CN108990167B - 一种机器学习辅助的大规模mimo下行用户调度方法 - Google Patents
一种机器学习辅助的大规模mimo下行用户调度方法 Download PDFInfo
- Publication number
- CN108990167B CN108990167B CN201810757547.4A CN201810757547A CN108990167B CN 108990167 B CN108990167 B CN 108990167B CN 201810757547 A CN201810757547 A CN 201810757547A CN 108990167 B CN108990167 B CN 108990167B
- Authority
- CN
- China
- Prior art keywords
- user
- matrix
- antennas
- characteristic
- energy coupling
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/12—Wireless traffic scheduling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种机器学习辅助的大规模MIMO下行用户调度方法,包括以下步骤:S1:基站通过用户发送的上行探测信号获取特征方向上的特征模式能量耦合矩阵;S2:基站利用特征模式能量耦合矩阵,通过机器学习的方法辅助进行各种用户和波束组合下的和速率计算;S3:采用贪婪算法实现和速率最大准则的用户调度,获取最优用户波束配对组合。本发明通过上行探测信号获取统计信道信息,采用和速率最大化准则进行用户调度。在基站仅有统计信道信息的情况下,通过有针对性的特征提取以及神经网络的设计,精确地实现和速率的近似计算,极大地降低大规模天线下用户调度的复杂度,并且性能接近最优,具有较好的适用性和鲁棒性。
Description
技术领域
本发明涉及大规模MIMO下行用户调度方法。
背景技术
随着大规模多输入多输出(MIMO)的无线通信系统的广泛研究,频谱和辐射能量效率可以通过部署大量的天线得到提升。在多用户系统中,基站通过配备大量天线,可以使用相同时频物理资源块与多个移动终端进行通信。
大规模MIMO系统的吞吐量取决于系统基站处信道状态信息(CSI)的有效性。在时分双工系统中,基站利用信道的互易性,通过上行导频训练获得下行链路的信道信息。然而导频开销与天线总数呈线性关系,当用户数较多或者用户端配置多天线时,导频开销会很大。另外,随着用户移动性的增加,信道相干时间变得相对较短。传输方法对瞬时信道状态信息的依赖,在很多程度上限制了其实际应用的可行性。为解决信道信息获取的困难,考虑采用统计信道信息代替瞬时信道信息进行用户调度。
基站可以通过用户发送的上行探测信号获取统计信道信息,采用贪婪算法实现和速率最大准则的用户调度,获取最优用户波束配对组合。然而,基于统计CSI的用户调度需要计算和速率的期望,复杂度很高。虽然一些现有的方法可以用作计算和速率的近似值,但是在实际应用中计算复杂度仍然较高。
发明内容
发明目的:本发明的目的是提供一种能够降低计算复杂度的机器学习辅助的大规模MIMO下行用户调度方法。
技术方案:为达到此目的,本发明采用以下技术方案:
本发明所述的机器学习辅助的大规模MIMO下行用户调度方法,包括以下步骤:
S1:基站通过用户发送的上行探测信号获取特征方向上的特征模式能量耦合矩阵;
S2:基站利用特征模式能量耦合矩阵,通过机器学习的方法辅助进行各种用户和波束组合下的和速率计算;
S3:采用贪婪算法实现和速率最大准则的用户调度,获取最优用户波束配对组合。
进一步,所述步骤S1中的特征模式能量耦合矩阵通过式(1)进行计算:
式(1)中,为第k个用户的特征模式能量耦合矩阵,M为基站天线数,N为用户天线数,τ为采样时间点的总数,L为子载波的总数,为第k个用户在第t个时间采样点、第l个子载波上的波束域信道估计矩阵,为第k个用户的发送相关阵的特征矩阵,(·)*表示共轭,⊙表示矩阵Hardmad乘积。
进一步,所述步骤S2包括以下步骤:
S2.1:将和速率的计算问题转变为求解与信道矩阵相关的Hermitian矩阵的有序特征值的概率密度函数的问题;
S2.2:将步骤S2.1中的有序特征值的概率密度函数建模为指数族分布,和速率计算问题由此转变为参数估计问题和容量近似问题;
S2.3:对特征模式能量耦合矩阵和功率分配矩阵进行特征提取;
S2.4:针对用户天线数为2的情况,进行深度特征提取;
S2.5:用Monte-Carlo方法生成训练样本;
S2.6:利用步骤S2.5生成的训练样本,用神经网络实现参数估计和容量近似。
进一步,所述步骤S2.1包括以下步骤:
S2.1.1:计算出第k个用户的速率Rk:
式(2)中,(·)H表示共轭转置;为第k个用户在第t个时间采样点、第l个子载波上的波束域信道估计矩阵,M为基站天线数,N为用户天线数;Λs为功率分配矩阵, 为第i个用户的功率分配对角阵,其对角线元素表示分配到每个特征模式上的能量,表示求期望;定义容量计算函数C(·)为
进一步,所述步骤S2.2包括以下过程:将p(λn)建模为指数族分布,并假定p(λn)的充分统计量为p(λn)的前P阶原点矩mn:
和速率计算问题由此转变为两个问题:参数mn的估计问题和由参数mn的容量近似问题。
进一步,所述步骤S2.3包括以下过程:
对特征模式能量耦合矩阵和功率分配矩阵进行特征提取:
式(7)中,(·)T表示转置,Lm=[Λs]mm,ωm=[Ωk]m,1≤m≤M, 为第i个用户的功率分配对角阵,其对角线元素表示分配到每个特征模式上的能量,为特征模式能量耦合矩阵,M为基站天线数,N为用户天线数,[Λs]mm表示Λs的第m行第m列的元素,[Ωk]m表示Ωk的第m列,x(Λs,Ωk)为对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk提取的特征向量,简记x(Λs,Ωk)为x;定义相应于第n个特征值λn的容量cn为:
定义所有特征值的原点矩向量为m=(m1,...,mN),mn为p(λn)的前P阶原点矩,1≤n≤N,所有特征值相应的容量向量为c=(c1,...,cN),cn为相应于第n个特征值λn的容量;因此容量计算问题的过程表示为:先提取特征向量x,由特征向量计算原点矩向量m,再由原点矩向量计算容量向量c,其中, P为原点矩最高阶数。
进一步,所述步骤S2.4中包括以下过程:
针对用户天线数为2的情况,即N=2,取原点矩最高阶数P=1,深度提取特征;定义x(Λs,Ωk)的矩阵形式X(Λs,Ωk)为:
X(Λs,Ωk)=(L1ω1,...,LMωM) (9)
x(Λs,Ωk)为对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk提取的特征向量;式(9)中,Lm=[Λs]mm,ωm=[Ωk]m,1≤m≤M, 为第i个用户的功率分配对角阵,其对角线元素表示分配到每个特征模式上的能量,为特征模式能量耦合矩阵,M为基站天线数,N为用户天线数,简记为X,对X(Λs,Ωk)进行进一步特征提取,定义新的特征向量x'为:
式(10)中,x'为x'(Λs,Ωk)的简记符号,x'(Λs,Ωk)为在用户天线数为2时对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk深度提取的特征向量,α=[X]1⊙[X]2,表示矩阵X的第nR行第nT的元素,表示矩阵X的第nR行,容量计算问题的过程表示为:先提取特征向量x',由特征向量计算原点矩向量m,再由原点矩向量计算容量向量c,其中,
进一步,所述步骤S2.5包括以下过程:
定义第k个用户的随机信道Gk为:
Gk=Mk⊙W (11)
式(11)中,W为独立同分布的复高斯随机矩阵,其元素均值为0,方差为1;Mk为N×M维确定的矩阵,满足Ωk=Mk⊙Mk,为特征模式能量耦合矩阵,M为基站天线数,N为用户天线数;用Monte-Carlo方法生成训练样本集合和当用户天线数为2时,训练集合为和 为训练样本集合的样本数量,为训练样本集合的样本数量,表示x的第个样本,表示x'的第个样本,表示m的第个样本,表示m的第个样本,表示c的第个样本,x为x(Λs,Ωk)的简记符号,x(Λs,Ωk)为对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk提取的特征向量,x'为x'(Λs,Ωk)的简记符号,x'(Λs,Ωk)为在用户天线数为2时对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk深度提取的特征向量。
进一步,所述步骤S2.6包括以下步骤:
S2.6.1:依据训练样本集合和训练样本集合当用户天线数为2时,训练样本集合为和选定网络参数,分别训练得到参数估计神经网络和容量近似神经网络的权值与偏差,将参数估计神经网络的输出作为容量近似神经网络的输入,级联为一个神经网络;
S2.6.2:依据特征模式能量耦合矩阵和功率分配矩阵提取第k个用户的特征;
S2.6.3:将步骤S2.6.2提取的特征作为神经网络的输入,神经网络的输出为相应的估计参数;
S2.6.4:给定用户及波束集合,对于每个用户重复执行步骤S2.6.1-S2.6.3,得到相应的容量并计算和速率。
进一步,所述步骤S3中,采用贪婪算法实现和速率最大准则的用户调度通过以下过程实现:
挑选和速率最大的用户:
式(14)中,第u个用户为和速率最大的用户;
有益效果:本发明公开了一种机器学习辅助的大规模MIMO下行用户调度方法,通过上行探测信号获取统计信道信息,采用和速率最大化准则进行用户调度。在基站仅有统计信道信息的情况下,通过有针对性的特征提取以及神经网络的设计,精确地实现和速率的近似计算,极大地降低大规模天线下用户调度的复杂度,并且性能接近最优,具有较好的适用性和鲁棒性。
附图说明
图1为本发明具体实施方式中方法的流程图;
图2为本发明具体实施方式中神经网络的架构图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步的介绍。
本具体实施方式公开了一种机器学习辅助的大规模MIMO下行用户调度方法,如图1所示,包括以下步骤:
S1:基站通过用户发送的上行探测信号获取特征方向上的特征模式能量耦合矩阵;
S2:基站利用特征模式能量耦合矩阵,通过机器学习的方法辅助进行各种用户和波束组合下的和速率计算;
S3:采用贪婪算法实现和速率最大准则的用户调度,获取最优用户波束配对组合。
步骤S1中的特征模式能量耦合矩阵通过式(1)进行计算:
式(1)中,为第k个用户的特征模式能量耦合矩阵,M为基站天线数,N为用户天线数,τ为采样时间点的总数,L为子载波的总数,为第k个用户在第t个时间采样点、第l个子载波上的波束域信道估计矩阵,为第k个用户的发送相关阵的特征矩阵,(·)*表示共轭,⊙表示矩阵Hardmad乘积。
步骤S2包括以下步骤:
S2.1:将和速率的计算问题转变为求解与信道矩阵相关的Hermitian矩阵的有序特征值的概率密度函数的问题;
S2.2:将步骤S2.1中的有序特征值的概率密度函数建模为指数族分布,和速率计算问题由此转变为参数估计问题和容量近似问题;
S2.3:对特征模式能量耦合矩阵和功率分配矩阵进行特征提取;
S2.4:针对用户天线数为2的情况,进行深度特征提取;
S2.5:用Monte-Carlo方法生成训练样本;
S2.6:利用步骤S2.5生成的训练样本,用神经网络实现参数估计和容量近似。
步骤S2.1包括以下步骤:
S2.1.1:计算出第k个用户的速率Rk:
式(2)中,(·)H表示共轭转置;为第k个用户在第t个时间采样点、第l个子载波上的波束域信道估计矩阵,M为基站天线数,N为用户天线数;Λs为功率分配矩阵, 为第i个用户的功率分配对角阵,其对角线元素表示分配到每个特征模式上的能量,表示求期望;定义容量计算函数C(·)为
步骤S2.2包括以下过程:将p(λn)建模为指数族分布,并假定p(λn)的充分统计量为p(λn)的前P阶原点矩mn:
和速率计算问题由此转变为两个问题:参数mn的估计问题和由参数mn的容量近似问题。
步骤S2.3包括以下过程:
对特征模式能量耦合矩阵和功率分配矩阵进行特征提取:
式(7)中,(·)T表示转置,Lm=[Λs]mm,ωm=[Ωk]m,1≤m≤M, 为第i个用户的功率分配对角阵,其对角线元素表示分配到每个特征模式上的能量,为特征模式能量耦合矩阵,M为基站天线数,N为用户天线数,[Λs]mm表示Λs的第m行第m列的元素,[Ωk]m表示Ωk的第m列,x(Λs,Ωk)为对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk提取的特征向量,简记x(Λs,Ωk)为x;定义相应于第n个特征值λn的容量cn为:
定义所有特征值的原点矩向量为m=(m1,...,mN),mn为p(λn)的前P阶原点矩,1≤n≤N,所有特征值相应的容量向量为c=(c1,...,cN),cn为相应于第n个特征值λn的容量;因此容量计算问题的过程表示为:先提取特征向量x,由特征向量计算原点矩向量m,再由原点矩向量计算容量向量c,其中, P为原点矩最高阶数。
步骤S2.4中包括以下过程:
针对用户天线数为2的情况,即N=2,取原点矩最高阶数P=1,深度提取特征;定义x(Λs,Ωk)的矩阵形式X(Λs,Ωk)为:
X(Λs,Ωk)=(L1ω1,...,LMωM) (9)
x(Λs,Ωk)为对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk提取的特征向量;式(9)中,Lm=[Λs]mm,ωm=[Ωk]m,1≤m≤M, 为第i个用户的功率分配对角阵,其对角线元素表示分配到每个特征模式上的能量,为特征模式能量耦合矩阵,M为基站天线数,N为用户天线数,简记为X,对X(Λs,Ωk)进行进一步特征提取,定义新的特征向量x'为:
式(10)中,x'为x'(Λs,Ωk)的简记符号,x'(Λs,Ωk)为在用户天线数为2时对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk深度提取的特征向量,α=[X]1⊙[X]2,表示矩阵X的第nR行第nT的元素,表示矩阵X的第nR行,容量计算问题的过程表示为:先提取特征向量x',由特征向量计算原点矩向量m,再由原点矩向量计算容量向量c,其中,
步骤S2.5包括以下过程:
定义第k个用户的随机信道Gk为:
Gk=Mk⊙W (11)
式(11)中,W为独立同分布的复高斯随机矩阵,其元素均值为0,方差为1;Mk为N×M维确定的矩阵,满足Ωk=Mk⊙Mk,为特征模式能量耦合矩阵,M为基站天线数,N为用户天线数;用Monte-Carlo方法生成训练样本集合和当用户天线数为2时,训练集合为和 为训练样本集合的样本数量,为训练样本集合的样本数量,表示x的第个样本,表示x'的第个样本,表示m的第个样本,表示m的第个样本,表示c的第个样本,x为x(Λs,Ωk)的简记符号,x(Λs,Ωk)为对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk提取的特征向量,x'为x'(Λs,Ωk)的简记符号,x'(Λs,Ωk)为在用户天线数为2时对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk深度提取的特征向量。
步骤S2.6包括以下步骤:
S2.6.1:依据训练样本集合和训练样本集合当用户天线数为2时,训练样本集合为和选定网络参数,分别训练得到参数估计神经网络和容量近似神经网络的权值与偏差,将参数估计神经网络的输出作为容量近似神经网络的输入,级联为一个神经网络;神经网络的架构如图2所示;
S2.6.2:依据特征模式能量耦合矩阵和功率分配矩阵提取第k个用户的特征;
S2.6.3:将步骤S2.6.2提取的特征作为神经网络的输入,神经网络的输出为相应的估计参数;
S2.6.4:给定用户及波束集合,对于每个用户重复执行步骤S2.6.1-S2.6.3,得到相应的容量并计算和速率。
步骤S3中,采用贪婪算法实现和速率最大准则的用户调度通过以下过程实现:
挑选和速率最大的用户:
式(14)中,第u个用户为和速率最大的用户;
Claims (1)
1.一种机器学习辅助的大规模MIMO下行用户调度方法,其特征在于:包括以下步骤:
S1:基站通过用户发送的上行探测信号获取特征方向上的特征模式能量耦合矩阵;
S2:基站利用特征模式能量耦合矩阵,通过机器学习的方法辅助进行各种用户和波束组合下的和速率计算;
S3:采用贪婪算法实现和速率最大准则的用户调度,获取最优用户波束配对组合;
所述步骤S1中的特征模式能量耦合矩阵通过式(1)进行计算:
式(1)中,为第k个用户的特征模式能量耦合矩阵,M为基站天线数,N为用户天线数,τ为采样时间点的总数,L为子载波的总数,为第k个用户在第t个时间采样点、第个子载波上的波束域信道估计矩阵,为第k个用户的发送相关阵的特征矩阵,(·)*表示共轭,⊙表示矩阵Hardmad乘积;
所述步骤S2包括以下步骤:
S2.1:将和速率的计算问题转变为求解与信道矩阵相关的Hermitian矩阵的有序特征值的概率密度函数的问题;
S2.2:将步骤S2.1中的有序特征值的概率密度函数建模为指数族分布,和速率计算问题由此转变为参数估计问题和容量近似问题;
S2.3:对特征模式能量耦合矩阵和功率分配矩阵进行特征提取;
S2.4:针对用户天线数为2的情况,进行深度特征提取;
S2.5:用Monte-Carlo方法生成训练样本;
S2.6:利用步骤S2.5生成的训练样本,用神经网络实现参数估计和容量近似;
所述步骤S2.1包括以下步骤:
S2.1.1:计算出第k个用户的速率Rk:
所述步骤S2.2包括以下过程:将p(λn)建模为指数族分布,并假定p(λn)的充分统计量为p(λn)的前P阶原点矩mn:
和速率计算问题由此转变为两个问题:参数mn的估计问题和由参数mn的容量近似问题;
所述步骤S2.3包括以下过程:
对特征模式能量耦合矩阵和功率分配矩阵进行特征提取:
式(7)中,(·)T表示转置,Lm=[Λs]mm,ωm=[Ωk]m,1≤m≤M, 为第i个用户的功率分配对角阵,其对角线元素表示分配到每个特征模式上的能量,为特征模式能量耦合矩阵,M为基站天线数,N为用户天线数,[Λs]mm表示Λs的第m行第m列的元素,[Ωk]m表示Ωk的第m列,x(Λs,Ωk)为对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk提取的特征向量,简记x(Λs,Ωk)为x;定义相应于第n个特征值λn的容量cn为:
定义所有特征值的原点矩向量为m=(m1,...,mN),mn为p(λn)的前P阶原点矩,1≤n≤N,所有特征值相应的容量向量为c=(c1,...,cN),cn为相应于第n个特征值λn的容量;因此容量计算问题的过程表示为:先提取特征向量x,由特征向量计算原点矩向量m,再由原点矩向量计算容量向量c,其中, P为原点矩最高阶数;
所述步骤S2.4中包括以下过程:
针对用户天线数为2的情况,即N=2,取原点矩最高阶数P=1,深度提取特征;定义x(Λs,Ωk)的矩阵形式X(Λs,Ωk)为:
X(Λs,Ωk)=(L1ω1,...,LMωM) (9)
x(Λs,Ωk)为对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk提取的特征向量;式(9)中,Lm=[Λs]mm,ωm=[Ωk]m,1≤m≤M,为第i个用户的功率分配对角阵,其对角线元素表示分配到每个特征模式上的能量,为特征模式能量耦合矩阵,M为基站天线数,N为用户天线数,简记为X,对X(Λs,Ωk)进行进一步特征提取,定义新的特征向量x'为:
式(10)中,x'为x'(Λs,Ωk)的简记符号,x'(Λs,Ωk)为在用户天线数为2时对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk深度提取的特征向量,α=[X]1⊙[X]2,表示矩阵X的第nR行第nT的元素,表示矩阵X的第nR行,容量计算问题的过程表示为:先提取特征向量x',由特征向量计算原点矩向量m,再由原点矩向量计算容量向量c,其中,
所述步骤S2.5包括以下过程:
定义第k个用户的随机信道Gk为:
Gk=Mk⊙W (11)
式(11)中,W为独立同分布的复高斯随机矩阵,其元素均值为0,方差为1;Mk为N×M维确定的矩阵,满足Ωk=Mk⊙Mk,为特征模式能量耦合矩阵,M为基站天线数,N为用户天线数;用Monte-Carlo方法生成训练样本集合和当用户天线数为2时,训练集合为和 为训练样本集合的样本数量,为训练样本集合的样本数量,表示x的第个样本,表示x'的第个样本,表示m的第个样本,表示m的第个样本,表示c的第个样本,x为x(Λs,Ωk)的简记符号,x(Λs,Ωk)为对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk提取的特征向量,x'为x'(Λs,Ωk)的简记符号,x'(Λs,Ωk)为在用户天线数为2时对功率分配矩阵Λs和特征模式能量耦合矩阵Ωk深度提取的特征向量;
所述步骤S2.6包括以下步骤:
S2.6.1:依据训练样本集合和训练样本集合当用户天线数为2时,训练样本集合为和选定网络参数,分别训练得到参数估计神经网络和容量近似神经网络的权值与偏差,将参数估计神经网络的输出作为容量近似神经网络的输入,级联为一个神经网络;
S2.6.2:依据特征模式能量耦合矩阵和功率分配矩阵提取第k个用户的特征;
S2.6.3:将步骤S2.6.2提取的特征作为神经网络的输入,神经网络的输出为相应的估计参数;
S2.6.4:给定用户及波束集合,对于每个用户重复执行步骤S2.6.1-S2.6.3,得到相应的容量并计算和速率;
所述步骤S3中,采用贪婪算法实现和速率最大准则的用户调度通过以下过程实现:
挑选和速率最大的用户:
式(14)中,第u个用户为和速率最大的用户;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810757547.4A CN108990167B (zh) | 2018-07-11 | 2018-07-11 | 一种机器学习辅助的大规模mimo下行用户调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810757547.4A CN108990167B (zh) | 2018-07-11 | 2018-07-11 | 一种机器学习辅助的大规模mimo下行用户调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108990167A CN108990167A (zh) | 2018-12-11 |
CN108990167B true CN108990167B (zh) | 2021-09-07 |
Family
ID=64536841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810757547.4A Active CN108990167B (zh) | 2018-07-11 | 2018-07-11 | 一种机器学习辅助的大规模mimo下行用户调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108990167B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109982434B (zh) * | 2019-03-08 | 2022-04-01 | 西安电子科技大学 | 无线资源调度一体智能化控制系统及方法、无线通信系统 |
CN110417444B (zh) * | 2019-07-08 | 2020-08-04 | 东南大学 | 一种基于深度学习的毫米波信道波束训练方法 |
CN110365379B (zh) * | 2019-07-23 | 2021-09-07 | 东南大学 | 一种大规模天线系统联合码分和波束分多址方法 |
WO2021035719A1 (zh) * | 2019-08-30 | 2021-03-04 | Oppo广东移动通信有限公司 | 信号传输方法、装置及系统 |
CN111010222B (zh) * | 2019-11-13 | 2022-05-13 | 东南大学 | 一种基于深度学习的大规模mimo下行用户调度方法 |
CN111865378B (zh) * | 2020-05-28 | 2021-06-11 | 东南大学 | 基于深度学习的大规模mimo下行预编码方法 |
CN113411106B (zh) * | 2021-05-31 | 2023-03-24 | 海南大学 | 安全空间调制系统中基于深度学习的功率分配方法 |
CN113595609B (zh) * | 2021-08-13 | 2024-01-19 | 电子科技大学长三角研究院(湖州) | 一种基于强化学习的蜂窝移动通信系统协作式信号发送方法 |
CN115529065A (zh) * | 2022-09-20 | 2022-12-27 | 东南大学 | 大规模mimo低轨卫星通信系统贪婪用户调度方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102916735A (zh) * | 2012-10-17 | 2013-02-06 | 东南大学 | 利用大规模天线阵列的无线通信方法 |
CN105515623A (zh) * | 2015-11-26 | 2016-04-20 | 华为技术有限公司 | 一种波束分配方法以及基站 |
CN106341216A (zh) * | 2016-10-10 | 2017-01-18 | 东南大学 | 一种无线通信链路自适应方法及上下行链路自适应方法 |
CN107483088A (zh) * | 2017-08-31 | 2017-12-15 | 东南大学 | 大规模mimo鲁棒预编码传输方法 |
WO2018102803A1 (en) * | 2016-12-02 | 2018-06-07 | Archit System Inc. | Retro-directive quasi-optical system |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9705579B2 (en) * | 2014-06-06 | 2017-07-11 | Ntt Docomo, Inc. | Transceivers and methods for use in transmitting information in a massive MIMO system |
CN104052535B (zh) * | 2014-06-23 | 2017-06-09 | 东南大学 | 基于空分多址与干扰抑制的毫米波大规模mimo系统多用户传输方法 |
WO2017218794A1 (en) * | 2016-06-15 | 2017-12-21 | Convida Wireless, Llc | Upload control signaling for new radio |
US20170366238A1 (en) * | 2016-06-20 | 2017-12-21 | Hou-Shin Chen | System and method for distributed mimo communications |
CN105959048B (zh) * | 2016-06-23 | 2019-02-15 | 北京科技大学 | 一种大规模天线的预编码方法 |
-
2018
- 2018-07-11 CN CN201810757547.4A patent/CN108990167B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102916735A (zh) * | 2012-10-17 | 2013-02-06 | 东南大学 | 利用大规模天线阵列的无线通信方法 |
CN105515623A (zh) * | 2015-11-26 | 2016-04-20 | 华为技术有限公司 | 一种波束分配方法以及基站 |
CN106341216A (zh) * | 2016-10-10 | 2017-01-18 | 东南大学 | 一种无线通信链路自适应方法及上下行链路自适应方法 |
WO2018102803A1 (en) * | 2016-12-02 | 2018-06-07 | Archit System Inc. | Retro-directive quasi-optical system |
CN107483088A (zh) * | 2017-08-31 | 2017-12-15 | 东南大学 | 大规模mimo鲁棒预编码传输方法 |
Non-Patent Citations (3)
Title |
---|
"Low Complexity Polynomial Expansion Detector With Deterministic Equivalents of the Moments of Channel Gram Matrix for Massive MIMO Uplink";An-An Lu,Xiqi Gao,Yahong Rosa Zheng,and Chengshan Xiao;《IEEE TRANSACTIONS ON COMMUNICATIONS》;20151208;第64卷(第2期);全文 * |
"User scheduling and beam allocation for massive MIMO systems with two-stage precoding";Chen Lu, Wenjin Wang, Wen Zhong, and Xiqi Gao;《2016 IEEE 27th Annual IEEE International Symposium on Personal》;20161222;全文 * |
"大规模MIMO下行预编码技术";陆晨,王闻今,高西奇;《中兴通讯技术》;20160421;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108990167A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108990167B (zh) | 一种机器学习辅助的大规模mimo下行用户调度方法 | |
CN108964726B (zh) | 一种低复杂度的大规模mimo上行链路传输信道估计方法 | |
Xie et al. | A unified transmission strategy for TDD/FDD massive MIMO systems with spatial basis expansion model | |
CN109104225B (zh) | 一种能效最优的大规模mimo波束域多播传输方法 | |
Zhang et al. | CV-3DCNN: Complex-valued deep learning for CSI prediction in FDD massive MIMO systems | |
CN107294575B (zh) | 一种大规模mimo波束域安全通信方法 | |
CN107483091B (zh) | 一种fdd大规模mimo-ofdm系统下的信道信息反馈算法 | |
CN110212959B (zh) | 一种毫米波mimo-ofdm通信系统的混合预编码能效优化方法 | |
US20120230380A1 (en) | Method for determining beamforming parameters in a wireless communication system and to a wireless communication system | |
WO2017180485A1 (en) | A hybrid beamforming method for wireless multi-antenna and frequency-division duplex systems | |
EP2466761B1 (en) | Multiple input multiple output and beam-forming data transmission method and device | |
CN109831233B (zh) | 一种多小区协调大规模mimo波束域多播功率分配方法 | |
CN110971547B (zh) | 一种基于毫米波/太赫兹的宽带大规模终端检测和信道估计方法 | |
Peng et al. | Channel estimation for RIS-aided multi-user mmWave systems with uniform planar arrays | |
CN107947841B (zh) | 大规模mimo非正交多址系统多天线用户对调度方法 | |
CN113824478A (zh) | 离散透镜天线阵列辅助的宽带毫米波多用户大规模mimo上行频谱效率优化方法 | |
Saatlou et al. | Spectral efficiency maximization of a single cell massive MU-MIMO down-link TDD system by appropriate resource allocation | |
Luo et al. | A scalable framework for CSI feedback in FDD massive MIMO via DL path aligning | |
Elbir et al. | Federated dropout learning for hybrid beamforming with spatial path index modulation in multi-user mmWave-MIMO systems | |
CN115065432A (zh) | 天波大规模mimo三重波束基信道建模及信道信息获取 | |
Su et al. | Optimal zero-forcing hybrid downlink precoding for sum-rate maximization | |
Turan et al. | A versatile low-complexity feedback scheme for FDD systems via generative modeling | |
CN106911367B (zh) | 基于迭代干扰消除的多小区大规模mimo信道估计方法和装置 | |
CN109787672B (zh) | 基于参数学习的大规模mimo格点偏移信道估计方法 | |
CN107248878A (zh) | 一种预编码的方法及装置 |
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 |