CN106850020B - 非理想信道状态下mimo系统中基于组合干扰对齐方法 - Google Patents
非理想信道状态下mimo系统中基于组合干扰对齐方法 Download PDFInfo
- Publication number
- CN106850020B CN106850020B CN201710014827.1A CN201710014827A CN106850020B CN 106850020 B CN106850020 B CN 106850020B CN 201710014827 A CN201710014827 A CN 201710014827A CN 106850020 B CN106850020 B CN 106850020B
- Authority
- CN
- China
- Prior art keywords
- user
- matrix
- interference
- representing
- data stream
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0452—Multi-user MIMO systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种非理想信道状态下MIMO系统中基于组合干扰对齐方法,根据Max‑SINR算法与Min‑WLI算法两种算法各自的特点,在复杂度和性能两方面进行折中,由于Max‑SINR算法与Min‑WLI算法的迭代过程都是处理预编码矩阵与干扰抑制矩阵,且它们的迭代过程是相互独立的,所以可先对系统进行Min‑Leakage算法迭代,迭代完成后在进行Max‑SINR算法迭代,这样可有效降低算法的复杂度。
Description
技术领域
本发明涉及一种非理想信道状态下MIMO系统中基于组合干扰对齐方法,属于干扰管理技术领域。
背景技术
干扰对齐(Interference alignment,IA)技术是当前无线通信领域的研究热点之一,它一种高效的干扰管理机制,通过在发送端对发送信号进行预编码处理,来自多个其他发送用户的干扰信号在接收端重叠,从而解决干扰问题,使得系统容量得到极大的提高。
现在对于干扰对齐技术的研究还处于起步阶段,还有很多方面的问题有待解决。比如,目前大多数的有关于干扰对齐技术的研究都是在有理想信道状态信息的前提下进行的,然而在实际的通信系统中,由于信道估计误差,反馈时延等因素的影响,信道状态信息会存在误差,而且如果要获取全局的状态信息,会给系统带来很大的开销。因此非理想信道状态信息下的干扰对齐技术的研究具有十分重要的意义。
现有的干扰对齐技术都有着各自的特点,如最小化干扰泄露(Min-Leakage)算法,复杂度低但是性能不高;最大化信干噪比(Max-SINR)算法,性能高但是复杂度也高。
发明内容
本发明所要解决的技术问题是提供一种非理想信道状态下MIMO系统中基于组合干扰对齐方法,该方法能够有效降低现有算法的复杂度,从而克服现有技术的缺陷。
本发明根据两种算法各自的特点,在复杂度和性能两方面进行折中,由于Max-SINR算法与Min-WLI算法的迭代过程都是处理预编码矩阵与干扰抑制矩阵,且它们的迭代过程是相互独立的,所以可先对系统进行Min-Leakage算法迭代,迭代完成后在进行Max-SINR算法迭代,这样可有效降低算法的复杂度。
本发明为解决上述技术问题采用以下技术方案:
本发明提供一种非理想信道状态下MIMO系统中基于组合干扰对齐方法,具体步骤如下:
步骤1,初始化参数并获取非理想信道状态下的信道模型;
步骤2,在非理想信道状态信息条件下进行干扰对齐,采用最小化干扰泄露算法,求得用户的预编码矩阵和干扰抑制矩阵;
步骤3,以步骤2中得到的预编码矩阵为初始值,采用最大化信干噪比算法进行优化,更新用户的预编码矩阵和干扰抑制矩阵;
步骤4,将步骤3中更新后的预编码矩阵分配给用户,以便用户使用分配到的预编码矩阵传输数据。
作为本发明的进一步优化方案,步骤1中非理想信道状态下的信道模型Hk,j为:
其中,Hk,j为用户j的发送端到用户k的接收端之间的实际信道状态矩阵;为Hk,j的估计值,是发送系统能够获得的信道矩阵;为用户j的发送端到用户k的接收端之间的信道误差估计矩阵,其满足且与无关,其中,vec(·)表示对矩阵进行向量化处理,N(0,·)表示服从均值为0、方差为“·”的正态分布,I表示单位向量,τ为Hk,j与之间的误差矩阵Ek,j的方差;Ek,j满足vec(Ek,j)~N(0,τI),τ=βρ-α,α≥0,α和β是影响τ的两个参数,ρ表示系统的信噪比,且Ek,j与Hk,j相互独立。
作为本发明的进一步优化方案,步骤2中非对应用户对用户k造成的总干扰泄露为:
Ik=Tr((Uk)HQkUk)
其中,Tr(·)表示求矩阵的迹,H表示矩阵的共轭转置,Uk表示用户k的干扰抑制矩阵;表示用户k所受到的干扰协方差矩阵,Pj表示用户j的发送功率,dj表示用户j发送的数据流个数,Vj表示用户j的预编码矩阵,K表示系统的用户数。
作为本发明的进一步优化方案,步骤2中求解用户k的预编码矩阵Vk和干扰抑制矩阵Uk的方法具体为:
5)、重复步骤2)至4)直至系统收敛,输出收敛时的预编码矩阵Vk和干扰抑制矩阵Uk。
作为本发明的进一步优化方案,步骤3中用户k的第l数据流的信干噪比为:
其中,vkl表示用户k的第l个数据流的预编码向量,其为预编码矩阵Vk的第l列;ukl表示用户k的第l个数据流的干扰抑制向量,其为干扰抑制矩阵Uk的第l列;Hk,k表示用户k的发送端到用户k的接收端之间的实际信道状态矩阵;
表示用户k的第l个数据流所受到的干扰加噪声的协方差矩阵,pkl表示用户k的第l个数据流的功率,vjm表示用户j的第m个数据流的预编码向量,vkm表示用户k的第m个数据流的预编码向量,表示用户k的发送端到用户k的接收端之间的信道矩阵的估计值,μ=pkl -1ρ-1(1+τ)2+τ(1+τ)(Kd-1),d表示每个用户发送的数据流个数;
使SINRkl最大的向量ukl为:
作为本发明的进一步优化方案,步骤3中更新用户的预编码矩阵和干扰抑制矩阵的方法具体为:
其中,表示反向链路用户j的发送端到用户k的接收端之间的信道矩阵的估计值,表示反向链路用户k的发送端到用户k的接收端之间的信道矩阵的估计值,ujm表示用户j的第m个数据流的干扰抑制向量,ukm表示用户k的第m个数据流的干扰抑制向量;
C)、计算反向链路干扰抑制向量vkl:
D)、重复步骤A)至C)直至系统收敛,输出收敛时的预编码矩阵Vk和干扰抑制矩阵Uk。
作为本发明的进一步优化方案,步骤5)中系统收敛的条件为此次迭代与前次迭代后所得到的系统和速率之差小于10-6。
作为本发明的进一步优化方案,步骤D)中系统收敛的条件为此次迭代与前次迭代后所得到的系统和速率之差小于10-6。
作为本发明的进一步优化方案,系统和速率的表达式为:
本发明采用以上技术方案与现有技术相比,具有以下技术效果:传统干扰对齐技术一般都是在理想的信道状态信息下进行的,本发明考虑实际通信系统中并不能够完全获取理想状态信息,在非理想的信道状态信息下,通过对相应的预编码矩阵和干扰抑制矩阵进行求解实现了非理想状态信息下的干扰对齐,更具有实际意义,并且采用了一种组合的方式对系统的信号进行干扰对齐管理,有效降低了系统的复杂度。
附图说明
图1是本发明的系统模型示意图。
图2是系统在信噪比为15dB的条件下,先进行Min-Leakage算法迭代,再进行Max-SINR算法迭代的示意图。
图3是三种不同算法在不同的信道状态不匹配程度下的性能对比。
图4是本发明的方法流程图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
如图1所示,本发明的系统模型为一个K用户的MIMO干扰网络,其中发送用户k安装Mk根天线,接收用户k安装Nk根天线。接收用户k只与发送用户k存在数据连接,来自发送用户l(l≠k)的信号被接收用户视为干扰。
参照图4,本发明在图1所示的系统模型中进行干扰对齐的步骤如下:
非理想信道状态下的信道模型可以表示为:
其中,Hk,j为用户j的发送端到用户k之间的接收端的实际信道状态矩阵,为Hk,j的估计值,是发送系统能够获得的信道矩阵,Ek,j表示实际信道与其估计值之间的误差。它与实际信道矩阵Hk,j相互独立,且其是一个独立同分布的高斯矩阵,均值为0,方差为τ,即vec(Ek,j)~N(0,τI),τ=βρ-α,α≥0,其中vec(·)表示对矩阵进行向量化处理,I表示单位向量,τ可以看作是影响信道估计质量的参数,α和β是影响τ的两个参数,ρ表示系统的信噪比。
为了方便分析非理想信道状态信息模型中干扰对齐算法的性能,此处定义了Hk,j关于的统计特性,在非理想状态下信道模型表达式的前提下,Hk,j有着均值为的高斯分布和方差为τ/(1+τ)的统计独立元素,即可得实际信道矩阵Hk,j的表达式:
二、最小化干扰泄露Min-Leakage算法的目标只是最小化用户间的加权干扰泄露,而且其并不考虑噪声的影响,所以其在复杂度方面较Max-SINR算法有一定的优势,但性能较差,所以可以先进行Min-Leakage算法的迭代计算。
在非理想信道状态信息条件下进行干扰对齐,最小化的干扰泄露:
非对应用户的发射端(l≠k)对用户k的接收端造成的总干扰泄露为
Ik=Tr((Uk)HQkUk)
其中Tr(A)表示矩阵A的迹,(A)H表示矩阵A的共轭转置,Uk表示用户k的干扰抑制矩阵,Qk表示用户k所受到的干扰协方差矩阵,其可表示为:
其中,Vj表示用户j的预编码矩阵,Pj表示用户j的发送功率,dj表示用户j发送的数据流个数。
将实际信道矩阵Hk,j的表达式带入Qk中,则Qk表示为:
三、通过迭代的方式求得用户k的预编码矩阵Vk和干扰抑制矩阵Uk,具体为:
其中,表示用户k的干扰抑制矩阵的第d列,vd[A]表示矩阵A的d个最小特征值对应的特征矢量的扩展空间,d表示每个用户发送的数据流个数。接收端通过选择干扰抑制矩阵来最小化来自非期望传输端的总干扰泄露。包含最少干扰的d维接收信号子空间是干扰协方差矩阵Qk的d个最小特征值对应的特征矢量的扩展空间。
5、重复步骤2,3,4直至收敛。约定第t+1次迭代和第t次迭代后所得到的系统和速率之差小于10-6时,可以认为系统以收敛。
系统和速率的表达式为:
四、最大化信干噪比Max-SINR算法目标是最大化每个数据流的SINR,由于其优化的目标比Min-Leakage算法优化的目标更细,所以在性能上优于Min-Leakage算法,但是复杂度较高,所以在Min-Leakage算法的基础上再进行迭代,会有效减小系统复杂度。
以最小化干扰泄露算法得到的预编码矩阵为初始值,继续最大化信干噪比:
用户k第l数据流的信干噪比可以表示为:
其中,vkl和ukl分别表示用户k的第l个数据流的预编码向量和干扰抑制向量,其分别为预编码矩阵Vk和干扰抑制矩阵Uk的第l列,Hk,k表示用户k的发送端到用户k的接收端之间的信道矩阵,Qkl表示第k个用户的第l个数据流干扰加噪声的协方差矩阵。
所以使SINRkl最大的向量ukl为:
其中,Qkl表示用户k的第l个数据流所受到的干扰加噪声的协方差矩阵,其具体的表达式为:
其中,pkl表示用户k的第l个数据流的功率,σ2表示噪声功率,上式可进一步推导得到干扰加噪声协方差矩阵的表达式:
其中,μ=pkl -1ρ-1(1+τ)2+τ(1+τ)(Kd-1),K表示系统的用户数,d表示每个用户发送的数据流个数。推导过程中用到如下公式E(J1)=E(J2)=0,E(J3)=pkl(Kd-1)(τ/1+τ)。此处用到了上文定义与无关,所以
五、通过迭代的方式更新用户的预编码矩阵Vk和干扰抑制矩阵Uk:
1、根据上文的干扰加噪声协方差矩阵的表达式以及已知的vkl求解用户k第l个数据流所受到的干扰加噪声协方差矩阵Qkl。
其中,表示反向链路用户j的发送端到用户k的接收端之间的信道矩阵的估计值,表示反向链路用户k的发送端到用户k的接收端之间的信道矩阵的估计值,ujm表示用户j的第m个数据流的干扰抑制向量,ukm表示用户k的第m个数据流的干扰抑制向量。
4、计算反向链路干扰抑制向量vkl:
5、重复步骤2,3,4,5直至收敛,约定第t+1次迭代和第t次迭代后所得到的系统和速率之差小于10-6时,可以认为系统以收敛。
6、记下收敛时刻的预编码矩阵Vk和干扰抑制矩阵Uk。
六、将步骤五中记录的预编码矩阵分配给用户,以便用户使用分配到的预编码矩阵传输数据。
图2中黑线代表系统在进行Min-Leakage算法迭代时,系统的和速率与迭代次数之间的关系,有曲线可以看出,系统在经过30次Min-Leakage算法迭代后收敛。红线代表系统在进行30次Min-Leakage算法迭代后,继续使用Max-SINR算法迭代时系统和速率与迭代次数之间的关系,可以看出进行十次迭代便可收敛。由于Min-Leakage算法复杂度较低,特别是在每个用户发送数据流很多的情况下,优势更加明显,由此可以看出本发明所提出的组合算法,可以使得系统的复杂度有所降低。
图3为三种算法在不同信噪比下的性能比较,其中参数α和β为τ函数的参数,τ为影响信道估计质量的参数。从图中可以看出在不同信道状态信息不匹配程度下,该组合算法的性能都优于Min-Leakage算法,尤其是在高性噪比是性能接近于Max-SINR算法,但是有上文分析可知,该组合算法的复杂度要低于Max-SINR算法,因此可以说明本发明在非理想信道状态信息下能够有效的降低系统的复杂度并且也可以有效的提高系统的容量。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (8)
1.非理想信道状态下MIMO系统中基于组合干扰对齐方法,其特征在于,具体步骤如下:
步骤1,初始化参数并获取非理想信道状态下的信道模型;
非理想信道状态下的信道模型Hk,j为:
其中,Hk,j为用户j的发送端到用户k的接收端之间的实际信道状态矩阵;为Hk,j的估计值,是发送系统能够获得的信道矩阵;为用户j的发送端到用户k的接收端之间的信道误差估计矩阵,其满足且与无关,其中,vec(·)表示对矩阵进行向量化处理,N(0,·)表示服从均值为0、方差为“·”的正态分布,I表示单位向量,τ为Hk,j与之间的误差矩阵Ek,j的方差;Ek,j满足vec(Ek,j)~N(0,τI),τ=βρ-α,α≥0,α和β是影响τ的两个参数,ρ表示系统的信噪比,且Ek,j与Hk,j相互独立;
步骤2,在非理想信道状态信息条件下进行干扰对齐,采用最小化干扰泄露算法,求得用户的预编码矩阵和干扰抑制矩阵;
步骤3,以步骤2中得到的预编码矩阵为初始值,采用最大化信干噪比算法进行优化,更新用户的预编码矩阵和干扰抑制矩阵;
步骤4,将步骤3中更新后的预编码矩阵分配给用户,以便用户使用分配到的预编码矩阵传输数据。
3.根据权利要求2所述的非理想信道状态下MIMO系统中基于组合干扰对齐方法,其特征在于,步骤2中求解用户k的预编码矩阵Vk和干扰抑制矩阵Uk的方法具体为:
5)、重复步骤2)至4)直至系统收敛,输出收敛时的预编码矩阵Vk和干扰抑制矩阵Uk。
4.根据权利要求3所述的非理想信道状态下MIMO系统中基于组合干扰对齐方法,其特征在于,步骤3中用户k的第l数据流的信干噪比为:
其中,vkl表示用户k的第l个数据流的预编码向量,其为预编码矩阵Vk的第l列;ukl表示用户k的第l个数据流的干扰抑制向量,其为干扰抑制矩阵Uk的第l列;Hk,k表示用户k的发送端到用户k的接收端之间的实际信道状态矩阵;
表示用户k的第l个数据流所受到的干扰加噪声的协方差矩阵,pkl表示用户k的第l个数据流的功率,vjm表示用户j的第m个数据流的预编码向量,vkm表示用户k的第m个数据流的预编码向量,表示用户k的发送端到用户k的接收端之间的信道矩阵的估计值,μ=pkl -1ρ-1(1+τ)2+τ(1+τ)(Kd-1),d表示每个用户发送的数据流个数;
使SINRkl最大的向量ukl为:
5.根据权利要求4所述的非理想信道状态下MIMO系统中基于组合干扰对齐方法,其特征在于,步骤3中更新用户的预编码矩阵和干扰抑制矩阵的方法具体为:
其中,表示反向链路用户j的发送端到用户k的接收端之间的信道矩阵的估计值,表示反向链路用户k的发送端到用户k的接收端之间的信道矩阵的估计值,ujm表示用户j的第m个数据流的干扰抑制向量,ukm表示用户k的第m个数据流的干扰抑制向量;
C)、计算反向链路干扰抑制向量vkl:
D)、重复步骤A)至C)直至系统收敛,输出收敛时的预编码矩阵Vk和干扰抑制矩阵Uk。
6.根据权利要求3所述的非理想信道状态下MIMO系统中基于组合干扰对齐方法,其特征在于,步骤5)中系统收敛的条件为此次迭代与前次迭代后所得到的系统和速率之差小于10-6。
7.根据权利要求5所述的非理想信道状态下MIMO系统中基于组合干扰对齐方法,其特征在于,步骤D)中系统收敛的条件为此次迭代与前次迭代后所得到的系统和速率之差小于10-6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710014827.1A CN106850020B (zh) | 2017-01-09 | 2017-01-09 | 非理想信道状态下mimo系统中基于组合干扰对齐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710014827.1A CN106850020B (zh) | 2017-01-09 | 2017-01-09 | 非理想信道状态下mimo系统中基于组合干扰对齐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106850020A CN106850020A (zh) | 2017-06-13 |
CN106850020B true CN106850020B (zh) | 2020-11-24 |
Family
ID=59117374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710014827.1A Active CN106850020B (zh) | 2017-01-09 | 2017-01-09 | 非理想信道状态下mimo系统中基于组合干扰对齐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106850020B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108599829B (zh) * | 2018-04-18 | 2020-12-15 | 郑州大学 | 一种实用化的干扰对齐与删除方法、终端设备 |
CN110012489A (zh) * | 2019-05-17 | 2019-07-12 | 浙江科技学院 | 非理想信道下全双工mimo蜂窝系统的通信处理方法 |
CN112702091B (zh) * | 2020-12-22 | 2022-01-14 | 杭州电子科技大学 | 多用户多天线swipt中改进的max-sinr干扰对齐方法 |
CN114786213A (zh) * | 2022-04-27 | 2022-07-22 | 重庆邮电大学 | 一种多用户干扰网络中基于人工噪声和动态功率分配的安全传输方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103023544A (zh) * | 2012-12-21 | 2013-04-03 | 郑州大学 | Mimo干扰信道系统的低复杂度干扰对齐方法 |
CN103209059A (zh) * | 2013-04-26 | 2013-07-17 | 哈尔滨工业大学 | 信道误差f-范数有界模型下mimo干扰对齐无线通信方法 |
CN103248460A (zh) * | 2013-04-26 | 2013-08-14 | 哈尔滨工业大学 | 非理想信道状态下mimo系统中基于干扰对齐的信号处理方法 |
CN104283828A (zh) * | 2014-10-30 | 2015-01-14 | 无锡北邮感知技术产业研究院有限公司 | 一种异构蜂窝网络的干扰管理方法及装置 |
CN105722201A (zh) * | 2016-01-21 | 2016-06-29 | 江苏科技大学 | 一种飞蜂窝网络干扰对齐优化方法 |
CN105978835A (zh) * | 2016-05-06 | 2016-09-28 | 华东交通大学 | 一种低复杂度的分布式干扰对齐方法 |
CN106130697A (zh) * | 2016-07-05 | 2016-11-16 | 重庆邮电大学 | 基于Bayes估计和数据流间功率分配的联合干扰相位对齐方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9236922B2 (en) * | 2012-04-04 | 2016-01-12 | Electronics And Telecommunications Research Institute | Method of communicating between base station and terminal based on interference alignment in multi-cell multi-user multiple-input multiple-output (MIMO) interference channel and method and apparatus of communication using interference alignment and block successive interference pre-cancellation in multi-user multiple-input multiple-output interference channel |
-
2017
- 2017-01-09 CN CN201710014827.1A patent/CN106850020B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103023544A (zh) * | 2012-12-21 | 2013-04-03 | 郑州大学 | Mimo干扰信道系统的低复杂度干扰对齐方法 |
CN103209059A (zh) * | 2013-04-26 | 2013-07-17 | 哈尔滨工业大学 | 信道误差f-范数有界模型下mimo干扰对齐无线通信方法 |
CN103248460A (zh) * | 2013-04-26 | 2013-08-14 | 哈尔滨工业大学 | 非理想信道状态下mimo系统中基于干扰对齐的信号处理方法 |
CN104283828A (zh) * | 2014-10-30 | 2015-01-14 | 无锡北邮感知技术产业研究院有限公司 | 一种异构蜂窝网络的干扰管理方法及装置 |
CN105722201A (zh) * | 2016-01-21 | 2016-06-29 | 江苏科技大学 | 一种飞蜂窝网络干扰对齐优化方法 |
CN105978835A (zh) * | 2016-05-06 | 2016-09-28 | 华东交通大学 | 一种低复杂度的分布式干扰对齐方法 |
CN106130697A (zh) * | 2016-07-05 | 2016-11-16 | 重庆邮电大学 | 基于Bayes估计和数据流间功率分配的联合干扰相位对齐方法 |
Non-Patent Citations (1)
Title |
---|
A combined iterative interference alignment scheme for K-user MIMO interference channel;JU Feng et al.;《2014 IEEE International Workshop on Electromagnetics (iWEM)》;20141124;第221-222页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106850020A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106850020B (zh) | 非理想信道状态下mimo系统中基于组合干扰对齐方法 | |
CN109005551B (zh) | 一种非理想信道状态信息的多用户noma下行功率分配方法 | |
CN110719239B (zh) | 一种数据模型双驱动的联合mimo信道估计和信号检测方法 | |
CN110190881B (zh) | 权重速率最优的下行mimo-noma功率分配方法 | |
Deghel et al. | On the benefits of edge caching for MIMO interference alignment | |
CN106130697B (zh) | 基于Bayes估计和数据流间功率分配的联合干扰相位对齐方法 | |
CN108183733B (zh) | 基于在线noma多天线系统的波束成形优化方法 | |
WO2010077291A1 (en) | Resource allocation for orthogonal decode-and-forward multiple-input multiple-output relay channels with finite rate feedback | |
CN110661734A (zh) | 基于深度神经网络的信道估计方法、设备和可读存储介质 | |
CN109743086A (zh) | 一种大规模mimo系统的信道估计方法 | |
CN105940625B (zh) | 基站装置、无线通信系统、以及通信方法 | |
WO2023185077A1 (zh) | 一种网络辅助全双工系统能效优化方法及系统 | |
CN111107023B (zh) | 在大规模mimo中基于光滑范数的压缩感知信道估计方法 | |
CN104283634B (zh) | 一种数据的发送方法、接收方法、系统及装置 | |
CN114245348A (zh) | 基于无蜂窝网络架构的多业务联合传输方法及装置 | |
Chu et al. | Deep reinforcement learning based end-to-end multiuser channel prediction and beamforming | |
CN109391315B (zh) | 一种数据模型双驱动的mimo接收机 | |
CN113765567A (zh) | 基于深度学习的大规模mimo收发联合波束成形方法 | |
CN111010220B (zh) | 基于能量效率的多用户多流的下行混合预编码方法及系统 | |
CN109510650B (zh) | 一种多用户双向af mimo中继系统的联合预编码方法 | |
CN106982085B (zh) | 多小区mimo系统中块对角化辅助的鲁棒收发机设计方法 | |
CN109818891B (zh) | 一种格基约减辅助的低复杂度贪心球形译码检测方法 | |
CN105429687B (zh) | 一种最小化干扰功率与维度的干扰对齐方法 | |
CN113258985B (zh) | 单站多星mimo上注系统能效优化方法 | |
Chu et al. | Wireless channel prediction for multi-user physical layer with deep reinforcement learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |