Decentralized Equalization for Massive MIMO Systems With Colored Noise Samples
针对DBP架构下色噪声干扰及噪声协方差矩阵估计难题,提出星型与菊花链DBP架构的去中心化LMMSE均衡方法,在大幅减少通信带宽的同时实现了优异的检测性能。
2023-05-22 eess.SP
Uncoordinated and Decentralized Processing in Extra-Large MIMO Arrays
提出了一种适用于超大型多输入多输出(XL-MIMO)阵列的分散接收机。我们的方法没有中央处理器(CPU),所有的信号检测任务都在分布式节点上完成。我们利用一个组合的消息传递框架,设计一个不协调的检测方案,克服了XL-MIMO系统中的三个主要挑战:计算复杂性,可扩展性和用户能量分布的非平稳性。我们的数值计算结果表明,一个显着的性能改善相比,基准分布式方法,同时操作非常接近集中式接收器。
2021-03-11 cs.IT eess.SP math.IT
Feedforward Architectures for Decentralized Precoding in Massive MU-MIMO Systems
与传统的小规模MIMO技术相比,大规模多用户多输入多输出(MU-MIMO)能够显著提高频谱效率和链路可靠性。此外,线性预编码器,例如,使用迫零或维纳滤波器(WF)预编码足以在大规模MU-MIMO下行链路中实现优异的错误率性能。然而,这些方法需要在基站(BS)处进行集中处理,这导致(i)过高的互连和芯片输入/输出数据率,以及(ii)高实现复杂性。我们提出了两种前馈架构和相应的分散式WF预编码器,可以在多个计算结构中并行预编码,有效地缓解了集中式方法的问题。为了证明我们的分散式预编码器的有效性,我们提供了多GPU系统上的实现结果,这表明我们的解决方案在Gbit/s范围内实现了吞吐量,同时在大规模MU-MIMO下行链路中实现了(接近)最佳的错误率性能。
2018-04-29 cs.IT eess.SP math.IT
Decentralized Beamforming for Cell-Free Massive MIMO with Unsupervised Learning
无小区大规模多输入多输出(Cell-free massive MIMO,CF-mMIMO)系统代表了一种提高无线通信系统频谱效率的有前景的方法。然而,接近最优的波束成形解决方案需要在接入点(AP)和网络控制器(NC)之间进行大量的信令交换。在这封信中,我们提出了两种无监督的深度神经网络(DNN)架构,完全和部分分布式,可以在AP和NC之间执行分散的协调波束成形,实现全数字和混合预编码。与传统的接近最优的解决方案相比,所提出的DNN实现了接近最优的和速率,同时还将计算复杂度降低了10- 24倍。
2021-11-26 cs.LG eess.SP
Centralized and Decentralized ML-Enabled Integrated Terrestrial and Non-Terrestrial Networks
非地面网络(NTN)是实现第六代网络持久连接愿景的关键推动因素,因为它们可以为地面基础设施不足的服务区提供服务。然而,这些网络与地面网络的整合充满了障碍。NTN通信场景的动态性质和众多变量使得传统的基于模型的解决方案对于资源分配、参数优化和其他问题而言在计算上是昂贵的并且是不切实际的。因此,基于机器学习(ML)的解决方案可以发挥关键作用,因为它们具有内在的能力,可以以卓越的性能和较低的复杂性揭示时变多维数据中隐藏的模式。集中式ML(CML)和分散式ML(DML),基于数据和计算负载的分布而命名,是两类ML,正在研究作为陆地和非陆地网络(TNTN)集成的各种复杂性的解决方案。在不同的情况下,两者都有各自的优点和缺点,为每个TNTN集成问题选择适当的ML方法是不可或缺的。为此,本文回顾了第三代合作伙伴项目标准版本中给出的TNTN集成架构,并提出了可能的方案。然后,CML和DML的能力和挑战,从这些场景的有利位置进行了探讨。
2022-07-22 eess.SP
Distributed Precoding for Cell-free Massive MIMO in O-RAN: A Multi-agent Deep Reinforcement Learning Framework
The University of British Columbia(不列颠哥伦比亚大学)
本文提出一种多智能体深度强化学习框架,用于细胞自由大规模MIMO的分布式预编码,通过有限的信息交换降低干扰,提升整体吞吐量。
2026-05-01 eess.SP
Self-Nomination: Deep Learning for Decentralized CSI Feedback Reduction in MU-MIMO Systems
本文提出一种名为自我提名的深度学习框架,让每个UE基于被调度概率和预编码贡献自主决定是否反馈CSI,在平均反馈约束下训练,可减少高达65%的反馈开销,且几乎不影响总速率和公平性。
2025-04-23 eess.SP
Mini-Batch Gradient-Based MCMC for Decentralized Massive MIMO Detection
本文针对大规模MIMO集中式处理的计算与数据交换瓶颈,提出一种去中心化架构下结合小批量随机梯度下降的梯度MCMC检测方法,在降低计算延迟和互连带宽的同时实现显著性能提升。
2024-07-26 cs.IT eess.SP math.IT
Comprehensive Analysis of Behavioral Hardware Impairments in Cell-Free Massive MIMO-OFDM Uplink: Centralized Operation
本文首次综合分析宽带无蜂窝大规模MIMO-OFDM上行链路中多种硬件损伤对频谱效率的影响,借助Bussgang分解推导感知失真的合并向量以优化频谱效率。
2025-07-29 cs.IT eess.SP math.IT
Fully Decentralized Massive MIMO Detection Based on Recursive Methods
用于大规模多输入多输出上行链路检测的算法通常依赖于集中式方法,通过该方法,来自所有天线模块的基带数据被路由到中央节点以便被处理。在大规模多输入多输出的情况下,其中在基站中预期有数百或数千个天线,这种架构导致瓶颈,在互连带宽要求方面具有关键限制。本文提出了一种基于递归方法的大规模多输入多输出上行链路的完全分散的结构和算法,该结构和算法不需要中心节点进行检测过程。通过一个递归的方法和非常低的复杂性操作,所提出的算法提供了一个序列的估计渐近收敛到迫零的解决方案,而不需要特定的硬件矩阵求逆。所提出的解决方案实现了显着低于其他架构的互连数据速率,使未来的可扩展性。
2018-08-28 cs.IT eess.SP math.IT
Trade-Offs in Decentralized Gigantic MIMO with Hard-Boundary Constraints
Lund University(隆德大学);Ericsson Research(爱立信研究)
针对6G FR3频段巨型MIMO的处理复杂度和互连带宽挑战,提出基于WAX框架的分散式架构,由非协作硬件模块实现,展示了复杂度与性能之间的权衡潜力。
2026-07-01 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
6D Movable Antenna Enhanced Cell-free MIMO: Two-timescale Decentralized Beamforming and Antenna Movement Optimization
University of Electronic Science and Technology of China(电子科技大学);King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学);Beijing Institute of Technology(北京理工大学);National University of Singapore(新加坡国立大学);Kash Institute of Electronics and Information Industry(喀什电子信息产业研究院)
本文提出一种双时间尺度去中心化优化框架,用于6DMA辅助的无基站MIMO系统,通过联合设计波束成形、天线位置和阵列方向,提升通信性能。
2026-01-08 eess.SP
Cluster-Based Cell-Free Massive MIMO Systems: A Novel Framework to Enhance Spectral Efficiency with Low Complexity
本文针对分布式无蜂窝大规模MIMO系统频谱效率低的问题,提出基于簇的混合集中与分布式架构,通过簇内共享CSI设计本地预编码器,在四簇结合MMSE预编码时以降低超85%计算复杂度超越集中式结构的频谱效率。
2023-10-28 eess.SP
Robust Decentralized Multi-Satellite Massive MIMO Transmission via Knowledge Distillation
National Mobile Communications Research Laboratory, Southeast University(东南大学国家移动通信重点实验室);Purple Mountain Laboratories(紫金山实验室);University of Luxembourg(卢森堡大学);Peng Cheng Laboratory(鹏城实验室);China Satellite Network Group Company Ltd.(中国卫星网络集团有限公司)
本文针对不完善sCSI下的多卫星大规模MIMO系统,提出结合角度相位误差校准的混合KD框架,将集中式教师NN的协作预编码知识蒸馏至分布式学生NN,提升了和速率并保持鲁棒性。
2026-09-01 eess.SP
Making Cell-Free Massive MIMO Competitive With MMSE Processing and Centralized Implementation
无小区大规模MIMO被认为是一种有前途的技术,可以满足超过5G网络中不断增加的用户数量和高速率期望。其关键思想是让许多分布式接入点(AP)与网络中的所有用户通信,可能通过使用联合相干信号处理。本文的目的是提供第一个全面的分析,这种技术下不同程度的AP之间的合作。特别是,四种不同的无小区实现的上行链路频谱效率进行了分析,空间相关衰落和任意线性处理。事实证明,有可能在很大程度上胜过传统的蜂窝大规模MIMO和小小区网络,但仅使用全局或局部最小均方误差(MMSE)组合。这与现有文献形成鲜明对比,后者主张最大比率合并。此外,我们表明,一个集中的实施与最佳MMSE处理,不仅最大限度地提高了SE,但大大减少了前传信令相比,标准的分布式方法。这使得它成为操作无小区大规模MIMO网络的首选方式。非线性解码也进行了研究,并显示带来微不足道的改善。
2019-09-17 cs.IT eess.SP math.IT
Design Trade-offs for Decentralized Baseband Processing in Massive MU-MIMO Systems
大规模多用户(MU)多输入多输出(MIMO)通过空间复用和细粒度波束成形提供高频谱效率。然而,用于具有依赖于集中式基带处理的数百个天线的系统的常规基站(BS)架构不可避免地遭受(i)射频电路与处理结构之间的过度互连数据率,以及(ii)集中式基带处理器处的过高复杂性。最近,分散式基带处理(DBP)的架构和算法已被提出,这减轻了互连带宽和复杂度的瓶颈。本文系统地探讨了DBP架构在不同系统配置和信道条件下的误码率性能、计算复杂性和数据传输延迟之间的设计权衡。考虑到架构,算法和数值精度方面,我们提供了实用的指导方针,选择DBP架构和算法,能够实现大规模MU-MIMO的全部好处,在上行链路和下行链路。
2019-12-15 cs.IT eess.SP math.IT
Decentralization Issues in Cell-free Massive MIMO Networks with Zero-Forcing Precoding
无小区大规模多输入多输出(CF-M-MIMO)系统代表了几十年来主导移动领域的经典蜂窝架构的演进。在CF-M-MIMO中,中央处理单元(CPU)控制不规则地分散在整个覆盖区域中的多个接入点(AP),从而有效地成为M-MIMO技术的完全分布式实现。因此,它继承了许多使M-MIMO成为5G系统物理层支柱之一的关键特性,同时为M-MIMO中不具备的新功能打开了大门。其中最新的是在CPU(集中式)或在AP(分布式)处执行预编码的可能性,已知前者以必须在CPU处收集所有相关的信道状态信息(CSI)为代价来提供好得多的性能。当要覆盖的区域很大时,无单元系统的实际部署可能需要多个CPU,因此需要解决的关键问题是这些多个CPU应该如何互连。针对集中式迫零预编码的特定情况,分析并提出了CPU之间不同程度互连的设计。结果表明,一种适度的CPU互连形式可以非常显着地提高CF-M-MIMO架构中普遍存在的最大-最小速率性能。
2019-09-26 eess.SP
Decentralized Power Allocation for MIMO-NOMA Vehicular Edge Computing Based on Deep Reinforcement Learning
车载边缘计算(VEC)被认为是处理车载用户(VU)爆炸性计算任务的一种很有前途的方法。在VEC系统中,每个VU通过卸载来分配功率以处理部分任务,并且通过本地执行来处理剩余的任务。在卸载过程中,每个VU采用多入多出非正交多址(MIMO-NOMA)信道,以提高信道频谱效率和容量。然而,由于MIMO-NOMA信道引起的VU之间的信道干扰和每个VU的移动性引起的时变路径损耗,信道条件是不确定的。此外,在现实世界中,每个VU的任务到达是随机的。任务到达的随机性和信道条件的不确定性对每个VU的功耗和延迟有很大影响。在MIMO-NOMA VEC中,考虑随机任务到达和信道变化,设计最优的功率分配方案,以优化包括功耗和延迟在内的长期回报是至关重要的。与传统的集中式深度强化学习(DRL)方案不同,本文构建了一个分散式深度强化学习框架,将局部观测值作为状态来表达功率分配优化问题。采用深度确定性策略梯度(DDPG)算法学习基于分散式DRL框架的最优功率分配方案。仿真结果表明,我们提出的功率分配方案优于现有的计划。
2021-12-29 cs.NI eess.SP
Asynchronous Activity Detection for Cell-Free Massive MIMO: From Centralized to Distributed Algorithms
新兴的无小区大规模多输入多输出(MIMO)系统中的设备活动检测已经被认为是机器类型通信中的关键任务,其中多个接入点(AP)基于接收到的信号从大量潜在设备中联合识别活动设备。解决这个问题的大多数现有的作品依赖于不切实际的假设,不同的有源器件同步传输信号。然而,在实践中,同步不能得到保证,由于低成本的振荡器,这带来了额外的不连续和非凸约束的检测问题。为了解决这一挑战,本文揭示了一个等效的重新制定的异步活动检测问题,这有利于开发一个集中式算法和分布式算法,满足高度非凸约束,在温和的方式作为迭代次数的增加,使所提出的算法产生的序列可以绕过坏的固定点。为了降低前传的容量要求,我们进一步设计了一个通信高效的加速分布式算法。仿真结果表明,所提出的集中式和分布式算法优于国家的最先进的方法,和所提出的加速分布式算法实现了接近的检测性能的集中式算法,但与一个更少的比特数要发送的前传链路。
2022-10-02 cs.IT eess.SP math.IT
On the Achievable Rates of Decentralized Equalization in Massive MU-MIMO Systems
与传统的小规模MIMO技术相比,大规模多用户(MU)多输入多输出(MIMO)有望在频谱效率方面获得显著的增益。诸如迫零(ZF)或基于最小均方误差(MMSE)的方法之类的线性均衡算法通常依赖于基站(BS)处的集中式处理,这导致(i)过高的互连和芯片输入/输出数据率,以及(ii)高计算复杂性。在本文中,我们研究了分散均衡的可实现率,以减轻这两个问题。我们考虑两种不同的BS架构,将天线阵列划分为集群,每个集群与独立的射频链和信号处理硬件相关联,并且每个集群的结果在前馈网络中融合。对于这两种架构,我们认为ZF,MMSE,和一种新的,非线性均衡算法,建立在近似消息传递(AMP),我们从理论上分析这些方法的可实现的速率。我们的研究结果表明,与集中式解决方案相比,我们基于AMP的方法的分散式均衡在可实现的速率方面没有或只有微不足道的损失。
2017-05-08 cs.IT eess.SP math.IT
Decentralized and Centralized IDD Schemes for Cell-Free Networks
针对无蜂窝大规模MIMO系统,提出带接入点选择的迭代干扰消除方案及相关滤波器、检测器与IDD方案,通过LLR优化策略提升性能,验证了分布式架构的优越性。
2024-06-24 cs.IT eess.SP math.IT
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
Trade-offs In Quasi-Decentralized Massive MIMO
针对集中式大规模 MIMO 的 CPU 连接不可扩展问题,本文提出准去中心化通用架构及新型矩阵分解,以在连接数与每天线输出数之间权衡并实现无损线性均衡。
2020-03-04 cs.IT eess.SP math.IT
Decentralized Semantic Communication and Cooperative Tracking Control for a UAV Swarm over Wireless MIMO Fading Channels
针对无人机群在MIMO衰落信道下的语义通信与协同跟踪控制问题,提出动态模型与漂移加惩罚优化,推导闭式最优解并建立稳定条件,显著优于现有方法。
2024-11-09 cs.SY eess.SP eess.SY
Energy Efficiency Optimization for Multi-cell Massive MIMO: Centralized and Distributed Power Allocation Algorithms
研究了下行多小区大规模多输入多输出(MIMO)系统中的能量效率优化问题。在我们的研究中,利用统计信道状态信息(CSI),以减少信令开销。为了最大化相邻小区之间的最小EE,我们为每个基站(BS)设计发送协方差矩阵。具体来说,优化方案,这个最大-最小EE问题的开发,在集中式和分布式的方式,分别。为了得到发射协方差矩阵,首先求出每个小区中基站的最优发射特征矩阵的封闭形式,并将发射协方差矩阵的设计问题转化为功率分配问题。然后,为了降低计算复杂性,我们利用了问题目标的渐近近似表达式。此外,对于功率分配设计,我们采用最小化最大化方法来解决遍历速率的非凸性,并使用Dinkelbach变换将最大最小分数问题转化为一系列凸优化子问题。为了解决转换后的子问题,我们提出了一个集中式迭代注水方案。为了减少回程的负担,我们进一步开发了一个分布式算法的功率分配问题,这需要有限的小区间信息共享。最后,所提出的算法的性能证明了广泛的数值结果。
2021-05-31 cs.IT eess.SP math.IT
Decentralized Design of Fast Iterative Receivers for Massive and Extreme-Large MIMO Systems
尽管在大规模多输入多输出(M-MIMO)系统的基站处广泛使用集中式方法来设计接收器,但由于大量天线所施加的若干瓶颈,其实际实施是一个重大挑战。解决这个问题的一种方法是基于梯度下降方法将经典的迫零接收器完全分散到多个处理节点上。在本文中,我们首先明确地将这种分散式接收器与Kaczmarz算法的分布式版本以及使用连续干扰消除(SIC)理念来减轻跨节点的残差相关。此外,我们提出了两种方法,以进一步加快这些迭代分散接收器的初始收敛,通过探索与Kaczmarz算法的连接:1)一个新的贝叶斯分布式接收器,它可以消除噪声的迭代基础上; 2)一个更实用的方法来选择松弛参数。讨论还考虑了当天线阵列非常大(XL-MIMO)时出现的空间非平稳性。我们能够改善空间平稳和非平稳信道的数值结果,但主要是非平稳性能仍然可以改善相比,集中式ZF接收机。最后指出了进一步提高基于连续残差抵消原理的接收机适用性的研究方向。
2021-07-23 cs.IT eess.SP math.IT
Decentralized Equalization with Feedforward Architectures for Massive MU-MIMO
基于迫零(ZF)或线性最小均方误差(L-MMSE)均衡的线性数据检测算法在大规模多用户多输入多输出(MU-MIMO)系统中实现接近最优的频谱效率。然而,这样的算法通常依赖于基站(BS)处的集中处理,这导致(i)过多的互连和芯片输入/输出(I/O)数据率以及(ii)高计算复杂性。分散式基带处理(DBP)将BS天线阵列划分为与单独的射频电路和计算结构相关联的独立集群,以便克服集中式处理的限制。在本文中,我们研究分散均衡与前馈架构,最大限度地减少现有DBP解决方案的延迟瓶颈。我们提出了两种不同的架构,不同的互连和I/O带宽的要求,融合本地均衡结果的每个集群在一个前馈网络。对于这两种架构,我们考虑最大比合并,ZF,L-MMSE,和依赖于近似消息传递的非线性均衡算法,我们分析了相关的均衡后信号噪声干扰比(SINR)。我们提供了多个图形处理单元(GPU)系统上的参考实现结果,该系统表明,与前馈架构的分散均衡,使吞吐量在Gb/s的制度,并不会或只会产生很小的性能损失相比,集中式解决方案。
2019-06-20 cs.IT eess.SP math.IT
Learning Decentralized Power Control in Cell-Free Massive MIMO Networks
Jeonbuk National University(全北国立大学);Pukyong National University(釜庆国立大学);Electronics and Telecommunications Research Institute(电子与电信研究所)
本文研究了无小区大规模多输入多输出(MIMO)系统中基于学习的分散功率控制方法,其中中央处理器(CP)通过前传协调控制接入点(AP)。为了确定分布式AP的传输策略,有必要开发一种全网范围的协同优化机制。为了应对这一挑战,我们设计了一个协作学习(CL)框架,该框架使用专用的深度神经网络(DNN)模块管理CP和AP的计算和协调策略。为了建立一个通用的学习结构,建议CL精心设计,使其前向通过计算是独立的AP的数量。为此,我们采用参数重用概念,在所有AP处安装相同的DNN模块。因此,在特定配置下训练的拟议CL可以容易地应用于任意AP群体。数值结果验证了所提出的CL比传统的非合作方法的优势。
2023-03-05 cs.IT cs.LG eess.SP
Decentralized Hybrid Precoding for Massive MU-MIMO ISAC
针对大规模多用户MIMO ISAC系统中密集用户接入引发的多用户干扰问题,本文提出一种基于分布式基带处理与THP的混合预编码方法,以最小化CRB为目标,有效提升通信速率和能量效率并降低硬件复杂度。
2024-10-21 cs.IT eess.SP math.IT
Fluid Antenna-Assisted MU-MIMO Systems with Decentralized Baseband Processing
针对流体天线位置优化计算成本高的问题,本文引入 DBP 架构并提出结合矩阵 FP 与 MM 的去中心化 BCA 算法,在 WSR 损失可忽略的情况下将计算时间降低逾 70%。
2025-05-12 cs.IT eess.SP math.IT
Uplink Power Control for Extremely Large-Scale MIMO with Multi-Agent Reinforcement Learning and Fuzzy Logic
本文研究了无小区(CF)超大规模多输入多输出(XL-MIMO)系统的上行链路发射功率优化问题。与传统方法不同,本文提出了两种信号处理架构:模糊逻辑集中训练集中执行和模糊逻辑集中训练分散执行,分别采用多智能体强化学习(MARL)和模糊逻辑的融合来解决功率控制的设计问题,以最大化系统的频谱效率(SE)。此外,系统采用最大比(MR)合并和本地最小均方误差(L-MMSE)合并的上行链路性能进行了评估。我们的结果表明,所提出的方法与模糊逻辑优于传统的基于MARL的方法和信号处理方法的计算复杂性。此外,MR组合下的SE性能甚至优于传统的基于MARL的方法。
2023-02-18 cs.IT eess.SP math.IT
Toward a Smart Resource Allocation Policy via Artificial Intelligence in 6G Networks: Centralized or Decentralized?
在本文中,我们设计了一种新的智能软件定义无线电接入网络(RAN)架构,具有灵活性和流量感知等重要属性,适用于第六代(6G)无线网络。特别是,我们认为一个分层的资源分配框架,提出的智能软RAN模型,其中软件定义网络(SDN)控制器是第一层的框架。该单元动态监测网络,根据分布式或集中式资源分配架构选择网络操作类型,智能决策。在本文中,我们的目标是使网络更具可扩展性和更灵活的可实现的数据速率,开销和复杂性指标。为此,我们引入了一个新的指标,吞吐量开销复杂性(TOC),建议基于机器学习的算法,这使得这些性能指标之间的权衡。特别是,基于TOC的决策是通过深度强化学习(DRL)来解决的,它确定了适当的资源分配策略。此外,对于选定的算法,我们采用软演员批评的方法,这是更准确,可扩展性和鲁棒性比其他学习方法。仿真结果表明,所提出的智能网络实现更好的性能相比,固定的集中式或分布式资源管理计划,缺乏动态的TOC。此外,我们提出的算法优于其他国家的最先进的网络设计中采用的传统学习方法。
2022-02-18 cs.NI eess.SP
Second-Order Guarantees in Centralized, Federated and Decentralized Nonconvex Optimization
École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
数据汇集和处理能力的快速发展使得越来越复杂的模型得以使用,从而产生非凸优化问题。然而,这些公式通常很难求解,因为即使简单地验证给定点是局部最小值也可能是NP困难的[1]。尽管如此,一些相对简单的算法已被证明在许多感兴趣的背景下导致令人惊讶的好的经验结果。也许最突出的例子是用于训练神经网络的反向传播算法的成功。最近的几项工作已经追求严格的分析证明这种现象,通过研究非凸优化问题的结构,并建立简单的算法,如梯度下降及其变化,在收敛到局部极小值,避免鞍点。这些分析中的一个关键见解是,梯度扰动在允许局部下降算法有效地区分理想的和不理想的稳定点并逃离后者方面起着关键作用。在这篇文章中,我们涵盖了最近的结果二阶保证随机一阶优化算法在集中式,联邦和分散式架构。
2020-03-31 cs.LG cs.MA eess.SP
Performance Analysis of Centralized and Distributed Massive MIMO for MTC
本文针对机器类型通信场景,在室内工业环境中比较集中式与分布式大规模MIMO的性能,发现分布式方案通常更优,但设备信道高度相关时集中式方案可反超。
2023-04-11 cs.IT eess.SP math.IT
Low-Complexity Channel Estimation for Massive MIMO Systems with Decentralized Baseband Processing
传统的集中式基带处理架构面临着计算复杂度高和过多前传通信的瓶颈,特别是当基站(BS)天线数较多时。为了应对这两个挑战,已经提出了分散式基带处理(DPB)架构,其中BS天线被划分为多个集群,并且每个集群连接到本地基带单元(BBU)。在本文中,我们感兴趣的低复杂度分布式信道估计(CE)方法下的DBP架构,这是很少在文献中研究。目的是设计分布式CE算法,其可以执行以及集中式方案,但具有小的BBU间通信成本。具体地说,基于低复杂度的对角最小均方误差信道估计器,提出了两种分布式CE算法,即聚合后估计算法和估计后聚合算法。与现有的分布式CE算法需要节点之间的迭代信息交换相比,我们的算法只需要在BBU之间进行一次往返通信。大量的实验结果表明,所提出的分布式CE算法的估计精度,BBU间的通信成本,计算复杂度方面的优势。
2022-10-28 cs.IT eess.SP math.IT
Decentralized Cooperative Beamforming for BDRIS-Assisted Cell-Free MIMO OFDM Systems
本文提出了一种去中心化协作波束成形方法,用于BDRIS辅助的无基站MIMO OFDM系统,以提高总速率性能。
2026-01-19 cs.ET cs.IT eess.SP
Expectation Propagation Detector for Extra-Large Scale Massive MIMO
形成超大规模大规模多输入多输出(MIMO)系统的天线阵列的维度的数量级增加使得能够在频谱效率、能量效率和空间分辨率方面实现实质性改进。然而,实际的挑战,如过度的计算复杂性和要传输和处理的基带数据过多,禁止使用集中式处理。一个有前途的解决方案是将基带数据从不相交的天线子集分配到由中央处理单元协调的并行处理过程中。该解决方案称为基于子阵列的体系结构。在这项工作中,我们扩展了应用的期望传播(EP)原则,有效地平衡性能和实际可行性,在传统的集中式MIMO检测器的设计,以适应基于子阵列的架构。分析结果证实了所提出的迭代过程的收敛性和所提出的检测器渐近逼近贝叶斯最优性能在一定条件下。当只存在一个子阵时,所提出的基于子阵的EP检测器被简化为集中式EP检测器。此外,我们提出了额外的策略,以进一步降低并行子阵列和中央处理单元之间的信息交换的复杂性和开销,以促进所提出的检测器的实际实施。仿真结果表明,所提出的检测器实现了数值稳定,在几个迭代,并优于其同行。
2019-12-08 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
Channel Estimation for XL-MIMO Systems with Decentralized Baseband Processing: Integrating Local Reconstruction with Global Refinement
针对XL-MIMO分布式基带处理,提出两阶段信道估计方案,集成局部稀疏重建与全局贝叶斯精化,SBL-GNNs算法提升精度并降低复杂度。
2025-04-27 cs.IT eess.SP math.IT
Decentralized Complete Dictionary Learning via $\ell^{4}$-Norm Maximization
ShanghaiTech University(上海科技大学)
随着信息技术的快速发展,集中式数据处理受到许多限制,例如计算开销,通信延迟和数据隐私泄漏。在联网的终端节点上进行分散的数据处理成为大数据时代的重要技术。字典学习是一种从高维数据中挖掘低维结构的表示学习方法。通过利用低维结构,可以有效地减少数据的存储和处理开销。在本文中,我们提出了一种新的分散式完全字典学习算法,这是基于$\ell^{4}$ -范数最大化。与现有的分散式字典学习算法相比,综合数值实验表明,该算法在每次迭代的计算复杂性、通信开销和收敛速度等方面具有显著的优势.理论分析表明,在一定条件下,该算法学习的字典能够以线性速率高概率收敛到集中式字典学习算法学习的字典.
2022-11-26 cs.DC cs.LG eess.SP
Decentralized Uplink Adaptive Compression for Cell-Free MIMO with Limited Fronthaul
针对前传容量受限的无蜂窝MIMO上行压缩问题,提出基于速率的自适应压缩方法,可动态调整维度与压缩参数,通过解耦容量表达式实现低开销分布式部署,性能接近集中式方案。
2025-06-12 cs.IT cs.NI cs.SY