CN112398513A - 一种massive MIMO系统的波束赋形方法 - Google Patents
一种massive MIMO系统的波束赋形方法 Download PDFInfo
- Publication number
- CN112398513A CN112398513A CN202011239110.5A CN202011239110A CN112398513A CN 112398513 A CN112398513 A CN 112398513A CN 202011239110 A CN202011239110 A CN 202011239110A CN 112398513 A CN112398513 A CN 112398513A
- Authority
- CN
- China
- Prior art keywords
- matrix
- codebook
- error
- beam forming
- weight
- 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.)
- Withdrawn
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
- H04B7/0426—Power distribution
- H04B7/043—Power distribution using best eigenmode, e.g. beam forming or beam steering
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开一种massive MIMO系统的波束赋形方法。包括根据系统的参数设计模数混合码本;利用所设计的码本进行波束搜素,捕捉信道;确定massive MIMO系统的数学模型,搭建与之相对应的复数神经网络;将搜索得到的码本对设置为射频赋形矩阵的初始值,同时设置其他超参数进行训练,系统收敛时各层之间的权重即为所求解的波束赋形各阶段矩阵;根据所述波束赋形权值矩阵对数据信号进行波束赋形处理。
Description
技术领域
本发明涉及通信领域,具体是指massive MIMO系统的波束赋形方法,它适用于全数字混合波束赋形系统、模拟波束赋形系统和模数混合波束赋形系统。
背景技术
随着用户需求的上升和多媒体业务的发展,人们对无线网络的需求越来越高,仅仅使用6GHz以下的频谱难以满足应用需求。毫米波频段拥有丰富的频谱资源,可以提供数百兆赫兹乃至数吉赫兹的带宽,是解决容量的最直接途径。但是毫米波通信系统的路径损耗大,透射绕射能力差。为应对这一问题,通常需要在收发端配置大量天线组成大规模阵列来获得高方向性的增益,弥补其在传输上的能量损耗。
massive MIMO系统对硬件成本和功耗有严格限制,不可能为每根天线都配置一个射频链路。目前最实用的方案是采用模数混合波束赋形架构。这种架构是模拟和全数字波束赋形器之间复杂度和灵活性的一个折中,由运行在基带的几个数字赋形器和运行在射频端的一个模拟波束赋形网络组成。由于模拟赋形器通常由移相器组成,灵活度受限,导致系统各个赋形矩阵的求解难度较大。
现有技术提出了一种基于正交匹配追踪的混合预编码算法,该算法利用了毫米波信道在角度域的稀疏特性,将赋形矩阵的求解转换为稀疏近似问题,其中模拟波束赋形矩阵从码本中选择得出。该方法性能有所损失且较难获得最优解。现有技术还假定模拟赋形矩阵各列相互正交,将联合优化问题转化为独立逐级优化,降低了问题求解的复杂度。有学者推导了模拟预编码系数固定时,使系统频谱效率最高的数字预编码器的封闭最优解,并通过迭代算法求解模拟预编码矩阵。也有方法简单地将过程分解为两部分,模拟赋形阶段目标是使信号接收功率最大化,数字赋形阶段使用传统的ZF或BD等方法。还有些学者等对信道矩阵进行SVD分解,然后让发送端与接收端的模拟和数字赋形矩阵的乘积分别逼近分解结果左右矩阵的共轭转置矩阵。这些方法中,处理方式简单的性能偏差,迭代求解的一些方法涉及大量的矩阵运算,而且矩阵的求解公式往往是在一定的假设基础上推导得到,如果假设条件不能满足,结果便会出错。
近年来,深度学习技术发展迅速,不少厂商已经推出了加速计算的芯片。
将算法转化为神经网络的优化移植到相应的硬件中可以获得很好的加速。
发明内容
本发明的目的是解决模数混合波束赋形系统中矩阵数目多且部分矩阵有约束造成的求解困难问题,提供了一种massive MIMO系统的波束赋形方法。
为实现上述目的,本发明提供了如下技术方案:
一种massive MIMO系统的波束赋形方法,其特征在于,包括:
根据系统的参数设计模数混合码本;
利用所设计的码本进行波束搜素,捕捉信道;
确定massive MIMO系统的数学模型,搭建与之相对应的复数神经网络;
将搜索得到的码本对设置为射频赋形矩阵的初始值,同时设置其他超参数进行训练,系统收敛时各层之间的权重即为所求解的波束赋形各阶段矩阵;
根据所述波束赋形权值矩阵对数据信号进行波束赋形处理。
作为优选,massive MIMO系统的数学模型具体是:
x=FRFFBBs (1)
其中FBB为发送端基带数字预编码矩阵,FRF为发送端模拟波束赋形矩阵,s为预编码前的原始信号;Nt表示发送端天线个数;
其中WBB为接收端基带数字编码矩阵,WRF为接收端模拟波束赋形矩阵,Nr表示接收端天线个数,n为均值为0方差为σ2的加性高斯白噪声;
式(2)的表达形式可以等效为一个多层的复神经网络结构,各层之间的权重对应着具体的波束赋形器或者信道;
但是区别在于传统意义上的神经网络多为实数且中间各隐含层的数值一般无具体的物理意义,其根本目的是在输入输出之间构造一种映射关系以完成拟合或分类等问题。本系统中使用的网络其各层之间的权重对应着具体的波束赋形器或者信道。
第一、二层之间的权重对应着发送端数字预编码器,一般的系统都定义了固有的码本,比如5G系统中预编码矩阵是协议规定的。
第二、三层之间的权重对应着发送端模拟波束赋形矩阵。模拟波束赋形器通常有两种结构,全连接结构和部分连接结构,全连接结构中每根发射天线上的信号是所有射频链路上信号的混合叠加,一条射频链路需要驱动所有的发射天线。部分连接结构中一条射频链路只与一个天线子阵列相连,每条射频链路只需驱动与之相连的子阵列上的发射天线。网络搭建时要与实际的物理连接相对应,即全连接结构对应着全连接神经网络,部分连接结构则对应着部分连接神经网络。此外,由于模拟波束赋形器通常由移相器或选通开关构成,其幅值恒等于1,只有相位可以变换,实际实现时需要加上一层映射层,把幅度和相位无约束的矩阵各元素映射为单位圆上的点。数字预编码矩阵和模拟波束赋形矩阵还要求满足
第三、四层之间的权重对应着信道,可以是实际的信道也可以是估计得到的信道,在一轮训练周期内是固定值,不需要梯度更新。
第四、五层之间的权重对应接收端模拟合并矩阵。与发送端模拟波束赋形矩阵类似,同样存在着全连接型结构和部分连接型结构且各元素幅值恒等于1,因此处理方式也类似,需要在后面增加一层映射层。
第五、六层之间的权重对应接收端数字合并矩阵。为了使发射信号与接收信号的能量相同,一般同样要添加一层约束层。
目标函数的设置,常用的准则有系统和速率最大化与收发信号均方误差MSE最小等,实际使用过程可以根据需求设定。当选择系统和速率最大为优化目标时,目标函数表达式为
其中R为系统和速率,其具体表达式为:
式中ρ为平均接收功率,σ2为噪声方差;从表达式可以看出,使用一般方法联合优化各矩阵使目标函数最大化难度较大;I表示期望方向。
作为优选,根据系统的参数设计模数混合码本;具体是:目标数字码本F(s,k),s是码本当前级数,k是当前码本在该级的序号。依据以下准则进行设计:
代价函数为cost=||F(s,k)-FRF,(s,k)FBB,m||F
误差中包含着实部误差和虚部误差,只有当两者同时达到最小时输出误差才能达到最小;误差减小到一定程度以后停止优化,把设计得到的模数混合码本加以保存。
作为优选,利用所设计的码本进行波束搜素,捕捉信道;具体是:先使用第一级码本进行宽波束搜索,双方在遍历所有的扇区后选出最优扇区对,在下一级搜索阶段,双方将遍历最优扇区范围内的所有波束对;重复这个搜索过程直至达到指定的搜索级数。
该码本实际使用时需要将码本值利用数字预编码矩阵和模拟波束赋形矩阵的乘积来逼近,逼近过程表达式为
其中FRF,(s,k)是模拟码本,FBB,m是数字预编码码本。
本发明以解决现有方法不能采取联合优化求得最优解,且求解过程约束过多的问题。同时还提供了一种模数混合矩阵逼近任意形状码本的方法,用以解决传统纯模拟码本无法产生复杂波束图案,在宽波束搜索时无法严密覆盖的问题。并将所设计的码本用于波束搜索以加快算法收敛。
附图说明
图1是本发明实施例的Massive MIMO系统结构示意图。
图2是与图1给出的系统结构相对应的简易网络结构示意图。
图3从左至右依次是传统纯模拟码本的波束方向图、直接求解得到的码本的波束方向图和本发明改进以后的码本波束方向图。
图4(a)-(c)分别是全数字码本波束方向图、迭代设计法得到的码本波束方向图与本发明采用的方法得到的码本波束方向图。
图5是用于收发波束赋形矩阵联合求解的实用复神经网络的结构图。
图6是以最大系统和速率为目标优化得到结果与全数字算法和两阶段算法的效果对比。
图7是以收发数据均方误差最小为准则训练过程的误差曲线。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对Massive MIMO系统模数混合波束赋形方案矩阵求解困难的问题,通过复数BP算法对矩阵进行联合优化,从而有效提升频谱效率。
本发明可以应用于信道已知或未知的场合。本实施例假设的是完整的信道状态信息是已知的,利用信道状态信息对发送预编码器和接收合并器的数值进行联合求解。射频预编码中采用的是部分连接架构,以简化实现复杂度和降低功耗。
下面通过具体的实施例结合附图对本发明作进一步的详细说明。
图2是与图1给出的系统结构相对应的简易网络结构示意图。
首先对本实施例的应用背景进行说明。图1为本实施例的Massive MIMO系统结构示意图。本实施例是一个下行单用户Massive MIMO系统,发射端和接收端同时采用了模数混合预编码,发射端有Nt根天线,接收端有Nr根天线,发射端射频链路的数量是Mt,接收端射频链路的数量是Mr,数据流的个数是Ns,OFDM系统子载波的个数是Nc。需要说明的是,虽然本实施例进行了上述假设,但是本实施例的预编码方法并不局限于上述条件的限制,仅仅是为了说明方便进行了上述相对简化的假设。
本实施例的Massive MIMO的预编码方法,包括如下步骤:
得到Massive MIMO系统的数学模型。
在本实施例中,发射端比特流sn,k表示第n个数据流中第k各子载波上传输的信号,经过基带预编码器FBB和射频端预编码器FRF后,映射到Nt根天线上发射出去。
其中,n是均值为0方差为σ2的加性高斯白噪声。
有了基本系统参数以后可以开始对所需的码本进行设计。系统中波束扫描的目的是为了设定模拟合并器的初始状态,只需要确定大致的波束范围,因此根据实际需求设计若干级码本即可。码本按照以下方式进行设计
第s层码本第k个波束赋形矢量F(s,k)依据以下准则进行设计:
误差中包含着实部误差和虚部误差,只有当两者同时达到最小时输出误差才能达到最小。误差减小到一定程度以后停止优化,把设计得到的模数混合码本加以保存。
刚开始进行训练时,需要利用设计好的码本进行波束搜索来捕捉信道以加速算法收敛。
波束搜索的流程是先使用第一级码本进行宽波束搜索,双方在遍历所有的扇区后选出最优扇区对,在下一级搜索阶段,双方将遍历最优扇区范围内的所有波束对。重复这个搜索过程直至达到指定的搜索级数。
按照硬件实现结构搭建用于求解波束赋形矩阵的多级网络。将上一节最后搜索得到的码本对作为网络中赋形权重的初始值。
设置好发送端基带预编码器和接收端基带数字合并器的初始权重及其它的超参数如优化器的类型、学习率、数据批次大小和训练次数等。
设置优化目标。常用的准则有系统和速率最大化与收发信号均方误差MSE最小等,实际使用过程可以根据需求设定。当选择系统和速率最大为优化目标时,表达式为
其中R为系统和速率,其具体表达式为:
式中ρ为平均接收功率,σ2为噪声方差。
把信道值传递至网络中的指定位置。传入训练数据进行训练,达到指定训练次数以后停止训练。将网络各阶段的数值传递至与之相对应的各硬件模块,本轮训练结束。
已有研究表明,信道的角度变化相对信道增益特性是慢变的,意味着前后两次的信道角度之间存在着较强的相关性。因此下一次训练时,模拟波束赋形矩阵的初始值可以设为上一次搜索所得的权重,而将基带的数字预编码器和合并器则需要从新设置。然后将下一组信道值传入系统重新进行训练。
对本实施例的波束赋形方法和码本设计方法,进一步通过仿真来对性能进行验证。由于目前深度学习相关的芯片大多数支持TensorFlow平台,因此本发明使用TensorFlow来进行实现以方便算法移植。
仿真中采用的信道模型是射线追踪模型、载波频率28GHz、发射端天线数目为32根、发射端射频链路数量都为4、发射端数据流的个数为4,接收端配置与发射端完全相同,阵列形式采用线阵。
图3是传统纯模拟码本的波束方向图、现有方法中设计的码本波束方向图和本发明改进以后的码本波束方向图的对比,从图3可以看出,单纯的模拟码本呈现一定的弧度,需要重复交叠才能实现严密覆盖,利用率较低。使用本发明的方法以后可以产生逼近指定形状的目标码本。
图4(a)是全数字码本波束方向图。图4(b)是提出的迭代设计法逼近得到的码本波束方向图,可以看出算法在波束较宽时逼近的效果较差。图4(c)是利用本发明设计的复神经网络进行设计得到的波束方向图,从图中可以看出,经过若干次训练以后算法可以很好地逼近原始目标,设计的码本具有较高的实用性。
图6是本发明实施例混合预编码的频谱效率示意图。从图6可以看到,本发明的波束训练方法频谱效率相对于简化的两阶段法有较大性能提升。
图7是本发明实施例以最小均方误差为准则进行优化过程的误差曲线。由于系统采取的是批量训练的方式,统计的误差是批量数据的误差。仿真中对比了模拟赋形初始权重分别选择截断高斯分布和码本扫描结果时神经网络的收敛速度,从结果可以看出,初始权重选择为码本扫描结果可以显著加快算法的收敛,减少算法开销。
以上对本发明的具体实施进行了描述。需要理解的是,本发明并不局限于上述特定的实施方式,本领域技术人员在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (4)
1.一种massive MIMO系统的波束赋形方法,其特征在于,包括:
根据系统的参数设计模数混合码本;
利用所设计的码本进行波束搜素,捕捉信道;
确定massive MIMO系统的数学模型,搭建与之相对应的复数神经网络;
将搜索得到的码本对设置为射频赋形矩阵的初始值,同时设置其他超参数进行训练,系统收敛时各层之间的权重即为所求解的波束赋形各阶段矩阵;
根据所述波束赋形权值矩阵对数据信号进行波束赋形处理。
2.根据权利要求1所述的方法,其特征在于massive MIMO系统的数学模型具体是:
x=FRFFBBs (1)
其中FBB为发送端基带数字预编码矩阵,FRF为发送端模拟波束赋形矩阵,s为预编码前的原始信号;Nt表示发送端天线个数;
其中WBB为接收端基带数字编码矩阵,WRF为接收端模拟波束赋形矩阵,Nr表示接收端天线个数,n为均值为0方差为σ2的加性高斯白噪声;
式(2)的表达形式可以等效为一个多层的复神经网络结构,各层之间的权重对应着具体的波束赋形器或者信道;
第一、二层之间的权重对应着发送端数字预编码器;
第二、三层之间的权重对应着发送端模拟波束赋形矩阵;
第三、四层之间的权重对应着信道;
第四、五层之间的权重对应接收端模拟合并矩阵;
第五、六层之间的权重对应接收端数字合并矩阵;
系统和速率最大作为优化目标时,目标函数表达式为
其中R为系统和速率,其具体表达式为:
式中ρ为平均接收功率,σ2为噪声方差;从表达式可以看出,使用一般方法联合优化各矩阵使目标函数最大化难度较大;I表示期望方向。
4.根据权利要求1所述的方法,其特征在于利用所设计的码本进行波束搜素,捕捉信道;具体是:先使用第一级码本进行宽波束搜索,双方在遍历所有的扇区后选出最优扇区对,在下一级搜索阶段,双方将遍历最优扇区范围内的所有波束对;重复这个搜索过程直至达到指定的搜索级数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011239110.5A CN112398513A (zh) | 2020-11-09 | 2020-11-09 | 一种massive MIMO系统的波束赋形方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011239110.5A CN112398513A (zh) | 2020-11-09 | 2020-11-09 | 一种massive MIMO系统的波束赋形方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112398513A true CN112398513A (zh) | 2021-02-23 |
Family
ID=74598389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011239110.5A Withdrawn CN112398513A (zh) | 2020-11-09 | 2020-11-09 | 一种massive MIMO系统的波束赋形方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112398513A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113242069A (zh) * | 2021-05-10 | 2021-08-10 | 东南大学 | 一种基于神经网络的码本设计方法 |
CN113541753A (zh) * | 2021-07-20 | 2021-10-22 | 电子科技大学 | 基于复数卷积网络的混合波束成形方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107135024A (zh) * | 2017-05-12 | 2017-09-05 | 西安交通大学 | 一种低复杂度的混合波束赋形迭代设计方法 |
CN109845133A (zh) * | 2016-11-03 | 2019-06-04 | 华为技术有限公司 | 用于混合天线架构的分级波束成形和秩自适应的系统和方法 |
CN110557177A (zh) * | 2019-09-05 | 2019-12-10 | 重庆邮电大学 | 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法 |
CN111092641A (zh) * | 2019-12-18 | 2020-05-01 | 重庆邮电大学 | 基于毫米波mimo系统深度学习的混合预编码设计方法 |
-
2020
- 2020-11-09 CN CN202011239110.5A patent/CN112398513A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109845133A (zh) * | 2016-11-03 | 2019-06-04 | 华为技术有限公司 | 用于混合天线架构的分级波束成形和秩自适应的系统和方法 |
CN107135024A (zh) * | 2017-05-12 | 2017-09-05 | 西安交通大学 | 一种低复杂度的混合波束赋形迭代设计方法 |
CN110557177A (zh) * | 2019-09-05 | 2019-12-10 | 重庆邮电大学 | 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法 |
CN111092641A (zh) * | 2019-12-18 | 2020-05-01 | 重庆邮电大学 | 基于毫米波mimo系统深度学习的混合预编码设计方法 |
Non-Patent Citations (3)
Title |
---|
AHMED ALKHATEEB 等: "Channel Estimation and Hybrid Precoding for Millimeter Wave Cellular Systems", 《IEEE JOURNAL OF SELECTED TOPICS IN SIGNAL PROCESSING》 * |
KAI CHEN 等: "Complex-BP-Neural-Network-based Hybrid Precoding for Millimeter Wave Multiuser Massive MIMO Systems", 《2019 COMPUTING, COMMUNICATIONS AND IOT APPLICATION (COMCOMAP)》 * |
XIAOFENG LI 等: "Deep Learning for Direct Hybrid Precoding in Millimeter Wave Massive MIMO Systems", 《2019 53RD ASILOMAR CONFERENCE ON SIGNALS, SYSTEMS, AND COMPUTERS》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113242069A (zh) * | 2021-05-10 | 2021-08-10 | 东南大学 | 一种基于神经网络的码本设计方法 |
CN113242069B (zh) * | 2021-05-10 | 2022-06-17 | 东南大学 | 一种基于神经网络的码本设计方法 |
CN113541753A (zh) * | 2021-07-20 | 2021-10-22 | 电子科技大学 | 基于复数卷积网络的混合波束成形方法 |
CN113541753B (zh) * | 2021-07-20 | 2022-04-26 | 电子科技大学 | 基于复数卷积网络的混合波束成形方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Machine learning inspired energy-efficient hybrid precoding for mmWave massive MIMO systems | |
CN110401476B (zh) | 一种基于码本的毫米波通信多用户并行波束训练方法 | |
CN110557177A (zh) | 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法 | |
CN107046434B (zh) | 大规模mimo系统模数混合预编码方法 | |
CN112039565B (zh) | 基于分布式部分连接的大规模mimo混合预编码方法 | |
Yang et al. | Machine learning enabling analog beam selection for concurrent transmissions in millimeter-wave V2V communications | |
CN110011712B (zh) | 一种面向毫米波大规模多输入多输出的混合预编码方法 | |
CN105429686A (zh) | 分离型非对称混合波束成型的传输装置及方法 | |
CN109714091B (zh) | 一种在毫米波mimo系统中基于分层设计的迭代混合预编码方法 | |
CN110943768B (zh) | 一种毫米波大规模mimo系统的混合预编码码本联合设计方法 | |
CN111953393B (zh) | 大规模mimo混合预编码器及匹配方法 | |
CN108566236B (zh) | 用户终端、基站以及混合波束成形传输方法和系统 | |
CN112564754B (zh) | 一种毫米波Massive MIMO系统下基于自适应交叉熵的波束选择方法 | |
CN112398513A (zh) | 一种massive MIMO系统的波束赋形方法 | |
CN110233649B (zh) | 一种基于毫米波mimo系统的动态子阵列设计方法 | |
CN115733530A (zh) | 一种可重构智能表面辅助毫米波通信的联合预编码方法 | |
CN113572503B (zh) | 一种低复杂度的基于gp的改进混合波束成形方法 | |
CN111478724A (zh) | 一种面向无人机毫米波平台的三维波束搜索方法 | |
CN109067446B (zh) | 一种多天线多用户大规模天线的混合预编码方法 | |
CN113852402B (zh) | 一种irs辅助的noma-mimo大容量接入方法 | |
CN110492912B (zh) | 一种基于分组优化的混合波束成形方法 | |
CN112312569A (zh) | 一种基于透镜阵列的预编码和波束选择矩阵联合设计方法 | |
CN104821840B (zh) | 一种大规模多输入多输出下行系统的抗干扰方法 | |
CN107104719A (zh) | 一种基于几何构造的毫米波数字模拟混合预编码设计方法 | |
CN108683441B (zh) | 混合预编码中的多用户波束赋形方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210223 |