 cs.IT eess.SP math.IT
Asymptotic Rate Analysis for Impairments-Aware Multi-Carrier FD Massive MIMO Relay Networks utilizing MRT/MRC Strategy
在本文中，我们分析了渐进速率的多载波（MC）全双工（FD）大规模多输入多输出（mMIMO）解码和转发（DF）中继系统，服务于多个MC单天线半双工（HD）节点。我们考虑到硬件失真的影响，导致残留的自干扰（SI）和载波间泄漏（ICL），以及不完善的信道状态信息（CSI）的影响。当天线数目变大（变为$\infty$）时，我们推导了采用最大比发射（MRT）/最大比合并（MRC）策略的系统的渐近速率表达式。值得注意的是，硬件失真的影响变得显着，在一个大规模的天线阵列制度。与多用户干扰和接收机噪声的影响相反，其随着中继天线的数目变为无穷大而消失，由硬件损伤引起的残余SI和ICL保留在MC系统中。
2020-11-16 cs.IT eess.SP math.IT
Using Reconfigurable Intelligent Surfaces for UE Positioning in mmWave MIMO Systems
可重构智能表面（RIS）由大量Meta元素组成，这导致基站（BS）和用户设备（UE）之间的反射路径。在无线定位中，这种反射路径有助于定位精度，特别是当视线（LOS）路径受到严重阻塞和衰落时。我们开发了一种RIS辅助定位框架，以在LOS路径可能可用或不可用的环境中定位UE。我们首先从UE处的接收信号估计RI辅助的信道参数。为了降低算法的复杂性，我们提出了一个线性组合的估计UE的位置从直接和反射路径，这是近似的最大似然估计器下的大样本制度时，从不同的路径的估计是独立的。我们优化的RIS相移，以提高定位精度，并扩展所提出的方法的情况下，与多个BS和UE。我们推导出的Cramer-Rao界（CRB），并证明了数值计算，我们提出的方法接近CRB。
2021-12-01 eess.SP
CSI-based Positioning in Massive MIMO systems using Convolutional Neural Networks
研究了利用大规模多输入多输出（MaMIMO）系统的信道状态信息（CSI）进行用户定位的性能。为了从CSI中推断用户的位置，设计了一个卷积神经网络，并通过一个新的数据集进行评估。该数据集包含使用三种不同天线拓扑的室内MaMIMO CSI测量，覆盖2.5 m x 2.5 m的室内区域。我们表明，我们可以训练一个卷积神经网络（CNN）模型来估计该区域内的用户的位置，平均误差小于半个波长。此外，一旦模型在给定的场景和天线拓扑结构上进行了训练，迁移学习就用于将所获得的知识重新用于具有显著不同的天线拓扑结构和配置的另一场景。我们的研究结果表明，它是可能的进一步训练的CNN只使用少量的额外标记的样本的新的拓扑结构。这种迁移学习方法能够达到准确的结果，为CNN支持的基于CSI的实用定位系统铺平了道路。
2019-11-26 eess.SP
MIMO Detection under Hardware Impairments: Data Augmentation With Boosting
针对硬件损伤下的MIMO数据检测问题，提出结合数据增强与boosting的似然函数估计方法，通过多分布噪声生成增强数据集、结合EM或KDE估计并加权融合似然函数，显著提升检测性能且效果随增强数据量增大而优化。
2024-12-08 cs.IT eess.SP math.IT
Robust Learning-Based Sparse Recovery for Device Activity Detection in Grant-Free Random Access Cell-Free Massive MIMO: Enhancing Resilience to Impairments
CentraleSupélec（中央高等电力学院）；IETR - UMR CNRS 6164（电子与电信研究所 - 法国国家科学研究中心联合研究单位6164）
面向无蜂窝大规模 MIMO 的 mMTC 免授权随机接入，提出在 CPU 集中实现的数据驱动稀疏活动检测算法，并验证其抗输入扰动及定点实现性能。
2025-03-13 cs.LG eess.SP
Hybrid Fingerprint-based Positioning in Cell-Free Massive MIMO Systems
本文提出在无蜂窝大规模MIMO系统中，利用MUSIC算法提取到达角信息并结合接收信号强度形成混合指纹，通过高斯过程回归模型实现用户设备定位，有效提升了定位精度。
2025-05-02 eess.SP
Novel Massive MIMO Channel Sounding Data Applied to Deep Learning-based Indoor Positioning
随着区域吞吐量的显著增加，大规模多输入多输出已经成为第五代（5G）无线移动通信系统的使能技术。虽然建立了原型，但尚未提供公开可用的信道脉冲响应数据集来验证假设，例如关于信道稀疏性的假设。在本文中，我们介绍了一种新的信道探测器架构，能够测量多天线和多副载波信道状态信息（CSI）在不同的频段，天线的几何形状和传播环境。通过对第一次测量的通道数据的评估，对通道探测器进行了验证。此类数据集可用于研究不同应用中的各种深度学习（DL）技术，例如，用于室内用户三维定位，如本文所做的。我们不仅实现了优于75厘米的视线（LoS）的精度，与最先进的传统定位技术相当，而且还获得了类似的精度，为更具挑战性的情况下，非视线（NLoS）。进一步广泛的室内/室外测量活动将提供更全面的开放CSI数据集，标记位置，供科学界进一步测试各种算法。
2019-02-08 eess.SP
MIMO-AFDM Outperforms MIMO-OFDM in the Face of Hardware Impairments
University of Essex（埃塞克斯大学）；Nanyang Technological University（南洋理工大学）；University of Southampton（南安普顿大学）
本文研究硬件损伤对MIMO-AFDM系统的影响，推导了BER界和近似，发现AFDM具有全分集优势，且相比OFDM对相位噪声、载波频偏等乘性失真以及加性HWI引起的ICI更具鲁棒性。
2026-05-27 cs.IT eess.SP math.IT
Impact of Phase Noise and Power Amplifier Non-Linearities on Downlink Cell-Free Massive MIMO-OFDM Systems
本文针对低成本接入点带来的硬件损伤问题，分析了含相位噪声与功放非线性的无蜂窝大规模MIMO-OFDM下行系统频谱效率，推导表达式并仿真发现相位噪声影响更显著，为失真感知预编码设计提供依据。
2025-07-29 eess.SP
STAR-RIS-Assisted Cell-Free Massive MIMO with Multi-antenna Users and Hardware Impairments Over Correlated Rayleigh Fading Channels
本文建模含硬件损伤的多天线STAR-RIS辅助无蜂窝大规模MIMO，分析两种上行处理架构并推导SE表达式，证明增加天线、AP和RIS单元可缓解损伤，且Level 2始终优于Level 1。
2025-03-17 cs.IT eess.SP math.IT
Improper Gaussian Signaling for the $K$-user MIMO Interference Channels with Hardware Impairments
研究了在硬件损伤（HWI）条件下，非正常高斯信号（IGS）在$K$ -用户多输入多输出（MIMO）干扰信道（IC）中的性能。HWI可能由于设备中的缺陷（如I/Q不平衡、相位噪声等）而出现。在I/Q不平衡的情况下，接收信号是发射信号和噪声的广泛线性变换。因此，接收器处的有效噪声变得不适当，这意味着其实部和虚部是相关的和/或具有不相等的功率。IGS可以在不适当的噪声和/或不适当的干扰的情况下改善系统性能。在本文中，我们研究IGS的好处，这种情况下的两个性能指标：可实现的速率和能源效率（EE）。我们考虑率区域，和率，EE区域和全局EE优化问题，以充分评估IGS的性能。为了解决这些非凸问题，我们采用优化框架的基础上优化最小化算法，这使我们能够获得一个稳定点的任何优化问题，其中无论是目标函数和/或约束是线性函数的利率。我们的数值结果表明，IGS可以显着提高性能的$K$ -用户MIMO集成电路的HWI和I/Q不平衡，其中它的好处与用户的数量，$K$，和不平衡的水平增加，并与天线的数量减少。
2020-08-06 cs.IT eess.SP math.IT
Improving CSI-based Massive MIMO Indoor Positioning using Convolutional Neural Network
Jožef Stefan Institute（约热夫·斯蒂芬研究所）；Jožef Stefan International Postgraduate School（约热夫·斯蒂芬国际研究生院）
多输入多输出（MIMO）是满足对具有大量终端的无线网络中的更快和更可靠的通信的不断增长的需求的使能技术，但是它也可以应用于利用来自多个天线的多径传播的终端的位置估计。在本文中，我们研究新的卷积神经网络（CNN）结构，利用MIMO的信道状态信息（CSI），以提高室内定位。我们使用相同的训练评估数据集，评估并比较了所提出的CNN结构的三种变体与科学文献中提出的五种NN结构的性能。结果表明，所提出的残差卷积神经网络结构提高了位置估计的准确性，并保持总的权重数低于公布的神经网络结构。所提出的CNN结构比用作参考的已知NN结构产生从2cm到10cm的更好的位置精度。
2021-02-05 cs.LG eess.SP
MIMO Detection under Hardware Impairments: Learning with Noisy Labels
针对硬件损伤 MIMO 系统，提出模型驱动与数据驱动两种无额外训练开销的检测器，并通过 EM 和鲁棒 DNN 训练提升检测性能。
2023-06-08 cs.IT eess.SP math.IT
Learning to Localize: A 3D CNN Approach to User Positioning in Massive MIMO-OFDM Systems
Southeast University（东南大学）；University of Liverpool（利物浦大学）
本文研究了均匀平面天线（UPA）阵列的大规模多输入多输出（MIMO）正交频分复用（OFDM）系统中的用户定位问题。利用UPA阵列的几何结构和宽带宽的优势，我们提倡使用角度延迟信道功率矩阵（ADCPM）作为一种新的指纹来取代传统的指纹。ADCPM在垂直和水平方向上嵌入了稳定和平稳的多径特性，例如延迟、功率和角度，这有利于定位。以ADCPM指纹作为输入，我们提出了一种新的三维（3D）卷积神经网络（CNN）启用学习方法来定位用户的3D位置。特别地，这样的3D CNN模型包括用于从ADCPM指纹细化基本特征图的卷积细化模块、用于提取高级特征图的三个扩展的Inception模块以及用于估计3D位置的回归模块。通过大量的仿真，所提出的3D CNN使能定位方法被证明比传统的基于搜索的定位方法实现更高的定位精度，具有降低的计算复杂度和存储开销，并且ADCPM指纹对噪声污染具有更强的鲁棒性。
2019-11-14 cs.LG eess.SP
Secrecy Performance of an Artificial Noise Aided Dual-Hop SWIPT MIMO-NOMA Network in Presence of Practical Impairments
Gebze Technical University（盖布泽理工大学）；Polytechnique Montréal（蒙特利尔高等工程学院）
本文研究实际损伤下人工噪声辅助双跳SWIPT MIMO-NOMA网络的保密性能，推导SOP闭式解，发现分集与AN功率分配提升保密性，而实际损伤导致高SNR下SOP底限。
2026-10-05 eess.SP
Distributed MIMO Positioning: Fundamental Limit Analysis and User Tracking Framework Design
本文提出了一种基于分布式MIMO的用户跟踪框架，通过极化模型分析定位基础限制，并结合概率滤波与AP管理策略实现厘米级高精度跟踪。
2025-11-21 eess.SP
Cell-Free Massive MIMO with Hardware-Impaired Wireless Fronthaul
Bilkent University（比尔肯特大学）；KTH Royal Institute of Technology（皇家理工学院）
本文提出了一种针对无源大规模MIMO的新型放大转发无线前传方案，通过联合建模硬件缺陷并优化线性组合器，提升频谱效率和系统性能。
2026-02-07 cs.IT eess.SP math.IT
Kalman filter based MIMO CSI phase recovery for COTS WiFi devices
近来，来自商用多输入多输出（MIMO）WiFi系统的信道状态信息（CSI）测量已经普遍用于不同的无线感测应用。然而，由于硬件损伤，CSI实现的相位通常被相位误差严重失真，这显著降低了感测性能。在本文中，我们直接利用的硬件损伤所造成的相位失真的建模，并提出了一种自适应CSI估计方法的基础上，卡尔曼滤波器（KF）与最大后验概率（MAP）估计，认为CSI从以前的时间。所提出的算法的性能进行了比较，对Cramer Rao下界（CRLB）。仿真和实验结果表明，该方法可以跟踪信道的变化，同时消除相位误差准确。
2021-05-03 eess.SP
NOMA-based Improper Signaling for MIMO STAR-RIS-assisted Broadcast Channels with Hardware Impairments
本文提出结合IGS、NOMA和STAR-RIS的方案，以补偿收发机I/Q失衡并提升MIMO广播信道频谱效率，证明该方法能显著提高用户最低速率并改善系统性能。
2023-08-04 cs.IT eess.SP math.IT
Cooperative Multi-Target Positioning for Cell-Free Massive MIMO with Multi-Agent Reinforcement Learning
针对无蜂窝大规模MIMO中传统指纹定位计算复杂度高的问题，提出结合协同加权K近邻的多智能体强化学习联合定位校正框架，在平衡复杂度的同时有效提升定位性能。
2024-10-09 cs.IT eess.SP math.IT
Maximizing Spectral and Energy Efficiency in Multi-user MIMO OFDM Systems with RIS and Hardware Impairment
本文研究多用户MIMO OFDM广播信道中常规RIS、STAR-RIS与多扇区BD-RIS的性能，通过联合优化MIMO预编码和RIS配置，提出资源分配方案并证明其SE和EE增益。
2024-01-22 cs.IT eess.SP math.IT
Failure Tolerant Phase-Only Indoor Positioning via Deep Learning
针对纯相位定位在天线故障场景下性能下降的问题，提出一种基于双曲线相交原理的深度学习定位方法，可在天线受损时实现鲁棒准确的定位，较现有方法大幅提升精度。
2025-08-20 eess.SP
Joint Positioning, Beamforming, and Power Allocation in Full-Duplex MIMO with Position-Reconfigurable Antenna Arrays
本文研究多用户全双工MIMO系统，提出联合波束成形、功率分配与位置可重构天线部署的交替优化框架，最大化加权和速率，仿真证实其显著性能增益。
2025-11-05 eess.SP
Near-Field Directional Modulation for RIS-Aided Movable Antenna MIMO Systems with Hardware Impairments
本文研究RIS辅助可动天线系统的近场方向调制，通过联合优化波束成形、相移矩阵和天线位置等参数，在存在硬件损伤和不完美信道信息下最大化保密和速率，算法相比传统固定天线系统显著提升了性能并减少了天线数量。
2025-06-01 eess.SP
RIS-Aided MIMO Systems with Hardware Impairments: Robust Beamforming Design and Analysis
可重构智能表面（RIS）被认为是提高未来无线系统性能的一种新型技术。在本文中，我们研究了一个实用的RIS辅助多输入多输出（MIMO）系统中存在的收发器硬件损伤，RIS相位噪声和不完善的信道状态信息（CSI）。特别考虑了MIMO收发器和RIS反射矩阵的联合设计，以最小化所有数据流的总平均均方误差（MSE）。这个联合设计问题是非凸的，具有挑战性的解决，由于新考虑的实际缺陷。为了解决这个问题，我们首先分析了总平均MSE纳入上述系统的不完善的影响。然后，为了处理紧耦合的优化变量和非凸NP-硬约束，提出了一种基于交替优化（AO）框架的高效迭代算法，保证了算法的收敛性，其中每个子问题通过利用优化最小化（MM）技术得到一个封闭形式的最优解.此外，通过利用单位模约束的特殊结构，我们提出了一种改进的黎曼梯度上升（RGA）算法的离散RIS相移优化。此外，在视距信道条件下验证了该算法的最优性，并揭示了在高信噪比（SNR）条件下，由于硬件和信道状态信息的不完善而引起的不可约的均方误差地板效应.数值结果表明，我们所提出的算法的MSE性能优于所采用的基准计划，并表明，增加RIS元素的数量并不总是有益的上述系统的缺陷。
2023-03-22 cs.IT eess.SP math.IT
POPT: Physics-Informed Deep Learning for Phase-Only Positioning in Distributed MIMO
Tampere University（坦佩雷大学）；Nokia Bell Labs（诺基亚贝尔实验室）；Chalmers University of Technology（查尔姆斯理工大学）
提出物理信息深度学习框架POPT，利用高斯过程学习地面反射相位畸变，以仅编码器Transformer实现分布式MIMO单快照相位定位，达到接近PEB精度并显著降低复杂度。
2026-09-28 eess.SP
Rate Splitting for Massive MIMO Multi-carrier system using Full Duplex Decode and Forward Relay with Hardware Impairments
在本文中，我们解决的解码和转发（DF）中继系统的功率分配问题，其中一个大规模的多输入多输出（mMIMO）多载波（MC）基站（BS）节点与MC单天线节点直接通信，也通过单天线全双工（FD）MC中继，使用速率分裂（RS）的方法。在目的地采用连续干扰消除方法。我们考虑正交频分复用（OFDM）作为我们的MC策略。我们考虑到硬件失真的影响，导致残留的自干扰和载波间泄漏（ICL），也不完善的信道状态信息（CSI）。我们制定了一个联合的子载波和功率分配问题，以最大限度地提高总的总和率。提出了一种迭代优化方法，该方法遵循逐次内逼近（SIA）框架，以达到满足Karush-Kuhn-Tucker（KKT）条件的收敛点。数值结果表明，这种系统的失真意识的设计的意义，以及显着的增益和速率相比，其半双工（HD）和非速率分裂计划。
2019-07-31 cs.IT cs.SY eess.SP
Deep Learning Based Joint Channel Estimation and Positioning for Sparse XL-MIMO OFDM Systems
Department of Electronics and Information Engineering, College of Physical Science and Technology, Central China Normal University（电子与信息工程系，物理科学与技术学院，华中师范大学）；Beijing Key Laboratory of Transportation Data Analysis and Mining, Beijing Jiaotong University（交通数据挖掘北京重点实验室，北京交通大学）；Department of Electric and Computer Engineering, Laval University（电气与计算机工程系，拉瓦尔大学）；Faculty of Engineering and Applied Science, Memorial University（工程与应用科学学院，纪念大学）
针对近场稀疏 XL-MIMO OFDM 系统，提出两阶段深度学习框架及 CP-Mamba 架构，利用定位坐标辅助信道估计，性能优于基线且稀疏阵列优势显著。
2025-07-26 cs.AI cs.LG eess.SP
Adaptive RSMA-OMA for Resilient MIMO Networks Under Imperfect CSI and SIC
Trinity College Dublin（都柏林三一学院）；South East Technological University（东南理工大学）
本文提出了一种自适应RSMA-OMA框架，通过动态切换机制优化功率分配，提升MIMO网络在不完美CSI和SIC下的鲁棒性和效率。
2026-05-12 eess.SP
RIS-assisted Cell-Free Massive MIMO Systems With Two-Timescale Design and Hardware Impairments
本文研究硬件损伤下RIS辅助CF-mMIMO系统的上行传输，提出双时间尺度方案优化波束成形，推导可达速率闭式表达式并利用加速梯度上升法优化RIS相移以最大化用户速率。
2024-03-26 cs.IT eess.SP math.IT
Towards Practical Indoor Positioning Based on Massive MIMO Systems
University of Stuttgart（斯图加特大学）
我们展示了仅基于神经网络（NN）和（大规模）多输入多输出（MIMO）通信系统的信道状态信息（CSI）的室内定位系统（IPS）的实用性，只建立在现有系统中的数据基础上。因此，我们的IPS系统承诺两者，一个良好的准确性，而不需要任何额外的协议/信令开销的用户定位任务。特别是，我们提出了一个定制的NN结构与一个额外的相位分支作为特征提取器和（与以前的结果相比）的可训练参数的数量显着减少，导致所需的训练数据量的最小化。我们为室内场景提供实际测量，最多可达64个天线，覆盖80平方米的大面积。在第二部分中，对实际测量进行了几项鲁棒性研究，即，一旦经过训练，我们将分析几天时间段内的召回准确率。此外，我们分析了行人在测量之间行走的影响，并表明NN的微调和预训练有助于减轻硬件漂移和传播环境随时间变化的影响。这减少了相同精度下所需的训练样本的量，从而减少了昂贵的训练数据采集的工作量
2019-05-28 cs.IT cs.LG eess.SP
Performance Evaluation of Movable Antenna Arrays in Wideband Multi-User MIMO Systems
KTH Royal Institute of Technology（皇家理工学院）；Nokia Technology Standards（诺基亚技术标准）
本文评估了可移动天线阵列在宽带多用户MIMO系统中的性能，推导了新型闭式总速率表达式，分析了硬件 impairments 和用户负载对性能的影响，揭示了在不同场景下可移动天线的优势与局限。
2026-03-23 eess.SP
Neural Networks Based Beam Codebooks: Learning mmWave Massive MIMO Beams that Adapt to Deployment and Hardware
毫米波（mmWave）和大规模多输入多输出系统是5G及以后的固有组件。这些系统依赖于将波束成形码本用于初始接入和数据传输。然而，当前的波束码本通常包括扫描所有可能方向的大量窄波束，即使这些方向从未被使用。这导致非常大的训练开销。此外，这些码本通常不考虑硬件损伤或可能的非均匀阵列几何形状，并且它们的校准是昂贵的过程。为了克服这些限制，本文开发了一种有效的在线机器学习框架，该框架学习如何使码本波束模式适应特定的部署、周围环境、用户分布和硬件特性。这是通过设计一种新的复值神经网络架构来完成的，在该架构中，神经元权重直接对模拟移相器的波束成形权重进行建模，考虑了诸如恒定模数和量化角度等关键硬件约束。该模型通过在线和自监督训练来学习码本波束，避免了对显式信道状态信息的需要。这考虑到信道不可用、不完美或难以获得的实际情况，特别是在存在硬件损伤的情况下。仿真结果突出了所提出的解决方案在学习环境和硬件感知波束码本中的能力，这可以显着减少训练开销，提高可实现的数据速率，并提高对可能的硬件损伤的鲁棒性。
2020-06-25 cs.IT eess.SP math.IT
Transmit Antenna Selection for Massive MIMO-GSM with Machine Learning
针对大规模多输入多输出（MIMO）系统，提出了一种动态灵活的广义空间调制（GSM）框架。我们的框架是利用GSM的机器学习方法，以提高在相关信道和信道估计错误的存在下的错误性能。GSM发射机采用决策树和多层感知器两种方法。仿真结果表明，在现实生活中的障碍的存在下，基于机器学习的方法相比，经典的基于欧几里德距离的方法提供了优越的性能。通过在所设计的使用软件定义无线电节点的$16\times 4$ MIMO测试床上的测量结果来验证观察结果。
2019-03-11 cs.NI eess.SP
Towards Fine-Grained Indoor Localization based on Massive MIMO-OFDM System: Experiment and Analysis
随着室内定位服务需求的快速增长，细粒度室内定位技术受到了广泛关注。具体地，大规模（大规模）多输入多输出（MIMO）系统由于高角度分辨率而受到越来越多的关注。提出了一种基于大规模多输入多输出正交频分复用（OFDM）系统的室内定位实验平台，该系统支持物理层信道测量。而不是利用信道状态信息（CSI）直接定位，我们专注于从多径分量（MPC），这是通过空间交替广义期望最大化（SAGE）算法从CSI中提取的角度定位。在现有的MPC之上，我们提出了一个基于不同的单度量和混合度量方案的广义指纹系统。我们评估了不同天线拓扑结构、训练集大小、天线数量和有效信噪比（SNR）的影响。实验结果表明，该指纹识别方法可以实现厘米级的定位精度与一个相对较小的训练集。具体地，分布式均匀线阵获得了最高的精度与约1.63-2.5厘米的平均绝对误差，由于高的空间分辨率。
2021-09-08 eess.SP
On Deep Learning-based Massive MIMO Indoor User Localization
我们研究了深度神经网络用于多输入多输出（MIMO）用户定位的可用性，该定位仅基于正交频分复用（OFDM）复信道系数。与其他室内定位系统（IPS）相比，所提出的方法不需要任何额外的导频开销或通信系统本身的任何其他变化，因为它被部署在现有的OFDM MIMO系统之上。在实际测量的支持下，我们主要对更具挑战性的非视距（NLoS）场景感兴趣。然而，已知梯度下降优化需要大量数据点用于训练，即，与传统方法相比，所需的数据库将太大。因此，我们提出了一个两步训练过程，在第一步中对模拟视线（LoS）数据进行训练，在第二步中对测量的NLoS位置进行微调。这减少了所需的测量训练位置，从而减少了数据采集的工作量。
2018-04-13 cs.IT eess.SP math.IT
Reinforcement Learning of Beam Codebooks in Millimeter Wave and Terahertz MIMO Systems
毫米波（mmWave）和太赫兹MIMO系统依赖于预定义的波束成形码本来进行初始接入和数据传输。然而，由于是预定义的，这些码本通常没有针对特定环境、用户分布和/或可能的硬件损伤进行优化。这导致具有高波束训练开销的大码本大小，这增加了初始接入/跟踪延迟，并且使得这些系统难以支持高度移动的应用。为了克服这些限制，本文开发了一种深度强化学习框架，该框架学习如何仅依赖于接收功率测量而不需要任何显式信道知识来迭代优化码本波束图案（形状）。开发的模型学习如何自主调整波束模式，以最好地匹配周围环境，用户分布，硬件损伤和阵列几何形状。此外，该方法不需要关于信道、阵列几何形状、RF硬件或用户位置的任何知识。为了减少学习时间，所提出的模型设计了一种新的Wolpertinger变量架构，能够有效地搜索一个最优的政策，在一个大的离散动作空间，这是重要的大型天线阵列与量化移相器。这种复值神经网络架构设计考虑了实际RF硬件约束，例如恒模和量化移相器约束。基于公开可用的DeepMIMO数据集的仿真结果证实了所开发的框架能够在不需要任何信道知识的情况下学习视线（LOS）和非LOS场景以及具有硬件损伤的阵列的接近最佳波束模式。
2021-02-22 cs.IT eess.SP math.IT
Channel Estimation in Massive MIMO under Hardware Non-Linearities: Bayesian Methods versus Deep Learning
研究了在实际莱斯衰落环境下，基站和用户设备的非线性硬件损伤对单小区大规模MIMO（multiple-input multiple-output）上行链路性能的联合影响。首先，Bussgang分解为基础的有效通道和失真特性的解析推导和频谱效率（SE）实现了几个接收器的三阶非线性进行了探讨。接着，设计并训练两个深度前馈神经网络来估计每个BS天线处的有效信道和失真方差，这用于信号检测。我们比较了所提出的方法的性能与国家的最先进的失真感知和不知道贝叶斯线性最小均方误差（LMMSE）估计。所提出的深度学习方法通过利用损伤特征来提高估计质量，而LMMSE方法将失真视为噪声。使用由在BS和UE处的非线性的一般阶数的导出的有效信道生成的数据，示出了基于深度学习的估计器也为大于三阶的非线性提供了有效信道的更好的估计。
2020-01-13 cs.IT eess.SP math.IT
In-Context Learning for Deep Joint Source-Channel Coding Over MIMO Channels
本文提出基于Transformer的ICL框架，用于改进MIMO系统中图像传输的深度联合信源信道编码，通过联合学习提升编码、解码和估计性能。
2025-12-01 eess.IV eess.SP
