Over-the-Air Federated Learning Over MIMO Channels: A Sparse-Coded Multiplexing Approach
本文针对空中联邦学习（OA-FL）的通信瓶颈，提出稀疏编码复用（SCoM）方法结合MIMO技术平衡通信开销与学习性能，推导了性能损失上界，并基于AO和ADMM设计低复杂度算法以最小化梯度聚合误差。
2023-04-10 eess.SP
Optimal MIMO Combining for Blind Federated Edge Learning with Gradient Sparsification
我们为多输入多输出（MIMO）系统中的联邦学习提供了最佳接收组合策略。我们提出的算法允许客户端执行单独的梯度稀疏化，这大大提高了异构（非i.i.d.）训练数据。所提出的方法大大超过了基准。
2022-05-18 cs.IT eess.SP math.IT
Precoder Design for User-Centric Network Massive MIMO: A Symplectic Optimization Approach
本文提出基于辛优化的预编码器设计方法，用于用户中心网络大规模MIMO系统，通过耗散哈密顿动力系统避免矩阵求逆，实现加权和速率最大化，仿真验证其性能优于WMMSE预编码器。
2025-07-31 eess.SP
Performance Analysis of Local Partial MMSE Precoding Based User-Centric Cell-Free Massive MIMO Systems and Deployment Optimization
本文针对非理想信道下以用户为中心的可扩展无蜂窝大规模MIMO系统，推导了LP-MMSE预编码下遍历和速率的确定性等效值及导数，设计了基于Barzilai-Borwein的梯度下降部署优化算法，仿真验证了等效值准确性及算法对系统速率的提升效果。
2024-10-08 eess.SP
Distributed and Joint Optimization of Precoding and Power for User-Centric Cell-Free Massive MIMO
在无小区的大规模多输入多输出（CF mMIMO）系统中，广泛采用集中式传输方案来管理用户间干扰。不幸的是，它的实现受到中央处理单元（CPU）和接入点（AP）之间的大量信令开销的限制。为了解决这个问题，我们在这封信中提出了一种分布式下行链路传输方案。首先，使用基于零空间的预编码来消除对部分用户的干扰，其中仅部分信道状态信息（CSI）需要在AP簇之间共享。在此基础上，采用对偶分解方法对预编码器和功率控制进行联合优化，每个AP簇可以独立进行计算，并具有闭合表达式。通过很少的迭代，我们的分布式方案实现了与集中式方案相同的性能。此外，它还大大减少了与CPU的信息交换。
2022-07-30 eess.SP
Over-The-Air Federated Learning Over Scalable Cell-free Massive MIMO
本文研究无蜂窝大规模MIMO支持空中联邦学习的方法，提出在信道相关且仅有不完美信道状态信息条件下的实用OTA-FL实现方案，并通过分析与实验验证其收敛性和性能优势。
2023-09-18 cs.IT cs.LG eess.SP
Random Orthogonalization for Federated Learning in Massive MIMO Systems
提出了一种新的上行链路通信方法--随机正交化，用于大规模多输入多输出（MIMO）无线系统中的联邦学习（FL）。随机正交化的关键新颖性来自FL模型聚合的紧密耦合和大规模MIMO的两个独特特性-信道硬化和有利的传播。结果，随机正交化可以实现自然的空中模型聚合，而不需要发射机侧信道状态信息，同时显著减少接收机处的信道估计开销。理论分析方面的通信和机器学习性能进行。特别地，建立了收敛速度、客户端数目和天线数目之间的显式关系。实验结果验证了大规模MIMO中FL随机正交化的有效性和效率。
2022-01-29 cs.IT eess.SP math.IT
Decentralized Federated Learning via MIMO Over-the-Air Computation: Consensus Analysis and Performance Optimization
针对无线去中心化联邦学习的通信瓶颈与共识难题，提出基于MIMO空上计算的DFL框架，结合混合矩阵机制优化收发波束成形器与混合矩阵，显著提升学习性能。
2023-10-08 eess.SP
Federated Cell-Free MIMO in Non-Terrestrial Networks: Architectures and Performance
在5G网络推出的同时，科学和学术界正在解决潜在的5G高级功能的定义和6 G系统的颠覆性技术的识别，以应对2030年通信系统将面临的挑战，例如太比特容量和永远在线网络。在这一框架下，全球公认的非地面网络（NTN）将在支持一个完全连接的世界中发挥重要作用，在这个世界中，物理，人类和数字领域将融合。在此框架中，NTN必须解决的主要挑战之一是提供新生态系统所需的高吞吐量。在本文中，我们专注于NTN的无小区多输入多输出（CF-MIMO）算法。特别是：i）讨论了NTN中支持集中式CF-MIMO和联邦式CF-MIMO的体系结构设计，后者实现了来自同一编队（swarm）中多颗卫星的分布式MIMO算法; ii）提出了一种新的基于位置的CF-MIMO算法，该算法不需要发送端的信道状态信息（CSI）;以及iii）为NTN中的联合CF-MIMO设计新颖的归一化方法，以应对对非共位辐射元件的约束。数值结果证实了所提出的算法的良好性能，也在非理想信息的存在。
2023-01-31 cs.IT eess.SP math.IT
Array Geometry-Centric Axial Sidelobe Interference Analysis for Near-Field Multi-User MIMO
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）；University of Southampton（南安普顿大学）
本文提出基于阵列几何优化的近场多用户MIMO系统轴向旁瓣抑制方法，通过理论分析和仿真验证，证明均匀正方形阵列在旁瓣抑制和总速率性能上优于其他常见阵列结构。
2026-03-12 eess.SP
Hybrid Network- and User-Centric Scalable Cell-Free Massive MIMO for Fronthaul Signaling Minimization
针对无蜂窝大规模MIMO中CPU间前传信令过大的问题，提出一种结合网络中心与用户中心聚类的低复杂度在线关联方法，在仅依赖本地信道信息下最多节省94%前传信令且几乎不损失频谱效率。
2024-12-20 eess.SP
Weighted-Sum Energy Efficiency Maximization in User-Centric Uplink Cell-Free Massive MIMO
Seoul National University (SNU)（首尔国立大学）；KU Leuven（荷语鲁汶大学）
本文提出加权求和能效指标，用于更准确地表示用户导向空分大规模MIMO系统中每个用户设备的上行能效。通过独立计算每个用户设备的能效并调整权重，系统能适应不同用户特性，提升能效。采用二次变换方法解决多比值分数规划问题，优化算法加速收敛，同时提升用户能耗和频谱效率。
2026-03-16 eess.SP
Communication-efficient Personalized Federated Edge Learning for Massive MIMO CSI Feedback
本文针对大规模MIMO CSI反馈提出一种基于联邦边缘学习的个性化训练框架，通过差异化量化模型传输降低通信开销，并利用本地微调适应不同用户信道特性，在保护隐私的同时显著提升反馈性能。
2023-12-04 eess.SP
Multi-Task Over-the-Air Federated Learning in Cell-Free Massive MIMO Systems
本文研究了无蜂窝mMIMO系统中的多任务空中联邦学习，通过优化接入点不同合作级别下的发射系数与接收合并以最小化模型聚合误差，证明了其收敛性能显著优于传统蜂窝架构。
2025-01-17 eess.SP
User-centric Handover in mmWave Cell-Free Massive MIMO with User Mobility
研究了毫米波载波频率下的无小区大规模多输入多输出（MIMO）系统与用户移动性之间的耦合问题。首先，考虑到用户移动性和信道老化的影响，引入了毫米波信道。然后，三个波束成形技术，提出了在所考虑的情况下，随着动态用户关联技术（切换）：从每个移动终端和接入点（AP）的集群之间的以用户为中心的关联开始，制定和分析用于更新AP集群的规则。数值结果表明，所提出的波束形成和用户关联技术是有效的，在所考虑的场景。
2021-05-19 cs.IT eess.SP math.IT
Performance of Slotted ALOHA in User-Centric Cell-Free Massive MIMO
本文针对以用户为中心的无蜂窝大规模 MIMO 免授权随机接入，分析具备捕获能力时 slotted ALOHA 的和吞吐量，并通过网络对比与仿真揭示其性能和前传负载折中优势。
2024-05-28 cs.IT cs.NI eess.SP
Federated Dropout Learning for Hybrid Beamforming With Spatial Path Index Modulation In Multi-User mmWave-MIMO Systems
United States CCDC Army Research Laboratory（美国CCDC陆军研究实验室）
具有少量射频（RF）链的毫米波多输入多输出（mmWave-MIMO）系统具有有限的复用增益。空间路径索引调制（SPIM）通过利用由空间路径的索引调制的附加信号比特来帮助改善该增益。在本文中，我们介绍了基于模型和无模型的多用户SPIM-MIMO系统中的波束形成器的设计框架。我们首先通过基于模型的流形优化算法设计波束形成器。然后，我们利用联邦学习（FL）与辍学学习（DL）训练的学习模型的本地数据集的用户，谁估计的波束形成器通过馈送模型与他们的信道数据。DL在训练期间随机选择不同的模型参数集，从而与传统FL相比进一步减少了传输开销。数值实验表明，所提出的框架比最先进的SPIM-MIMO方法和mmWave-MIMO具有更高的频谱效率，后者依赖于最强的传播路径。此外，所提出的FL方法提供比集中式学习技术低至少10倍的传输开销。
2021-02-15 cs.IT cs.LG eess.SP
Random Orthogonalization for Federated Learning in Massive MIMO Systems
University of Virginia（弗吉尼亚大学）；The Pennsylvania State University（宾夕法尼亚州立大学）；Princeton University（普林斯顿大学）
我们提出了一种新的通信设计，称为随机正交化，联邦学习（FL）在一个大规模的多输入多输出（MIMO）无线系统。随机正交化的关键新颖性来自FL的紧密耦合和大规模MIMO的两个独特特性-信道硬化和良好的传播。结果，随机正交化可以实现自然的空中模型聚合，而不需要用于FL的上行链路阶段的发射机侧信道状态信息（CSI），同时显著减少接收机处的信道估计开销。我们将这一原则扩展到下行链路通信阶段，并开发了一个简单但高效的模型广播方法FL。我们还放松了大规模MIMO假设，提出了一个增强的随机正交化设计的上行链路和下行链路FL通信，不依赖于信道硬化或有利的传播。理论分析方面的通信和机器学习性能进行。特别是，收敛速度，客户端的数量和天线的数量之间的显式关系建立。实验结果验证了大规模MIMO中FL随机正交化的有效性和效率。
2022-10-18 cs.IT cs.LG eess.SP
Federated Learning for Hybrid Beamforming in mm-Wave Massive MIMO
Duzce University（迪兹杰大学）；Koc University（科奇大学）
用于混合波束形成的机器学习已经通过使用集中式机器学习（CML）技术被广泛研究，其需要使用从用户收集的大数据集来训练全局模型。然而，由于有限的通信带宽和隐私问题，用户和基站（BS）之间的整个数据集的传输在计算上是禁止的。在这项工作中，我们引入了一个联邦学习（FL）为基础的框架，混合波束成形，模型训练是在BS只收集来自用户的梯度。我们设计了一个卷积神经网络，其中输入是信道数据，在输出端产生模拟波束形成器。通过数值模拟，FL被证明是更宽容的缺陷和腐败的信道数据，以及具有更少的传输开销比CML。
2020-08-22 cs.IT cs.LG eess.SP
Cell-Free Massive MIMO for Wireless Federated Learning
提出了一种新的无信元大规模多输入多输出（CFmMIMO）网络方案，以支持任意的联邦学习（FL）框架。该方案允许FL框架的每个迭代而不是所有迭代在大规模相干时间内发生，以保证FL过程的稳定操作。为了展示如何使用该方案优化FL性能，我们以现有的FL框架为例，并将FL训练时间最小化作为该框架的目标。一个优化问题，然后制定联合优化本地精度，发射功率，数据速率，和用户的处理频率。这个混合时间尺度的随机非凸问题捕捉到了一个FL过程的训练时间、训练更新的传输和计算之间的复杂相互作用。通过采用在线连续凸逼近方法，我们开发了一个新的算法来解决制定的问题，证明收敛到其稳定点的邻域。我们的数值结果证实，所提出的联合设计减少了训练时间高达$55\%$超过基线方法。它们还表明，与无小区时分多址接入大规模多输入多输出和并置大规模多输入多输出相比，CFmMIMO在这里需要用于FL过程的最低训练时间。
2020-06-15 cs.IT eess.SP math.IT
User-Centric Federated Learning
EURECOM（欧洲通信系统工程学院）；Mitsubishi Electric R&D Centre Europe（三菱电机欧洲研发中心）
参与设备之间的数据异构性是联邦学习的主要挑战之一，因为它已被证明会极大地阻碍其收敛时间和泛化能力。在这项工作中，我们通过在参数服务器上使用多个以用户为中心的聚合规则来实现个性化来解决这个限制。我们的方法可能会产生一些额外的下行链路通信开销的成本为每个用户的个性化模型。为了在个性化和通信效率之间取得平衡，我们提出了一种广播协议，该协议限制了个性化流的数量，同时保留了我们学习方案的基本优势。通过仿真结果，我们的方法被证明享有更高的个性化功能，更快的收敛速度，更好的通信效率相比，其他竞争的基线解决方案。
2021-10-19 cs.IT cs.LG eess.SP
Over-the-Air Federated Learning in MIMO Cloud-RAN Systems
针对传统OA-FL覆盖受限和资源利用率低的问题，提出MIMO Cloud-RAN框架下的OA-FL，将全局聚合建模为L-DSC问题并利用AO和MM算法联合优化通信与学习，有效提升了系统性能。
2023-05-17 cs.IT eess.SP math.IT
Cooperative Uplink Channel Estimation in User-Centric Cell-free Massive MIMO Communication Networks
Vrije Universiteit Brussel (VUB)（布鲁塞尔自由大学）；KU Leuven（荷语鲁汶大学）
针对以用户为中心的无小区大规模MIMO网络，提出一种基于最小均方误差的协作上行信道估计方法，通过接入点间共享线性压缩信号实现最优估计，降低通信开销并提升估计精度与收敛速度。
2026-05-29 eess.SP
Channel Estimation with Asynchronous Reception for User-Centric Cell-Free MIMO Systems
针对以用户为中心的无蜂窝MIMO系统中分布式接入点导致的异步接收问题，本文提出通过新导频序列和匹配滤波器窗口恢复正交性的信道估计方法，在仅小幅增加训练开销的情况下将归一化均方误差降低7.26 dB、数据速率提升40%。
2025-06-05 cs.IT cs.NI eess.SP
Distributed Resource Allocation Optimization for User-Centric Cell-Free MIMO Networks
针对以用户为中心、无小区、空间分布的多输入多输出（MIMO）网络，提出了两种分布式下行资源分配算法。在这样的网络中，每个用户都由附近的发射机子集提供服务，我们称之为分布式单元或DU。区域中DU的操作由中央单元（CU）控制。我们的第一个方案是在DU上实现的，而第二个方案是在控制这些DU的CU上实现的。我们定义了一个混合服务质量度量，使分布式优化系统资源的比例公平的方式。具体来说，我们的算法执行用户调度，波束成形，功率控制，同时考虑信道估计误差。重要的是，我们的算法不需要DU（CU）之间的信息交换的DU分布式（CU分布式）系统，同时也顺利收敛。我们的研究结果表明，我们的CU分布式系统提供了1.3至1.8倍的网络吞吐量相比，DU分布式系统，在复杂性和前传负载略有增加，并大幅提高了基准计划，如本地迫零。我们还分析了由CU分布式系统提供的权衡，从而突出了在以用户为中心的无小区网络中部署多个CU的意义。
2021-10-15 cs.IT cs.PF eess.SP
User Association in User-Centric Hybrid VLC/RF Cell-Free Massive MIMO Systems
本文提出混合VLC/RF无小区大规模MIMO系统，通过两种用户关联算法和两种以用户为中心的聚类方法平衡网络负载，仿真表明其总速率显著优于随机关联和独立无小区网络。
2022-07-04 cs.IT eess.SP math.IT
User-Centric Cell-Free Massive MIMO With RIS-Integrated Antenna Arrays
本文提出将RIS集成到无小区大规模MIMO接入点的天线阵列中作为智能发射面，以减轻乘性衰落效应并以低成本匹配大型天线阵列性能，仿真验证了该架构在上行链路中显著提升数据速率的有效性。
2024-09-24 cs.IT eess.SP math.IT
Energy-Efficient Power Control in Cell-Free and User-Centric Massive MIMO at Millimeter Wave
在无小区大规模多输入多输出架构中，非常大量的分布式接入点同时并联合地服务于少得多的移动站;无小区技术的变体是以用户为中心的方法，其中每个接入点仅服务于减少的移动站集合。本文介绍和分析了毫米波频率的无小区和以用户为中心的架构，考虑基于训练的信道估计阶段，以及下行链路和上行链路数据传输阶段。首先，一个多用户分簇毫米波信道模型，以考虑附近用户的信道之间的相关性，其次，上行链路的多用户信道估计方案描述随着低复杂度的混合模拟/数字波束形成架构。第三，针对下行链路全局能量效率最大化的功率分配的非凸问题。有趣的是，在所提出的方案中，在移动站处不需要信道估计，并且在移动站处使用的波束成形方案是信道无关的并且具有非常简单的结构。数值结果表明，所考虑的架构是有效的，并允许评估的损失所产生的使用的混合波束形成器和由信道估计错误的功率控制程序所授予的好处。
2019-03-27 cs.IT eess.SP math.IT
Federated Learning-Based Cell-Free Massive MIMO System for Privacy-Preserving
无小区大规模MIMO（Cell-free massive MIMO，CF mMIMO）是实现联邦学习（federated learning，FL）的一种很有前途的下一代无线架构。然而，在实践中，用户设备（UE）的敏感信息可能暴露给所涉及的接入点或中央处理单元。为了保证数据的隐私性，本文定义了有效的隐私保护机制。特别是，我们证明和特征的可能性，在利用固有的量化误差，所造成的低分辨率的模数转换器（ADC）和数模转换器（DAC），在FL CF mMIMO系统中的隐私保护。此外，为了减少在这样的系统中所需的上行链路训练时间，建立了一个联合优化发射功率和数据率的随机非凸设计问题。为了解决这个问题，我们提出了一种新的功率控制方法，利用逐次凸逼近方法获得一个次优解。此外，建立了一个异步协议，以减轻离散效应，以促进FL。数值结果表明，与传统的全功率传输相比，采用所提出的功率控制方法可以有效地减少各种实际系统设置下的上行链路训练时间。此外，我们的研究结果揭示，我们提出的异步方法可以减少等待时间在中央处理器接收所有用户信息，因为没有掉队者，需要很长的时间来报告他们的本地更新。
2022-11-30 cs.IT eess.SP math.IT
Federated Learning for Channel Estimation in Conventional and RIS-Assisted Massive MIMO
Duzce University（杜兹杰大学）；University of Hertfordshire（赫特福德大学）；Koc University（科奇大学）
机器学习（ML）以其低复杂度和鲁棒性吸引了物理层设计问题（如信道估计）的极大研究兴趣。经由ML的信道估计需要对数据集进行模型训练，该数据集通常包括作为输入的接收导频信号和作为输出的信道数据。在以前的工作中，模型训练主要是通过集中式学习（CL）完成的，其中整个训练数据集是从基站（BS）的用户收集的。这种方法为数据收集引入了巨大的通信开销。在本文中，为了解决这一挑战，我们提出了一个联邦学习（FL）框架的信道估计。我们设计了一个卷积神经网络（CNN），在用户的本地数据集上训练，而不将它们发送到BS。我们开发了基于FL的信道估计方案，用于常规和RIS（智能反射面）辅助的大规模多输入多输出（多输入多输出）系统，其中单个CNN针对两种情况下的两个不同数据集进行训练。我们评估了噪声和量化模型传输的性能，并表明所提出的方法提供了约16倍的开销比CL低，同时保持令人满意的性能接近CL。此外，所提出的架构具有较低的估计误差比最先进的ML为基础的计划。
2021-11-15 cs.IT cs.LG eess.SP
Over-the-Air Federated Multi-Task Learning Over MIMO Multiple Access Channels
随着数据和无线设备的爆炸式增长，基于无线介质的联邦学习（FL）已成为大规模分布式智能系统的一种有前途的技术。然而，对泛在智能的迫切需求将产生大量并发的FL任务，这可能会严重加剧通信资源的稀缺。空中计算（Over-the-Air Computation，AirComp）利用电磁波的模拟叠加特性，可以有效地减轻FL的通信负担。然而，空中计算中的频时资源共享不可避免地带来了任务间干扰问题，这是一个需要妥善解决的新挑战。在本文中，我们研究了空中联合多任务学习（OA-FMTL）在多输入多输出（MIMO）多址接入（MAC）信道。我们提出了一种新的模型聚合方法，用于对齐不同设备的局部梯度，该方法消除了由于信道异质性而导致的空中计算中的掉队问题。通过考虑设备之间的空间相关性，我们建立了所提出的OA-FMTL方案的通信学习分析框架，并为收发器波束成形和设备选择的设计制定了优化问题。为了解决这个问题，我们开发了一种算法，通过使用交替优化（AO）和分式规划（FP），有效地减轻任务间干扰的FL学习性能的影响。我们表明，由于使用新的模型聚合方法，设备选择不再是必不可少的，从而避免了沉重的计算负担，选择主动设备。数值结果验证了分析的正确性和所提方案的优越性能。
2022-05-06 cs.LG cs.NI eess.SP
A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems
POSTECH（浦项工科大学）；Princeton University（普林斯顿大学）；Nanjing University of Science and Technology（南京理工大学）
联邦学习是一种隐私保护方法，通过与无线设备协作，在中央服务器上训练全局模型，每个无线设备都有自己的本地训练数据集。在本文中，我们提出了一种压缩感知方法，用于大规模多输入多输出通信系统的联邦学习，其中中央服务器配备了大量的天线阵列与无线设备进行通信。系统设计中的一个主要挑战是在中央服务器处准确地重建局部梯度向量，这些梯度向量是从无线设备计算并发送的。为了克服这一挑战，我们首先建立了一个传输策略，在设备上从局部梯度向量构建稀疏传输信号。然后，我们提出了一个压缩感知算法，使服务器迭代地找到线性最小均方误差（LMMSE）估计的传输信号，利用其稀疏性。我们还推导出一个分析阈值的残差在每次迭代，设计所提出的算法的停止标准。我们表明，对于稀疏的发射信号，该算法需要更少的计算复杂度比LMMSE。仿真结果表明，该方法优于传统的线性波束形成方法，并缩小了联邦学习和集中式学习之间的性能差距，具有完美的重建。
2020-08-05 cs.DC cs.LG eess.SP
POMDP-based Handoffs for User-Centric Cell-Free MIMO Networks
我们建议通过一个部分可观测的马尔可夫决策过程（POMDP）的状态空间表示的离散版本的大规模衰落（LSF）和行动空间表示的关联决定的用户与接入点，以用户为中心的无小区的大规模MIMO网络中的控制MIMO（HO）。我们提出的配方占时间的演变和部分可观性的信道状态。这允许我们在执行HO决策时考虑未来的奖励，从而获得鲁棒的HO策略。为了减轻解决我们的POMDP的高复杂性，我们遵循分而治之的方法，将POMDP公式分解为子问题，每个子问题单独解决。然后，该策略和最佳解决子问题的接入点的候选集群用于在特定时间范围内执行HO。我们通过确定何时使用HO策略来控制HO的数量。我们的仿真结果表明，我们提出的解决方案减少了47%的HO相比，时间触发的基于LSF的HO和70%相比，数据率阈值触发的基于LSF的HO。通过增加POMDP的时间范围，可以进一步减少这一数量。
2022-08-07 cs.IT cs.NI eess.SP
Foundations of User-Centric Cell-Free Massive MIMO
本专著系统阐述了以用户为中心的无小区大规模MIMO的基础，涵盖动机、数学定义、信道估计与收发信号处理算法、频谱效率分析及资源分配方法，揭示了性能、复杂度与前传需求的权衡。
2023-11-27 cs.IT eess.SP math.IT
Early Acceptance Matching Game for User-Centric Clustering in Scalable Cell-free MIMO Networks
本文针对可扩展无蜂窝MIMO网络中的用户中心AP聚类问题，提出一种早期接受匹配博弈算法，通过即时接纳或拒绝UE请求，在受限前传容量下显著降低前传信令并最大化满足QoS要求的UE数量。
2024-06-10 cs.MA cs.NI eess.SP
Uplink resource allocation optimization for user-centric cell-free MIMO networks
本文针对以用户为中心的无蜂窝MIMO网络上行链路资源分配问题，提出一种结合集中式与分布式优势的半分布式运行模式，并通过新服务质量指标实现去中心化，以较小速率损失消除接入点间信息交换需求。
2024-06-08 cs.IT cs.NI cs.SY
Multi-UE Multi-AP Beam Alignment in User-Centric Cell-Free Massive MIMO Systems Operating at mmWave
本文考虑了无小区大规模MIMO部署中多个接入点（AP）和多个用户设备（UE）同时工作在同一毫米波频段的波束对准问题。假设控制信道在低于6GHz频率处的可用性，开发了一种协议，该协议允许为每个UE估计来自周围AP中的每个AP的最强传播路径，并且在UE和AP之间执行以用户为中心的关联。在一个阶段过程中，在UE处实现对来自附近AP的最强路径的估计，在该过程期间，所有AP利用伪随机发射波束成形器在伪随机选择的信道上同时发射。提出了一种AP间正交信道分配算法，其目标是最小化在相同信道上传输的AP之间的相互干扰。所提出的策略的性能进行评估的概率正确检测的方向的到达和离开相关联的最强的波束从附近的AP，并在下行链路和上行链路的信号与干扰加噪声比。仿真结果表明，该方法是有效的，能够在多UE多AP的无线场景中有效地实现波束对准。
2022-04-25 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
Joint data rate and EMF exposure analysis in user-centric cell-free massive MIMO networks
本研究的目的是分析统计的数据率和入射功率密度（IPD）在以用户为中心的无细胞网络（UCCFNs）。为此，我们的分析提出了一些性能指标，使用随机几何（SG）。一方面，计算了IPD的一阶矩和边缘分布。另一方面，速率和IPD的联合分布的界限提供了两种情况：当它是相关的，以获得高于给定阈值的IPD值（用于能量收集的目的），以及当这些值应该保持低于阈值（出于公共健康的原因）。除了获得这些指标，这项工作结合了与UCCFNs是新的SG模型的功能：基于集体信道统计的功率分配，以及相邻集群之间存在潜在的重叠。我们的数值结果说明了可实现的速率和IPD性能之间的权衡。对于所考虑的系统，这些结果也突出了最佳节点密度最大化的联合分布的存在。(This工作已提交给IEEE可能出版。版权可能会在不通知的情况下转让，之后可能无法再访问此版本。
2023-01-26 cs.IT eess.SP math.IT
MIMO-ISAC: Performance Analysis and Rate Region Characterization
分析了多输入多输出下行链路综合传感通信系统（ISAC）的传感通信性能。分析了三种ISAC方案，包括以感知为中心的设计、以通信为中心的设计和帕累托最优设计。对于每种情况下，多样性的订单和高信噪比斜率的传感速率（SR）和通信速率（CR）的推导，以获得进一步的见解。数值结果表明：\romannumeral 1）ISAC与现有频分S\&C（FDSAC）技术具有相同的分集阶数; \romannumeral 2）ISAC比FDSAC具有更大的高信噪比斜率和更宽的SR-CR区域。
2023-01-08 cs.IT eess.SP math.IT
A General Framework for Scalable UE-AP Association in User-Centric Cell-Free Massive MIMO based on Recurrent Neural Networks
Università degli Studi della Campania “Luigi Vanvitelli”（路易吉·万维泰利坎帕尼亚大学）；ENEA（意大利国家新技术、能源和经济可持续发展局）；University of Cassino and Southern Lazio（卡西诺和南拉齐奥大学）；Consorzio Nazionale Interuniversitario per le Telecomunicazioni（意大利国家电信大学联盟）；Politecnico di Milano（米兰理工大学）
提出一种基于双向LSTM和混合概率方法的深度学习算法，解决了无蜂窝大规模MIMO网络中UE-AP关联的可扩展性及导频污染问题，无需重训练即优于启发式方案。
2025-03-06 cs.LG eess.SP stat.ML
A Deep Learning Approach for User-Centric Clustering in Cell-Free Massive MIMO Systems
Università degli Studi della Campania（坎帕尼亚大学）；ENEA（意大利国家新技术、能源和经济发展局）；University of Cassino and Southern Lazio（卡西诺大学和南拉齐奥大学）；Politecnico di Milano（米兰理工大学）
针对无蜂窝大规模 MIMO 中 AP-用户关联的高复杂度组合问题，提出基于 LSTM 的深度学习用户聚类方法，以在限制活动连接数时最大化和频谱效率，且无需随用户数增加重新训练。
2024-09-17 cs.IT cs.LG eess.SP
CSI-GPT: Integrating Generative Pre-Trained Transformer with Federated-Tuning to Acquire Downlink Massive MIMO Channels
School of Information and Electronics, Beijing Institute of Technology（北京理工大学信息与电子学院）；King Abdulaziz University（阿卜杜勒阿齐兹国王大学）；School of Electronics and Computer Science, University of Southampton（南安普顿大学电子与计算机科学学院）；Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）
提出CSI-GPT方法，融合生成式预训练Transformer与联邦调优，实现低开销高效的下行大规模MIMO信道获取，并通过仿真验证其优势。
2024-09-14 cs.IT cs.LG eess.SP
Downlink Resource Allocation in Multiuser Cell-free MIMO Networks with User-centric Clustering
在本文中，我们优化的用户调度，功率分配和波束形成的分布式多输入多输出（MIMO）网络实现以用户为中心的聚类。我们研究了相干和非相干传输模式，制定了加权和速率最大化问题，这些问题的最佳解决方案是已知的NP-难。我们使用分数规划，块坐标下降和压缩感知的工具来构建一个算法，该算法优化了波束成形权重和用户调度，并收敛于一个平滑的非递减模式。信道状态信息（CSI）的优化是至关重要的，我们强调采用低开销的导频分配策略的调度问题的重要性。在这方面，我们使用的层次凝聚聚类的变体，它提供了一个次优的，但可行的，导频分配方案;对于我们的无小区的情况下，我们制定了一个基于区域的导频重用因子。我们的研究结果表明，我们的计划提供了很大的收益，在长期的网络和频谱效率相比，基准计划，如迫零和共轭波束成形（循环调度）分别。此外，结果表明，相干传输的优越性相比，非相干模式下的理想和不完美的CSI为基于区域的导频复用因素，我们考虑。
2021-08-13 cs.IT cs.NI cs.PF
End-User-Centric Collaborative MIMO: Performance Analysis and Proof of Concept
本文提出UE-CoMIMO方法，利用个人区域内多个设备组成虚拟扩展天线阵列以突破用户设备空间限制，并通过数学分析、射线追踪仿真和真实5G空口验证证明了其可行性与性能增益。
2024-12-25 cs.IT eess.SP math.IT
User-centric Cell-free Massive MIMO Networks: A Survey of Opportunities, Challenges and Solutions
网络基站的密集化对于实现未来移动网络的严格的服务质量（QoS）要求是必不可少的。然而，随着发射机的密集部署，干扰管理成为一项艰巨的任务。为了解决这个问题，探索具有智能协调和协作能力的全新网络架构至关重要。本调查报告研究了新兴的以用户为中心的无小区大规模多输入多输出（MIMO）网络架构，为未来的移动网络奠定了基础。这种网络使用密集部署的分布式单元（DU）来服务用户;与传统蜂窝模式的关键区别在于，为每个用户定义了一个特定的DU服务集群。该框架提供宏分集、功率效率、干扰管理和鲁棒连接。最重要的是，以用户为中心的方法消除了小区边缘，从而有助于整个网络区域的用户的均匀覆盖和性能。我们在这里提出了一个指南，该网络方案的部署所面临的主要挑战，并考虑提出的解决方案所面临的主要瓶颈无细胞通信。具体来说，我们调查的文献，针对前传，然后我们扫描所需的信道估计，资源分配，延迟和可扩展性问题的细节。此外，我们强调了一些技术，可以提供一个管理平台，如分布式软件定义网络（SDN）的计划。我们的文章作为一个检查点，描绘了目前的状况，并指出了未来的方向，在这一领域的全面方式。
2021-12-10 cs.IT cs.NI cs.SY
Precoder Design for User-Centric Network Massive MIMO with Matrix Manifold Optimization
本文研究UCN mMIMO下行链路预编码器设计，通过将约束问题转化为黎曼子流形上的无约束问题，提出避免大矩阵求逆的RCG设计方法，仿真证明其计算高效且性能优越。
2025-03-06 cs.IT eess.SP math.IT
Beam Alignment in mmWave User-Centric Cell-Free Massive MIMO Systems
本文研究了毫米波（mmWaves）载波频率下无小区大规模多输入多输出（CF-mMIMO）系统中的波束对准（BA）问题。提出了两种估计算法，其与允许在共享频率集合上针对每个用户设备（UE）同时估计与来自周围接入点（AP）中的每一个的最强传播路径相关联的无线电波的到达和离开方向的协议相关联，使得可以发生UE-AP关联。所提出的过程依赖于在6 GHz以下频率处存在可靠的控制信道，以便使得能够在UE和网络之间交换估计值，并且假设可以基于正交信道和发送波束成形码本的先验知识来识别AP。还提出了一种用于将码本条目分配给几个AP的策略，其目的是最小化被分配相同条目的AP之间的相互干扰。数值结果表明，所提出的检测策略的有效性，从而使一次性快速BA CF-mMIMO系统。
2021-06-25 cs.IT eess.SP math.IT
Joint Antenna Selection and Beamforming for Massive MIMO-enabled Over-the-Air Federated Learning
本文针对RF链受限的大规模MIMO空中联邦学习，提出基于惩罚对偶分解和稀疏恢复的联合天线选择与波束成形算法，并证明仅用不到20%的天线即可接近全天线学习性能。
2023-05-26 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
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
User-Centric Cell-Free Massive MIMO Enhanced by Fluid-Antenna Access Points: Uplink Analysis
本文提出了一种基于流天线的无基站大规模MIMO系统，通过动态激活天线端口和优化策略提升上行频谱效率。
2025-12-28 cs.IT eess.SP math.IT
Sparse Joint Transmission for Cell-Free Massive MIMO: A Sparse PCA Approach
无小区大规模多输入多输出（MIMO）是一种很有前途的蜂窝网络。在该网络中，大量分布的多天线接入点（AP）使用相同的时频资源共同为多个单天线用户提供服务。因此，它可能通过经由以用户为中心的联合传输消除小区边界处的干扰来向用户提供统一的服务体验，而不管用户的位置如何。然而，这种联合传输需要极高的信令开销以用于经由回程链路的数据共享，并且导致高的网络范围的功耗。为了解决这些问题，在本文中，我们提出了一种新的联合传输方法，这是被称为稀疏联合传输（sparse-JT），无小区大规模多输入多输出网络有限的回程容量的限制。稀疏JT联合地标识以用户为中心的协作AP集合、用于波束成形和压缩的预编码向量、以及在每个联合传输的活动AP的总数是稀疏的约束下最大化和频谱效率的下限的功率分配。该算法保证确定一个放松的和谱最大化问题的局部最优解。通过仿真，我们表明，稀疏JT实现更高的遍历频谱效率比所达到的多小区迫零预编码与用户为中心的AP聚类算法在所有系统配置。
2021-07-29 cs.IT eess.SP math.IT
Differentially Private Over-the-Air Federated Learning Over MIMO Fading Channels
The Chinese University of Hong Kong（香港中文大学）；Cornell University（康奈尔大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对MIMO衰落信道空中联邦学习的隐私放大问题，本文分析收敛与隐私损失，提出基于交替优化的收发器设计算法，实现更优隐私-学习权衡。
2023-12-25 cs.CR cs.IT cs.LG
