CN109474388B - 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法 - Google Patents
基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法 Download PDFInfo
- Publication number
- CN109474388B CN109474388B CN201811626005.XA CN201811626005A CN109474388B CN 109474388 B CN109474388 B CN 109474388B CN 201811626005 A CN201811626005 A CN 201811626005A CN 109474388 B CN109474388 B CN 109474388B
- Authority
- CN
- China
- Prior art keywords
- iteration
- vector
- signal
- result
- users
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 25
- 206010042135 Stomatitis necrotising Diseases 0.000 title claims abstract description 23
- 201000008585 noma Diseases 0.000 title claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 abstract description 3
- 238000010295 mobile communication Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012559 user support system Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0045—Arrangements at the receiver end
- H04L1/0047—Decoding adapted to other signal detection operation
- H04L1/005—Iterative decoding, including iteration between signal detection and decoding operation
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0045—Arrangements at the receiver end
- H04L1/0047—Decoding adapted to other signal detection operation
- H04L1/0048—Decoding adapted to other signal detection operation in conjunction with detection of multiuser or interfering signals, e.g. iteration between CDMA or MIMO detector and FEC decoder
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03891—Spatial equalizers
- H04L25/03898—Spatial equalizers codebook-based design
- H04L25/0391—Spatial equalizers codebook-based design construction details of matrices
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Radio Transmission System (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开一种基于改进梯度投影法的低复杂度MIMO‑NOMA系统信号检测方法,涉及无线通信技术。根据系统活跃用户的稀疏特性,利用凸优化算法思想,将系统模型转化为严格的二次规划问题;然后对该问题进行迭代求解,并对每次迭代结果进行预处理操作,达到对活跃用户及其信号有效的检测。本发明突破了传统检测方法中算法收敛速度慢的问题,对每次迭代结果进行预处理操作,不仅可使检测结果快速收敛,而且还能检测出活跃用户集合,其实现过程简单,应用范围广泛。
Description
技术领域
本发明属于无线通信技术领域,尤其涉及一种低复杂度系统信号检测方法。
背景技术
在移动通信中,多址接入技术是用来解决多用户多接入问题的技术。从1G到4G,每一代移动通信系统的发展都伴随着多址接入技术的演进。其中,只能提供模拟语音业务的第一代移动通信系统(1G)采用的是频分多址(Frequency Division Multiple Access,FDMA);第二代移动通信系统(2G)采用的是时分多址(Time Division Multiple Access,TDMA);能支持数字语音业务和低速的数据业务;第三代移动通信系统(3G)以码分多址来实现多用户接入,用户峰值速率可以达到几十Mbps;第四代移动通信系统(4G)以正交频分多址(Orthogonal Division Multiple Access,OFDM)技术为核心,能大幅度提升数据速率。这四种多址技术分别在频域、时域、码域和时频域实现对资源的正交复用,从而避免多用户间的干扰。随着互联网和物联网的飞速发展,未来5G相比于现有的4G而言,频谱效率需提高5~15倍,连接数密度需提高10倍以上,此外,部分场景的时延要求需达到毫秒量级,同时,需接近100%可靠通信。正交多址方式(Orthogonal Multiple Access,OMA)由于其接入用户数严格受限于可用的正交资源,因此无法满足5G大容量、海量连接、低时延接入等的需求。为了解决这些难题,非正交多址(non-orthogonal multiple access,NOMA)技术作为第五代(fifth generation,5G)移动通信系统物理层关键技术之一,受到国内外学者的广泛关注。与正交多址(orthogonal multiple access,OMA)不同,NOMA通过在有限的资源里服务更多的用户,以实现大规模连接和低延迟传输。为了进一步提高系统频谱效率,现研究将多输入多输出(multiple-input multiple-output,MIMO)技术与NOMA技术相结合,即形成MIMO-NOMA。在MIMO-NOMA系统中,由于各用户间非正交信号干扰的存在,给上行多用户MIMO-NOMA系统信号检测带来了严重的挑战。综上所述,为了加快算法的收敛速度,同时考虑检测算法计算复杂度问题,设计低复杂度检测算法显得尤为重要。
发明内容
有鉴于此,本发明所要解决的技术问题是,针对MIMO-NOMA系统各用户间非正交信号干扰严重,信号检测方法计算复杂度大,本发明提出一种信号检测方法,根据系统活跃用户的稀疏特性,利用凸优化算法思想,将系统模型转化为严格的二次规划问题,然后对该问题进行迭代求解,并对每次迭代结果进行预处理操作,达到对活跃用户及其信号有效的检测。
本发明针对现有技术存在的上述技术问题,提出一种基于改进梯度投影法的低复杂度多输入多输出-非正交多址接入MIMO-NOMA系统信号检测方法。该方法包括步骤:从过载系统复数星座集合中获取第k个用户的发送符号xk,将发送符号xk调制到长度为N的扩展序列sk上,叠加所有活动用户的信号,通过N个正交OFDM子载波同时发送,得到基站全部天线的接收信号矢量yc;将复数域接收信号矢量yc和等效信道矩阵Hc转化为实数域接收信号矢量y和等效信道矩阵H;根据公式:建立二次规划问题模型,通过改进的梯度投影算法,对最小化二次规划问题进行迭代求解,并在每次迭代完成后对该次迭代结果进行预处理,重复迭代,直至达到最大跌倒次数,根据预处理结果更新检测支持集Γ(i+1),输出信号检测结果。
本发明进一步包括,在多用户MIMO-NOMA系统中,通常小区内活跃用户数远小于小区基站所服务的总用户数,即意味着系统中只有一小部分活跃用户发送数据给基站,即活跃用户具有稀疏特性。因此,上行多用户MIMO-NOMA系统中的信号检测问题可转化为稀疏信号重构问题。对于稀疏信号xc,如果它具有S个非零元素,则其稀疏度级别可表示为S,并且稀疏信号xc的支撑集合可定义为Γ={k:k∈{1,2,…,K},xk,c≠0}。
为便于后续处理,将信号矢量由复数域转化到实数域。如基站全部天线的接收信号矢量:yc=Hcxc+nc,其中,Hc为等效信道矩阵,nc为天线噪声矢量,xc=[x1,x2,…,xK]T是所有K个用户的发送信号矢量。将接收信号矢量由复数域转化到实数域,得到实数域系统模型y=Hx+n,其中y=[R{yc}T I{yc}T]T,x=[R{xc}T I{xc}T]T,n=[R{nc}T I{nc}T]T,
为从系统模型基站接收信号矢量y中重建稀疏信号x,利用凸优化算法思想,将模型转化无约束凸优化(Convex unconstrained optimization problem)问题,即
其中表示x的l1范数。τ是非负参数,用以平衡稀疏性和残差之间的权衡。为对上式中基于l1-范数的x进行求解,先将x分成正数和负数两个部分,即x=u-v。其中矢量u和v中的元素满足:ut=(xt)+,vt=(-xt)+,t=1,2,...,2K,这里(·)+表示取正数部分,定义为(x)+=max{0,x}。因此,其中12K=[1,1,...,1]T。由此,无约束凸优化问题转化为边界受限的二次规划BCQP(Bound-Constrained Quadratic Program)问题,
s.t.u≥0
v≥0
进一步上式可改写成严格的BCQP问题,如下式所示。
s.t.q≥0
其中q=[uT vT]T,这里 14K∈C4K×1表示全一矢量,K是系统总的用户数,W是半正定矩阵。从而将稀疏信号x恢复问题,转化为最小化函数F(q)问题。通过最小化函数F(q),得到函数解q,最后得到稀疏信号x。然而,直接求解函数F(q)非常困难,于是,我们提出一种基于改进梯度投影法的低复杂度算法来对F(q)进行迭代求解。
进一步,最大化的l2范数得到估计值预处理结果具体包括:将中的元素进行排序,保留中前S个较大的元素,将其它较小的元素设置为0,其中,S为稀疏度级别。根据公式更新检测信号支撑集Γ(i),其中,表示预处理结果中非零元素的位置索引。
本发明突破了传统检测方法中算法收敛速度慢的问题,对每次迭代结果进行预处理操作,进而加快算法收敛速度,不仅可使检测结果快速收敛,而且还能检测出活跃用户集合,降低系统总的计算复杂度。从而提升接收机的信号检测性能。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图表进行说明:
图1 MIMO-NOMA系统模型结构图;
图2本发明信号检测流程图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
本发明提供系统环境上行多用户Grant-free MIMO-NOMA系统模型如图1所示。
首先考虑上行多用户Grant-free MIMO-NOMA系统。假设基站配备Nr根接收天线,小区内有K个单天线用户。在信道编码和调制之后,从复数星座集合中获取第k个用户的发送符号xk。然后,将发送的符号xk调制到长度为N的扩展序列sk上,满足N<K,即该系统为一个过载系统。之后,叠加所有活动用户的信号,然后通过N个正交OFDM子载波同时发送。其中第j根天线的第m个子载波上接受的信号为:
其中,smk是传播序列sk的第m个元素,表示第j根天线的第m个子载波上均值为0,方差为σ2的高斯白噪声。表示第j根天线的第m个子载波与第k个用户之间的信道增益。我们将第j根天线上所有N个子载波所接收的信号组合在一起,得到第j根天线的接收信号可表示为:
yc=Hcxc+nc
在多用户MIMO-NOMA系统中,通常小区内活跃用户数远小于小区基站所服务的总用户数,即意味着系统中只有一小部分活跃用户发送数据给基站,即活跃用户具有稀疏特性。因此,上行多用户MIMO-NOMA系统中的信号检测问题可转化为稀疏信号重构问题。对于稀疏信号xc,如果它具有S个非零元素,则其稀疏度级别可表示为S,并且稀疏信号xc的支撑集合可为Γ={k:k∈{1,2,…,K},xk,c≠0}。
为从上述基站接收信号y中重建稀疏信号x,利用凸优化算法思想,将模型转化无约束凸优化(Convex unconstrained optimization problem)问题,即其中,表示x的l1范数,τ是非负参数,用以平衡稀疏性和残差之间的权衡。为对上式中基于l1-范数的x进行求解,可采用以下方法,将x分成正数u和负数v两个部分,即x=u-v。其中,矢量u和v中的元素满足:ut=(xt)+,vt=(-xt)+,t=1,2,...,2K,这里(·)+表示取正数部分,定义为因此,其中12K=[1,1,...,1]T。由此,无约束凸优化问题转化为边界受限的二次规划(Bound-Constrained Quadratic Program,BCQP)问题,
s.t.u≥0
v≥0
进一步上式可改写成严格的BCQP问题,如下式所示。
s.t.q≥0
其中q=[uT vT]T,二次规划系数矩阵这里14K∈C4K×1表示全一矢量,K是系统总的用户数,W是半正定矩阵。从而将稀疏信号x恢复问题,转化为最小化函数F(q)问题。通过最小化函数F(q),得到函数解q,最后得到稀疏信号x。然而,直接求解函数F(q)非常困难,于是,下面我们将提出一种基于改进梯度投影法的低复杂度算法来对F(q)进行迭代求解。
如图2所示为基于改进梯度投影法的低复杂度MIMO-NOMA系统信号检测流程图,首先根据系统活跃用户的稀疏特性,将系统模型转化为二次规划问题,其中,F表示二次规划函数,q表示待求解参数。通过改进的梯度投影算法,对最小化二次规划问题进行迭代求解,得到第i次迭代值,并在每次迭代完成后对该次迭代结果进行预处理,重复迭代,直至达到最大跌倒次数,输出迭代结果。以下对改进梯度投影法迭代求解方法作具体说明。
4、迭代之后得到的解向量q(i)作为MIMO-NOMA系统中目标信号的估计值即:为了准确检测活跃用户和其数据信息,进一步对进行预处理,最大化的l2范数得到估计值预处理结果即具体可描述为:先将中的元素进行排序,保留中前S个较大的元素,将其它较小的元素设置为0,进而相应地更新其检测信号支撑集Γ(i),即这里表示中非零元素的位置索引。
5、再将估计值预处理结果作为函数F(q)中第i次解向量q(i),即:根据上述步骤再进行下一次迭代获得第i+1次解向量。直到达到预定迭代次数。以下为基于改进梯度投影法的低复杂度MIMO-NOMA系统信号检测流程表
首先,输入MIMO-NOMA系统参数:yc,Hc,S,Iter,αmin,αmax;其中yc表示基站接收信号,Hc表示等效信道矩阵,S表示系统稀疏度,Iter表示总迭代次数,αmin和αmax分别代表算法中所需的尺度因子最小值和最大值。
Step1:初始化参数,先将复数yc和Hc转化为实数y和H,即yc→y,Hc→H。令初始迭代次数i=1,信号迭代初值活跃用户支持集合初值再将信号迭代初值转化为二次规划函数F(q)的初始解q(0),即并确定函数F(q)中系数矩阵c和半正定矩阵W,步长因子初值其中g表示函数F(q)在初始值q(0)处的梯度,尺度因子初值λ(0)=1。
Step2:判断迭代次数是否满足i≤Iter,若满足进行迭代。
Step3-6:根据更新的梯度因子δ(i),迭代计算函数解向量q(i)。然后更新步长因子初值α(i)和尺度因子初值λ(i)。
Step7-12:将得到的函数解向量q(i)转化为MIMO-NOMA系统中目标信号的估计值并对其进行预处理操作,得到预处理操作后的信号估计值即从而根据得到活跃用户支持集合Γ(i),最后将预处理操作后的信号估计值转化为函数解向量q(i),更新迭代次数值i=i+1,进行下一次迭代,直到迭代结束。
Claims (5)
1.一种基于改进梯度投影法的低复杂度MIMO-NOMA系统信号检测方法,其特征在于:包括以下步骤:从过载系统复数星座集合中获取第k个用户的发送符号xk,将发送符号xk调制到长度为N的扩展序列sk上,叠加所有活动用户的信号,通过N个正交OFDM子载波同时发送,得到基站全部天线的接收信号矢量yc;将复数域接收信号矢量yc和等效信道矩阵Hc转化为实数域接收信号矢量y和等效信道矩阵H;根据公式:建立二次规划问题模型,通过改进的梯度投影算法,对最小化二次规划问题进行迭代求解,并在每次迭代完成后对迭代结果进行预处理,重复迭代,直至达到最大迭代次数,根据预处理结果更新检测支持集Γ(i+1),输出信号检测结果;
通过改进的梯度投影算法,对最小化二次规划问题进行迭代求解具体包括:
首先初始化:
y=yc,H=Hc,i=1, λ(0)=1;其中yc表示基站接收信号,Hc表示等效信道矩阵,τ是非负参数,用以平衡稀疏性和残差之间的权衡,14K∈C4K×1表示全一矢量,K是系统总的用户数,W是半正定矩阵;
调用公式:计算第i-1次迭代的梯度因子δ(i-1),其中,表示第i-1次迭代时的步长因子,αmin和αmax分别代表算法中所需的步长因子最小值和最大值;根据公式q(i)=q(i-1)+λ(i-1)δ(i-1)计算第i次解向量q(i);更新表示第i次迭代的尺度因子;
重复迭代计算,直至达到迭代次数,从而最小化函数F(q)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811626005.XA CN109474388B (zh) | 2018-12-28 | 2018-12-28 | 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811626005.XA CN109474388B (zh) | 2018-12-28 | 2018-12-28 | 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109474388A CN109474388A (zh) | 2019-03-15 |
CN109474388B true CN109474388B (zh) | 2021-07-30 |
Family
ID=65678237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811626005.XA Active CN109474388B (zh) | 2018-12-28 | 2018-12-28 | 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109474388B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110417515B (zh) * | 2019-08-16 | 2020-12-15 | 江南大学 | 一种基于离散迭代估计的大规模mimo信号检测方法 |
CN110784286B (zh) * | 2019-11-01 | 2022-05-03 | 重庆邮电大学 | 基于压缩感知的非正交多址接入系统的多用户检测方法 |
WO2021099622A1 (en) * | 2019-11-22 | 2021-05-27 | Continental Teves Ag & Co. Ohg | Method for wireless x2x access and receivers for large multidimensional wireless systems |
JP2023520245A (ja) | 2020-04-03 | 2023-05-16 | コンチネンタル オートモーティヴ テクロノジーズ ゲー・エム・ベー・ハー | Csiエラーを伴うノイズの多い過負荷無線通信システムにおける離散デジタル信号の推定方法 |
CN113114313A (zh) * | 2021-04-13 | 2021-07-13 | 南京邮电大学 | 一种mimo-noma系统导频辅助信号检测方法、系统及存储介质 |
CN114124168B (zh) * | 2021-11-01 | 2023-05-26 | 南京邮电大学 | 一种基于深度学习的mimo-noma系统信号检测方法及系统 |
CN115208944B (zh) * | 2022-06-30 | 2023-07-11 | 深圳市大数据研究院 | 活跃用户和数据的检测方法、系统、计算机设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103347268A (zh) * | 2013-06-05 | 2013-10-09 | 杭州电子科技大学 | 认知传感器网络中基于能量有效性观测的自适应压缩重构方法 |
CN104333389A (zh) * | 2014-10-23 | 2015-02-04 | 湘潭大学 | 一种分布式压缩感知中自适应阈值迭代重构方法 |
JP2015061660A (ja) * | 2010-01-06 | 2015-04-02 | 株式会社東芝 | 画像処理方法及びx線コンピュータ断層撮影装置 |
CN106789766A (zh) * | 2016-11-28 | 2017-05-31 | 杭州电子科技大学 | 基于同伦法的稀疏ofdm信道估计方法 |
CN107248902A (zh) * | 2017-07-21 | 2017-10-13 | 电子科技大学 | 一种块压缩感知非正交多址系统多用户检测方法 |
CN108768585A (zh) * | 2018-04-27 | 2018-11-06 | 南京邮电大学 | 基于深度学习的上行免信令noma系统多用户检测方法 |
-
2018
- 2018-12-28 CN CN201811626005.XA patent/CN109474388B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015061660A (ja) * | 2010-01-06 | 2015-04-02 | 株式会社東芝 | 画像処理方法及びx線コンピュータ断層撮影装置 |
CN103347268A (zh) * | 2013-06-05 | 2013-10-09 | 杭州电子科技大学 | 认知传感器网络中基于能量有效性观测的自适应压缩重构方法 |
CN104333389A (zh) * | 2014-10-23 | 2015-02-04 | 湘潭大学 | 一种分布式压缩感知中自适应阈值迭代重构方法 |
CN106789766A (zh) * | 2016-11-28 | 2017-05-31 | 杭州电子科技大学 | 基于同伦法的稀疏ofdm信道估计方法 |
CN107248902A (zh) * | 2017-07-21 | 2017-10-13 | 电子科技大学 | 一种块压缩感知非正交多址系统多用户检测方法 |
CN108768585A (zh) * | 2018-04-27 | 2018-11-06 | 南京邮电大学 | 基于深度学习的上行免信令noma系统多用户检测方法 |
Non-Patent Citations (1)
Title |
---|
Joint User Activity and Data Detection Based on Structured Compressive Sensing for NOMA;Bichai Wang;《IEEE Comm.Letters》;20160630;正文第1473-1476页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109474388A (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109474388B (zh) | 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法 | |
CN112737985B (zh) | 基于深度学习的大规模mimo信道联合估计和反馈方法 | |
CN111698182B (zh) | 一种基于压缩感知的时频分块稀疏的信道估计方法 | |
CN109560841B (zh) | 基于改进的分布式压缩感知算法的大规模mimo系统信道估计方法 | |
CN110113288B (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
CN110808765B (zh) | 一种基于不完全信道信息的大规模mimo系统频谱效率优化的功率分配方法 | |
CN110912598A (zh) | 基于长短时注意力机制的大规模mimo系统csi反馈方法 | |
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 | |
CN110336594B (zh) | 一种基于共轭梯度下降法的深度学习信号检测方法 | |
CN107483091B (zh) | 一种fdd大规模mimo-ofdm系统下的信道信息反馈算法 | |
CN107276646B (zh) | 大规模mimo-ofdm上行链路迭代检测方法 | |
CN111865843B (zh) | 大规模mimo-ofdm系统混合消息传递信道估计方法 | |
CN111478749B (zh) | 基于优化初值快收敛mimo迭代检测方法、系统及应用 | |
Elbir et al. | Federated learning for physical layer design | |
CN105471775B (zh) | 一种大规模mimo系统中低复杂度的信道估计方法 | |
CN112911608A (zh) | 一种面向边缘智能网络的大规模接入方法 | |
CN108199990B (zh) | 一种非高斯噪声3d-mimo信道估计方法 | |
CN105959004A (zh) | 一种基于大规模mimo的单精度adc自适应门限量化方法 | |
CN108566227B (zh) | 一种多用户检测方法 | |
CN114884775A (zh) | 一种基于深度学习的大规模mimo系统信道估计方法 | |
CN109787672B (zh) | 基于参数学习的大规模mimo格点偏移信道估计方法 | |
Yadav et al. | Application of Machine Learning Framework for Next‐Generation Wireless Networks: Challenges and Case Studies | |
Lin et al. | Communication-Efficient Joint Signal Compression and Activity Detection in Cell-Free Massive MIMO | |
Liu et al. | Flexible beamforming of dynamic MIMO networks through fully convolutional model | |
CN114710187A (zh) | 一种用户数动态变换场景下多小区大规模mimo智能通信的功率分配方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240117 Address after: Room 5449, 2nd Floor, Building 4, Free Trade Industrial Zone, No. 2168 Zhenghe Fourth Road, Fengdong New City, Xixian New District, Xi'an City, Shaanxi Province, 710075 Patentee after: Shaanxi Tianhangdao Electronic Technology Co.,Ltd. Address before: 400065 Chongqing Nan'an District huangjuezhen pass Chongwen Road No. 2 Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS |
|
TR01 | Transfer of patent right |