Bayesian Linear Regression with Cauchy Prior and Its Application in Sparse MIMO Radar
本研究提出带柯西先验的贝叶斯线性回归稀疏信号恢复算法,通过近似期望最大化设计超参数更新策略,在不同场景下性能优于现有算法,可高效实现MIMO雷达高分辨率目标成像。
2023-07-20 eess.SP
Bayesian Deep End-to-End Learning for MIMO-OFDM System with Delay-Domain Sparse Precoder
本文提出一种基于延迟域稀疏预编码的DNN端到端MIMO-OFDM架构与贝叶斯模型辅助训练框架,在将导频开销降低8倍的同时显著提升了信道估计性能并大幅降低了计算复杂度。
2025-04-29 eess.SP
Grouped Sparse Bayesian Estimation for Near-Field Massive MIMO Channels
School of Electronic Science and Engineering, Nanjing University(南京大学电子科学与工程学院);National Mobile Communications Research Laboratory, Southeast University(东南大学移动通信国家重点实验室)
针对近场大规模MIMO信道估计问题,提出感知可见性的块稀疏贝叶斯算法,仿真显示其信道估计NMSE低于基准方案。
2026-10-19 eess.SP
Bayesian Learning Aided Simultaneous Sparse Estimation of Dual-Wideband THz Channels in Multi-User Hybrid MIMO Systems
Indian Institute of Technology Kanpur(坎普尔印度理工学院);Qualcomm India Pvt. Ltd.(高通印度私人有限公司);Samsung Semiconductor India Research(三星半导体印度研究所);University of Southampton(南安普顿大学)
本研究针对多用户太赫兹混合MIMO系统的双宽带信道估计问题,提出贝叶斯组稀疏回归方法,结合实用信道模型和低分辨率ADC设计,通过仿真验证其在NMSE和BER性能上优于其他稀疏估计技术。
2025-11-15 eess.SP
Bayesian Learning-Aided Near-Field Channel Estimation for mmWave Hybrid MIMO systems employing Uniform Circular Array
Indian Institute of Technology Kanpur(坎普尔印度理工学院);Indian Institute of Technology Jodhpur(焦特普尔印度理工学院)
本文提出环形贝叶斯信道学习框架,结合贝叶斯学习与近场信道估计,解决毫米波混合MIMO系统中用户进入近场区域的问题,并利用均匀圆阵提升波束成形性能。
2026-05-07 eess.SP
Off-Grid DOA Estimation Using Sparse Bayesian Learning in MIMO Radar With Unknown Mutual Coupling
在实际的多天线雷达中,天线的非理想性会降低系统的性能。研究了天线间互耦效应未知的多输入多输出(MIMO)雷达系统的波达方向(DOA)估计问题。为了利用目标在空间域的稀疏性,基于压缩感知(CS)的方法通过对检测区域进行离散化并构造字典矩阵来实现,因此离散化过程会导致\emph{off-grid}间隙。与现有的DOA估计方法不同,本文同时考虑了稀疏采样引起的离网间隙和天线间未知的互耦效应,建立了一种新的稀疏系统DOA估计模型。然后,提出了一种基于稀疏贝叶斯学习的互耦稀疏贝叶斯学习方法(sparse Bayesian learning with the mutual coupling,SBLMC),该方法基于期望最大值(expectation-maximum,EM)方法对噪声方差、互耦向量、离网向量和散射系数方差向量等未知参数进行估计。此外,所有未知参数的先验分布的理论推导。对于未知互耦效应的MIMO雷达,SBLMC方法在保持可接受的计算复杂度的同时,其DOA估计性能优于现有方法。
2022-03-19 eess.SP
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
Data-Aided Variational Bayesian Inference for CSI Estimation over Doubly-Selective DCO-OTFS MIMO VLC Systems with Affine-Precoded Superimposed Training Sequences
Indian Institute of Technology Kanpur(坎普尔印度理工学院);Indian Institute of Technology Jodhpur(焦特普尔印度理工学院)
针对双选择性DCO-OTFS MIMO VLC系统,提出基于仿射预编码叠加训练序列的架构,并开发数据辅助变分贝叶斯推断方法,实现联合CSI估计与数据检测,显著降低NMSE、导频开销和SER。
2026-09-15 eess.SP
Data-Aided Bayesian Learning for CSI Estimation over Doubly-Selective DCO-OTFS MIMO VLC Channels with Affine-Precoded Superimposed Training Sequences
Indian Institute of Technology Kanpur(坎普尔印度理工学院);Indian Institute of Technology Jodhpur(焦特普尔印度理工学院);University of Southampton(南安普顿大学)
针对双选择性DCO-OTFS MIMO VLC信道,提出仿射预编码叠加训练框架,结合导频与数据辅助贝叶斯学习估计CSI并检测数据,降低导频开销和错误率。
2026-09-22 eess.SP
Mixture-of-Experts Diffusion Models for Adaptive Massive MIMO Channel Estimation via Variational Bayesian Inference
University of Electronic Science and Technology of China(电子科技大学);Stevens Institute of Technology(史蒂文斯理工学院)
本文提出一种结合变分贝叶斯推断的混合专家扩散模型框架,用于改进大规模MIMO系统中信道估计的适应性,通过使用多个预训练扩散模型和概率图模型,实现对不同传播环境的自适应调整。
2026-05-18 eess.SP
A Linear Bayesian Learning Receiver Scheme for Massive MIMO Systems
超可靠低延迟通信(URLLC)业务对可靠性和处理延迟的要求使得线性大规模多输入多输出(M-MIMO)接收机的设计变得非常具有挑战性。最近,贝叶斯的概念已被用来提高检测的可靠性,在最小均方误差(MMSE)的线性接收机。然而,由于MMSE方案中矩阵求逆运算的指数复杂度,延迟处理时间是主要关注点。本文提出了一种迭代M-MIMO接收机,它是通过使用贝叶斯概念和并行干扰消除(PIC)计划,称为线性贝叶斯学习(LBL)接收机。PIC具有线性复杂度,因为它使用最大比组合(MRC)和决策统计组合(DSC)方案的组合来避免矩阵求逆操作。仿真结果表明,在不同的M-MIMO系统配置下,该接收机的误比特率(BER)和时延处理性能均优于MMSE和最佳贝叶斯接收机,其$2$ dB和$19$倍均最小。
2021-10-27 cs.IT eess.SP math.IT
A Bayesian Receiver with Improved Complexity-Reliability Trade-off in Massive MIMO Systems
第五代($5$ G)蜂窝网络对可靠性和处理延迟的严格要求给大规模多输入多输出(M-MIMO)接收机的设计带来了相当大的挑战。M-MIMO接收器的两个主要组件是检测器和解码器。为了改善可靠性和复杂性之间的权衡,贝叶斯概念已被认为是一种有前途的方法,增强了经典的检测器,例如最小均方误差检测器。本文提出了一种基于贝叶斯框架的迭代M-MIMO检测器,并行干扰消除方案和决策统计组合概念。然后,我们开发了一个高性能的M-MIMO接收机,结合所提出的检测器与低复杂度的极性码顺序解码。仿真结果表明,与其他低复杂度检测器相比,该检测器具有显著的性能增益。此外,所提出的具有顺序解码的M-MIMO接收器确保了与具有用于来自5G新无线电标准的极化码的堆栈连续消除解码的接收器相比低一个数量级的复杂度。
2021-10-27 cs.IT eess.SP math.IT
Angularly Sparse Channel Estimation in Dual-Wideband Tera-Hertz (THz) Hybrid MIMO Systems Relying on Bayesian Learning
针对双宽带THz MIMO系统中的波束斜视导致CSI估计困难的问题,提出了PA-BL和DA-BL两种贝叶斯学习框架,实现了减少导频开销、联合数据检测与CSI估计,并逼近BCRLB下界。
2024-02-19 eess.SP
Bayesian Algorithms for Kronecker-structured Sparse Vector Recovery With Application to IRS-MIMO Channel Estimation
本文研究了Kronecker结构字典下的稀疏恢复问题,基于稀疏贝叶斯学习框架提出了交替最小化和基于SVD的两种算法,并从理论上证明了AM方法的收敛性,最后将其有效应用于智能反射面辅助的MIMO上行信道估计。
2023-08-01 eess.SP
Predictive Beamforming with Distributed MIMO
本研究将感知辅助通信扩展至多分布式 RSUs 和分布式 MIMO 场景,推导状态演化模型并构建扩展卡尔曼滤波方程以实现预测波束成形,仿真证明其感知性能、覆盖与速率优于共置大规模 MIMO。
2025-01-29 cs.IT eess.SP math.IT
Variational Bayesian Multiuser Tracking for Reconfigurable Intelligent Surface Aided MIMO-OFDM Systems
针对多 RIS 辅助 MIMO-OFDM 系统的移动用户跟踪问题,提出在线贝叶斯消息传递算法,并基于 BCRB 优化 RIS 无源波束赋形,实现厘米级定位精度。
2023-04-24 eess.SP
Joint Low-Rank and Sparse Bayesian Channel Estimation for Ultra-Massive MIMO Communications
Purple Mountain Laboratories(紫金山实验室)
本文提出了一种联合低秩与稀疏贝叶斯估计算法,用于超大规模MIMO通信中的信道估计,提升了估计精度和复杂度性能。
2025-12-04 cs.IT eess.SP math.IT
MIMO Detection with Spatial Sigma-Delta ADCs: A Variational Bayesian Approach
San Diego State University(圣地亚哥州立大学);University of Oulu(奥卢大学);University of California, Irvine(加州大学尔湾分校)
本文针对采用少比特空间Sigma-Delta ADC的大规模MIMO系统,提出基于变分贝叶斯推断的SD-VB检测算法,以低复杂度实现优于传统方法的符号错误率性能,并系统分析了互耦、导向角、分辨率及天线用户规模等关键因素的影响。
2025-09-18 eess.SP
A Variational Bayesian Perspective on Massive MIMO Detection
大规模多输入多输出(MIMO)系统中的最优数据检测需要过高的计算复杂度。文献中已经提出了各种检测算法,在复杂度和检测性能之间提供不同的权衡。在本文中,我们建立在变分贝叶斯(VB)推理设计低复杂度的多用户检测算法的大规模多输入多输出系统。我们首先研究了大规模多输入多输出检测问题与完美的信道状态信息在接收机(CSIR),并表明,传统的VB方法与已知的噪声方差产生不良的检测性能。为了解决这个问题,我们设计了两个新的VB算法,使用噪声方差和协方差矩阵假设的算法本身。我们进一步开发了用于具有不完美CSIR的大规模多输入多输出检测的VB框架。仿真结果表明,所提出的VB方法实现了显着较低的检测误差相比,现有的计划,为广泛的信道模型。
2022-05-23 cs.IT eess.SP math.IT
Bayesian Compressive Channel Estimation for Hybrid Full-Dimensional MIMO Communications
高效的信道估计在全维多输入多输出通信系统中是具有挑战性的,特别是在具有混合数模架构的通信系统中。在压缩感知框架下,这封信首先设计了一个统一的字典的基础上的球形Fibonacci网格表示在稀疏域中的通道,产生更小的角度误差在三维波束空间比传统的字典。然后,贝叶斯推理辅助贪婪追求算法的频率域信道估计。最后,仿真结果表明,所设计的字典和提出的贝叶斯信道估计优于基准方案,并获得较低的归一化均方误差的信道估计。
2021-12-29 cs.IT eess.SP math.IT
Overcoming Beam Squint in Dual-Wideband mmWave MIMO Channel Estimation: A Bayesian Multi-Band Sparsity Approach
针对毫米波MIMO信道估计中的波束斜视问题,提出一种贝叶斯多频带稀疏方法,利用共同稀疏结构联合处理多子频带信号,并通过变分EM算法实现高精度估计。
2023-06-19 eess.SP
A Variational Bayesian Inference-Inspired Unrolled Deep Network for MIMO Detection
深度学习(DL)的巨大成功激励研究人员为多输入多输出(MIMO)系统开发更准确、更高效的符号检测器。然而,现有的基于DL的MIMO检测器存在若干缺点。为了解决这些问题,在本文中,我们开发了一个模型驱动的DL检测器的基础上变分贝叶斯推理。具体而言,建议展开DL架构的灵感来自于一个无逆变分贝叶斯学习框架,该框架通过最大化宽松的证据下限来规避矩阵求逆。分别针对独立同分布(i.i.d.)高斯信道和任意相关信道。建议的网络,被称为VBinet,只有几个可学习的参数,因此可以有效地训练与适量的训练样本。所提出的基于VBinet的检测器可以在离线和在线训练模式下工作。我们提出的网络与最先进的MIMO检测网络(如OAMPNet和MMNet)相比的一个重要优势是,VBinet可以自动从数据中学习噪声方差,从而在存在噪声方差不确定性的情况下,与OAMPNet和MMNet相比,性能得到了显着提高。仿真结果表明,所提出的基于VBinet的检测器实现了竞争力的性能,无论是i.i.d.高斯和现实的3GPP MIMO信道。
2022-01-11 cs.IT eess.SP math.IT
Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks
Hangzhou Institute of Technology, Xidian University(西安电子科技大学杭州研究院);Xidian University(西安电子科技大学);University of Wollongong(伍伦贡大学);Weizmann Institute of Science(魏茨曼科学研究所);University of Sydney(悉尼大学)
在本文中,我们研究了多输入多输出(MIMO)通信系统中的信号检测与硬件损伤,如功率放大器的非线性和同相/正交不平衡。为了处理硬件缺陷的复杂组合效应,已经研究了神经网络(NN)技术,特别是深度神经网络(DNN),以直接补偿硬件损伤的影响。然而,由于导频信号有限,很难训练DNN,阻碍了其实际应用。在这项工作中,我们研究如何实现有效的贝叶斯信号检测在MIMO系统的硬件缺陷。表征组合硬件缺陷通常会导致复杂的信号模型,使贝叶斯信号检测具有挑战性。为了解决这个问题,我们首先训练一个神经网络“模型”的MIMO系统的硬件缺陷,然后执行贝叶斯推理的基础上训练的神经网络。用NN对MIMO系统进行建模使得能够基于MIMO系统的信号流来设计NN架构,从而最小化NN层和参数的数量,这对于利用有限的导频信号实现有效的训练至关重要。然后,我们表示训练的NN与因子图,并设计一个有效的消息传递的贝叶斯信号检测器,利用酉近似消息传递(UAMP)算法。本文还研究了基于贝叶斯检测器的Turbo接收机的实现。大量的仿真结果表明,所提出的技术提供了显着更好的性能比国家的最先进的方法。
2022-10-08 cs.LG eess.SP
Sensing Management for Pilot-Free Predictive Beamforming in Cell-Free Massive MIMO Systems
KTH Royal Institute of Technology(瑞典皇家理工学院)
本文提出一种基于状态感知管理的无小区大规模MIMO系统方法,利用扩展卡尔曼滤波跟踪用户并仅在必要时感知,实现无导频预测波束成形,减少信道估计开销,仿真显示可提供更高的均匀下行速率。
2025-10-08 cs.IT eess.SP math.IT
Uplink-aided High Mobility Downlink Channel Estimation over Massive MIMO-OTFS System
虽然它经常用于正交频分复用(OFDM)系统中,但是在高移动性场景中,在正交时频空间(OTFS)调制上应用大规模多输入多输出(MIMO)可能会遭受巨大的训练开销。在本文中,我们提出了一个上行辅助的高移动性下行信道估计方案的大规模多输入多输出-OTFS网络。具体而言,首先建立上行链路的时域大规模多输入多输出-OTFS信号模型,并采用基于期望最大化的变分贝叶斯(EM-VB)框架,针对每个物理散射路径恢复上行信道参数,包括角度、时延、多普勒频率和信道增益,相应地,借助快速贝叶斯推理,构造了一种低复杂度的方法来克服EM-VB的瓶颈。然后,我们充分利用角度,延迟和多普勒之间的相互作用的上行链路和下行链路和重建的角度,延迟和多普勒频率的下行链路的大规模信道在基站。此外,我们研究了下行链路大规模多输入多输出信道估计的延迟多普勒角域。详细分析了OTFS在时延-多普勒域上的信道色散。各种数值例子来证实所提出的计划的有效性和鲁棒性。
2020-03-16 eess.SP
Optimal Linear Precoder Design for MIMO-OFDM Integrated Sensing and Communications Based on Bayesian Cramér-Rao Bound
本文针对MIMO-OFDM集成感知与通信系统,基于贝叶斯克拉美罗界分析推导联合信道估计与符号检测的性能界,提出随机黎曼梯度下降法求解线性预编码器非凸优化问题,证明其高概率收敛且收敛速度快,揭示了感知与通信的性能权衡。
2023-08-23 cs.IT eess.SP math.IT
Uncertainty-Aware and Reliable Neural MIMO Receivers via Modular Bayesian Deep Learning
本文提出模块化贝叶斯深度学习,将贝叶斯深度学习与混合模型驱动MIMO接收机架构结合,通过产生校准良好的均衡与解码模块来提升接收机整体准确性和校准性,尤其在数据稀缺时可靠的不确定性度量能直接改善接收机链性能。
2024-10-19 cs.IT eess.SP math.IT
Physics-Guided Bayesian Optimization for High-Dimensional Mixed-Variable MIMO Base Station Design
The University of Electro-Communications(电气通信大学)
提出物理引导的贝叶斯优化方法,联合优化MIMO基站选址与参数,利用物理代理和残差GP高效搜索,在城市场景中覆盖率提升最高约15个百分点。
2026-10-02 cs.NI eess.SP
Variational Bayesian Inference for Time-Varying Massive MIMO Channels: Estimation and Detection
针对高移动性时变大规模 MIMO 上行链路,本文提出基于 VB 推断的联合信道估计与数据检测框架,支持在线、块及交织在线策略,并在 SER 和 NMSE 上优于 LMMSE、KF 与 EP。
2025-05-15 eess.SP
Variational Bayesian Inference Based Progressive Multi-Target MIMO Sensing with Nuisance Parameters
The Hong Kong Polytechnic University(香港理工大学)
提出渐进式多目标MIMO感知框架,通过变分贝叶斯推断以多项式复杂度近似后验PDF,最小化PCRB并逐步提升感知精度。
2026-10-08 cs.IT eess.SP math.IT
Bayesian Optimization-Based Beam Alignment for MmWave MIMO Communication Systems
University of Electronic Science and Technology of China(电子科技大学)
由于在毫米波通信(mmWave)中使用非常窄的波束,波束对准(BA)是关键问题。在这项工作中,我们研究毫米波BA的问题,并提出了一种新的波束对准方案的基础上的机器学习策略,贝叶斯优化(BO)。在这种情况下,我们认为光束对准问题是一个黑盒函数,然后使用BO找到可能的最佳光束对。在BA过程期间,该策略利用来自测量的波束对的信息来预测最佳波束对。此外,我们提出了一种新的BO算法的基础上的梯度提升回归树模型。仿真结果表明,我们提出的方案的频谱效率性能BA使用三种不同的代理模型。他们还表明,所提出的计划可以实现频谱效率与一个小的开销相比,正交匹配追踪(OMP)算法和汤普森采样为基础的多臂强盗(TS-MAB)的方法。
2022-07-28 cs.AI eess.SP
Joint Radar-Communication-Based Bayesian Predictive Beamforming for Vehicular Networks
在本文中,我们开发了一种预测波束形成方案的基础上的双功能雷达通信(DFRC)技术,其中路边的单位估计的运动参数的车辆利用DFRC信号的回波。与传统的基于反馈的波束跟踪方法相比,该方法可以减少信令开销,提高跟踪性能。提出了一种新的消息传递算法,该算法通过最大后验估计获得了接近最优的性能。仿真结果表明了所提出的DFRC方案的有效性。
2020-04-26 eess.SP
Tensor-Structured Bayesian Channel Prediction for Upper Mid-Band XL-MIMO Systems
针对中高频段XL-MIMO系统在移动性下因信道老化及近场和非平稳传播导致性能下降的问题,提出一种结合张量结构化信道建模与EM框架下双层推理的贝叶斯信道预测方法,有效降低了计算复杂度并提升了预测性能。
2025-08-11 eess.SP
A Belief Propagation Algorithm for Multipath-based SLAM with Multiple Map Features: A mmWave MIMO Application
提出一种基于多径SLAM的置信传播算法,利用因子图高效估计多地图特征与代理状态,通过毫米波MIMO实测验证了其在动态室外场景中的优异定位与建图性能。
2024-03-15 eess.SP
DyLoc: Dynamic Localization for Massive MIMO Using Predictive Recurrent Neural Networks
University of Central Florida(中佛罗里达大学)
本文提出了一种数据驱动的定位框架,具有高精度的时变复杂的多径环境,如密集的城市地区和室内,GPS和基于模型的定位技术的不足。我们考虑角度延迟分布(ADP),信道状态信息(CSI)的线性变换,在大规模MIMO系统中,并显示ADP保存用户的运动时堆叠的时间。我们讨论,给定一个静态的环境中,ADP时间序列的未来帧是可预测的,采用视频帧预测算法。我们表示可以采用深度卷积神经网络(DCNN)来学习背景静态散射环境。为了检测环境中的前景变化,对应于路径阻塞或添加,我们引入了一种利用训练的DCNN的算法。此外,我们提出了DyLoc,一个数据驱动的框架来恢复由于前景变化而失真的ADP,并获得精确的位置估计。我们评估了DyLoc在几个动态场景中的性能,这些场景采用DeepMIMO数据集来生成室内和室外环境的地理标记CSI数据集。我们表明,以前的基于DCNN的技术未能在动态环境中以理想的精度执行,而DyLoc追求精确定位。此外,模拟表明,随着环境在多径数量方面变得更加丰富,DyLoc对前景变化变得更加鲁棒。
2021-01-22 cs.CV eess.SP
Data-Aided CSI Estimation Using Affine-Precoded Superimposed Pilots in Orthogonal Time Frequency Space Modulated MIMO Systems
本文提出基于仿射预编码叠加导频的OTFS系统CSI估计架构,利用EM算法和贝叶斯学习实现SISO/MIMO场景下的导频辅助与数据辅助联合信道估计和数据检测,并推导了BCRB界。
2023-05-25 eess.SP
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
Joint Angle and Velocity-Estimation for Target Localization in Bistatic mmWave MIMO Radar in the Presence of Clutter
针对杂波下双基地毫米波MIMO雷达目标定位问题,提出基于三维稀疏性和离网SBL的角度与速度联合估计算法,性能优于现有方法且逼近理论界。
2025-06-13 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
A Novel Reinforcement Learning Based Framework for Scalable MIMO Interference Alignment
本文提出基于强化学习的MIMO干扰对齐框架,通过预测Transformer模型降低信道状态信息开销,并通过多目标优化提升大规模MIMO系统可扩展性,实验显示用户吞吐量提升达30%。
2026-11-17 eess.SP
Secure ISAC MIMO Systems: Exploiting Interference With Bayesian Cramér-Rao Bound Optimization
针对兼具通信与感知功能的MIMO ISAC系统的安全需求,本文通过优化贝叶斯克拉美罗界、利用建设性干扰保障通信QoS并压制窃听目标解码性能,提出定制连续凸逼近方法求解非凸问题,性能优于块级预编码。
2024-01-30 cs.IT eess.SP math.IT
Bayesian Massive MIMO Channel Estimation with Parameter Estimation Using Low-Resolution ADCs
为了降低硬件复杂度和功耗,大规模多输入多输出(MIMO)系统采用低分辨率模数转换器(ADC)来获取量化测量值$\boldsymbol y$。这对信道估计问题提出了新的挑战,并且在角度域中的信道系数向量$\boldsymbol x$上的稀疏先验常常用于补偿量化期间丢失的信息。通过从概率的角度解释稀疏先验,我们可以假设$\boldsymbol x$遵循特定的稀疏先验分布,并使用近似消息传递(AMP)来恢复它。然而,分布参数在实践中是未知的,需要估计。由于在量化噪声模型中增加的计算复杂性,先前的工作或者使用近似噪声模型或者手动调整噪声分布参数。在本文中,我们将信号和参数作为随机变量,并在AMP框架内联合恢复它们。所提出的方法导致一个更简单的参数估计方法,使我们能够直接与量化噪声模型。实验结果表明,该方法在各种噪声水平下均能获得最佳性能,且不需要参数调整,是一种实用且免维护的信道估计方法。
2021-02-11 cs.IT eess.SP math.IT
Bayesian Channel Estimation for Intelligent Reflecting Surface-Aided mmWave Massive MIMO Systems With Semi-Passive Elements
针对带半无源元素的IRS辅助毫米波大规模MIMO系统,提出基于VI-SBL的贝叶斯信道估计器,仅用上行训练信号估计所有链路,降低误差与开销,提升频谱和能量效率。
2023-05-03 cs.IT eess.SP math.IT
Bayesian Learning for Pilot Decontamination in Cell-Free Massive MIMO
EURECOM(欧洲通信研究所)
本文提出了一种基于贝叶斯学习的联合信道估计和数据检测算法,用于减轻cell-free大规模MIMO系统中pilot污染的影响,并引入了新的指标来量化PC。
2025-11-20 cs.IT eess.SP math.IT
Enhanced Sparse Bayesian Learning Methods with Application to Massive MIMO Channel Estimation
针对大规模MIMO系统的稀疏信道估计问题,提出基于重参数化的增强型SBL框架E-SBL及计算更高效的变体M-E-SBL,实验表明二者均方误差性能优于基线SBL和VMP,且M-E-SBL计算成本更低。
2025-01-14 eess.SP stat.AP
Matrix Factorization Based Blind Bayesian Receiver for Grant-Free Random Access in mmWave MIMO mMTC
针对毫米波MIMO系统免授权随机接入中导频开销大问题,提出基于矩阵分解的盲贝叶斯接收机,实现无导频的联合用户活动检测、信道估计与信号检测,有效降低开销与延迟。
2023-04-10 cs.IT eess.SP math.IT
QoE Driven VR 360 Video Massive MIMO Transmission
大规模多输入多输出(MIMO)技术为无线网络中基于瓦片的自适应虚拟现实(VR)360视频传输提供了超高吞吐量和低延迟。在本文中,我们考虑了一个大规模的MIMO系统,其中多个用户在一个单细胞影院观看相同的VR 360视频。基于瓦片预测,基站(BS)将预测的视场(FoV)中的瓦片递送给用户。通过引入实际的补充传输丢失的瓦片和不可接受的VR疾病,我们提出了第一个稳定的VR视频传输方案。我们用公式表示整数非线性规划(INLP)问题,以最大化用户的平均体验质量(QoE)得分。此外,我们推导出可实现的频谱效率(SE)的预测瓦片组的表达式和近似可实现的SE的表达式丢失瓦片组,分别。分析上,总吞吐量与瓦片组的数量和导频序列的长度有关。通过利用视口图块的结构和SE表达之间的关系,我们提出了一种多格多流分组方法,旨在提高VR视频传输的整体吞吐量。此外,我们分析了QoE目标和预测瓦片数量之间的关系。通过将预测瓦片组设置为常数,将原INLP问题转化为整数线性规划问题。通过可变的松弛和恢复,我们获得了最佳的平均QoE。大量的仿真结果验证了该算法有效地提高了QoE。
2021-06-15 cs.IT eess.SP math.IT
Receiver Design for MIMO Unsourced Random Access with SKP Coding
在这封信中,我们扩展的稀疏克罗内克积(SKP)编码方案,最初设计的加性高斯白噪声(AWGN)信道,多输入多输出(MIMO)无源随机接入(URA)。在MIMO传输中采用SKP编码,我们提出了一种有效的贝叶斯迭代接收机设计来解决具有挑战性的三线性分解问题。数值结果表明,所提出的设计优于现有的同行,它表现良好,在所有模拟设置与各种天线尺寸和活跃用户数。
2022-08-14 cs.IT eess.SP math.IT
iBEAMS: A Unified Framework for Secure and Energy-Efficient ISAC-MIMO Systems leveraging Bayesian Enhanced learning, and Adaptive Game-Theoretic Multi-Layer Strategies
提出iBEAMS分层框架,集成Stackelberg博弈、广义纳什均衡和贝叶斯协作干扰,在分布式混合节点下实现安全节能的ISAC,显著提升保密速率和能效。
2026-06-23 cs.ET eess.SP
Random Access with Massive MIMO-OTFS in LEO Satellite Communications
针对大量物联网设备与低轨卫星进行零星通信的情况,研究了免授权随机接入系统中的联合信道估计和设备活动检测问题。此外,采用具有正交时频空间(OTFS)调制的大规模多输入多输出(MIMO)来对抗地面-卫星链路的动态特性。首先分析了大时延和多普勒频移同时存在时单输入单输出OTFS的输入输出关系,然后将其推广到具有大规模多输入多输出的免授权随机接入OTFS。其次,利用信道在时延-多普勒-角度域的稀疏性,提出了一种二维模式耦合的分层先验与稀疏贝叶斯学习无协方差方法(TDSBL-CF),用于信道估计。然后,通过计算估计的信道的能量来检测活动设备。最后,提出了结合稀疏贝叶斯学习和二维卷积的广义近似消息传递算法(ConvSBL-GAMP),以减少TDSBL-CF算法的计算量。仿真结果表明,所提出的算法优于传统的方法。
2022-08-09 cs.IT eess.SP math.IT
Bias-variance tradeoff in MIMO channel estimation
在多天线通信系统中,由于需要估计大量的参数,所以信道估计是具有挑战性的。通过使用描述构成信道的多个路径的物理模型来促进这一任务是可能的,希望减少问题中未知数的数量。调整估计路径的数量导致偏差方差折衷。本文探讨了这种权衡,旨在找到最佳的路径估计数。此外,基于物理模型的方法相比,经典的最小二乘法和贝叶斯技术。最后,评估了信道估计误差对系统数据速率的影响。
2018-04-26 cs.IT cs.NI eess.SP