CN113078931B - 基于qga-omp算法的毫米波大规模mimo混合预编码方法及系统 - Google Patents

基于qga-omp算法的毫米波大规模mimo混合预编码方法及系统 Download PDF

Info

Publication number
CN113078931B
CN113078931B CN202110326125.3A CN202110326125A CN113078931B CN 113078931 B CN113078931 B CN 113078931B CN 202110326125 A CN202110326125 A CN 202110326125A CN 113078931 B CN113078931 B CN 113078931B
Authority
CN
China
Prior art keywords
precoder
optimal
radio frequency
matrix
qga
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
Application number
CN202110326125.3A
Other languages
English (en)
Other versions
CN113078931A (zh
Inventor
许耀华
徐惠明
王翊
蒋芳
刘瑜
柏娜
宛新文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University
Original Assignee
Anhui University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui University filed Critical Anhui University
Priority to CN202110326125.3A priority Critical patent/CN113078931B/zh
Publication of CN113078931A publication Critical patent/CN113078931A/zh
Application granted granted Critical
Publication of CN113078931B publication Critical patent/CN113078931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明提供一种基于QGA‑OMP算法的毫米波大规模MIMO混合预编码方法及系统，在传统的OMP算法用于毫米波大规模MIMO混合预编码的研究基础上，利用QGA算法模拟自然进化过程、快速搜索全局最优值的特点，搜索与残差内积相乘最大的阵列响应矢量，获得全局最优解的阵列响应向量，从而在发射端获得最优的基带预编码器和射频预编码器，消除了对已知候选矩阵的需求、降低了计算的复杂度；同时，QGA算法获得的全局最优解的阵列响应向量，使本发明的混合预编码性能接近于最优的全数字预编码，极大的提高了系统的频谱效益。

Description

基于QGA-OMP算法的毫米波大规模MIMO混合预编码方法及 系统
技术领域
本发明涉及一种无线通信技术领域，特别是涉及一种基于QGA-OMP算法的毫米波大规模MIMO混合预编码方法及系统。
背景技术
第五代通信(5G)能为用户提供更高的数据速率和多种物联网设备的连接，其相比于4G频谱效率提升5～15倍，能效和成本效率提升近100倍，已成为信息发展的主要方向，将渗透到未来社会的各个领域。
现有技术中，大规模多输入多输出(MIMO)技术和毫米波(mmWave)通信技术作为5G的关键技术，采用了混合预编码技术，即预编码处理分为基带预编码(数字预编码)处理和射频预编码(模拟预编码)处理，该方案仅使用少量的射频链路，解决了传统数字预编码成本高、功耗大的问题，在5G的发展中发挥了重要作用，其工作原理说明如下：
请参阅图1，图1所示为单用户毫米波大规模MIMO系统共享阵列体系架构，其中发送和接收数据流均为Ns，发射天线数为Nt，接收天线数为Nr，发射端射频链路数为
Figure BDA0002994739070000012
接收端射频链路数为
Figure BDA0002994739070000011
信号在发射端经过基带预编码器和射频预编码器的两阶段预编码处理后，发射到毫米波信道H中，然后在接收端再经过射频组合器和基带组合器的两阶段预编码处理，生成接收信号输出。
为了解决毫米波大规模MIMO系统中的预编码问题，众多混合预编码方案陆续被提出，文献ELAYACH O,RAJAGOPAL S,ABU-SURRA S,et al.Spatially sparse precoding inmillimeter wave MIMO systems[J].IEEE Transactions on Wireless Communications,2014,13(3)：1499-1513中，提出了一种基于OMP(orthogonal matching pursuit，正交匹配追踪)算法的混合预编码方法，该算法的主要设计思想就是分别对系统的发射端矩阵和接收端矩阵进行设计，将混合预编码设计等效为多元稀疏信号恢复的问题，取得了较好的性能，但该方法存在需要候选矩阵的问题，即需要从候选矢量集合中选择与残差矩阵相关性最大的射频预编码矢量，这导致计算复杂度相对较高，当天线数目急剧增加时，无法满足通信系统高链路质量和高数据速率的目标的场景的需求，同时侯选矢量集合的设计也会增加额外的开销，进而增加了成本；此外，传统的OMP算法利用候选矩阵选择相关度最高的列，但是各列的角度之间存在一定的间隔，因此所选的阵列响应向量不一定是全局最优解，从而导致频谱效率较低。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于QGA-OMP算法的毫米波大规模MIMO混合预编码方法及系统，用于解决现有技术中的OMP算法在进行混合预编码处理时的计算复杂度较高，且所选的阵列响应向量不一定是全局最优解的问题。
本发明的第一方面提供一种基于QGA-OMP算法的毫米波大规模MIMO混合预编码方法，应用于发射端，所述发射端用于接收信号并对其进行预编码处理，再将处理后的所述信号发射到信道中；其特征在于，包括：
步骤一：定义射频预编码器为空矩阵，同时将最优无约束预编码器赋值给残差矩阵；
步骤二：根据所述残差矩阵得到相关矩阵；
步骤三：利用量子遗传算法得到与所述残差矩阵相匹配的最佳索引，根据所述最佳索引得到最优阵列响应向量；
步骤四：将所述最优阵列响应向量合并到所述射频预编码器中，得到第一射频预编码器；
步骤五：根据所述第一射频预编码器和所述最优无约束预编码器，更新基带预编码器，得到第一基带预编码器；
步骤六：根据所述第一射频预编码器、所述第一基带预编码器及所述最优无约束预编码器，更新所述残差矩阵；
步骤七：对所述第一基带预编码器进行归一化处理，得到最优基带预编码器；同时，将所述第一射频预编码器记为最优射频预编码器。
于本发明的一实施例中，其特征在于，所述最优无约束预编码器是通过对信道矩阵进行奇异值分解而获得。
于本发明的一实施例中，其特征在于，当迭代次数为多次，且迭代次数小于射频链路，则重复执行步骤二到步骤六，否则，执行步骤七，其中，所述最优射频预编码器为最后一次迭代时所得到的所述第一射频预编码器。
于本发明的一实施例中，获取所述相关矩阵的步骤包括：
Figure BDA0002994739070000021
其中，At为阵列响应向量矩阵；Fres为残差矩阵。
于本发明的一实施例中，获取所述最优阵列响应向量的步骤包括：
Figure BDA0002994739070000022
其中，
Figure BDA0002994739070000023
表示方位角；
Figure BDA0002994739070000024
λ表示波长；d表示天线单元间距；Nt为发射端天线数量。
于本发明的一实施例中，获取所述第一射频预编码器的步骤包括：
FRF1＝[FRF|w]；
其中，FRF为射频预编码器。
于本发明的一实施例中，获取所述第一基带预编码器的步骤包括：
Figure BDA0002994739070000031
其中，FRF1为合并后的射频预编码矩阵；Fopt为最优无约束预编码器。
于本发明的一实施例中，更新所述残差矩阵的步骤包括：
Figure BDA0002994739070000032
其中，F是为范数。
于本发明的一实施例中，获取所述最优基带预编码器的步骤包括：
Figure BDA0002994739070000033
其中,||FRF1FBB1||F称为F-范数；NS为发射端的数据流数量。
本发明的第二方面提供一种基于QGA-OMP算法的毫米波大规模MIMO混合预编码系统，包括：发射模块，其设于发射端，用于接收信号并对其进行预编码处理，再将处理后的所述信号发射到信道中；其中，预编码处理的方法为上述第一方面中任意一项所述的一种基于QGA-OMP算法的毫米波大规模MIMO混合预编码方法。
如上所述，本发明的一种基于QGA-OMP算法的毫米波大规模MIMO混合预编码方法及系统，具有以下有益效果：
在传统的OMP算法用于毫米波大规模MIMO混合预编码的研究基础上，利用QGA(Quantum Genetic Algorithm，量子遗传算法)算法模拟自然进化过程、快速搜索全局最优值的特点，搜索与残差内积相乘最大的阵列响应矢量，获得全局最优解的阵列响应向量，从而在发射端获得最优的基带预编码器和射频预编码器，消除了对已知候选矩阵的需求、降低了计算的复杂度；同时，QGA算法获得的全局最优解的阵列响应向量，使本发明的混合预编码性能接近于最优的全数字预编码，极大的提高了系统的频谱效益。
附图说明
图1显示为本发明现有技术中的系统架构示意图。
图2显示为本发明第一实施方式中的一种流程示意图。
图3显示为本发明第一实施方式中的另一种流程示意图。
图4显示为本发明第一实施方式中的量子遗传算法的流程示意图。
图5显示为本发明第一实施方式中的数据流等于射频链路数时的系统系能曲线图。
图6显示为本发明第一实施方式中的射频链路数固定时不同数据流的系统系能曲线图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图2，本发明的第一实施方式涉及一种基于QGA-OMP算法的毫米波大规模MIMO混合预编码方法，该方法应用于发射端，该发射端用于接收信号并对其进行预编码处理，再将处理后的所述信号发射到信道中，具体包括：
步骤101，定义射频预编码器为空矩阵，同时将最优无约束预编码器赋值给残差矩阵。
具体的说，在对接收的信号进行预编码处理前，先对射频预编码器和残差矩阵进行初始化，初始化过程包括：
定义射频预编码器
Figure BDA0002994739070000041
为一个空集；
定义残差矩阵Fres＝Fopt；
其中，最优无约束预编码器是通过对信道矩阵进行SVD(Singular ValueDecomposition，奇异值分解)而获得。信道矩阵H＝UΣVH,Fopt＝V1，V1为Nt×Ns的矩阵，Ns为发射端数据流，Nt为发射端天线数量。
应理解，射频预编码器FRF、残差矩阵Fres及最优无约束预编码器Fopt，均为现有OMP算法中的常规名称，为节省篇幅，本方案不对其进行解释。
步骤102，根据残差矩阵得到相关矩阵。
具体的说，相关矩阵为残差矩阵与阵列响应向量矩阵的乘积，其获取的步骤包括：
Figure BDA0002994739070000051
其中，At为天线阵列响应向量矩阵的共轭转置；Fres为残差矩阵。
步骤103，利用量子遗传算法得到与残差矩阵相匹配的最佳索引，根据最佳索引得到最优阵列响应向量。
具体的说，函数的目标函数可以表示为：
Figure BDA0002994739070000052
其中，ψ为相关矩阵；ω为最优阵列响应向量，且最优阵列响应向量获取的步骤包括：
Figure BDA0002994739070000053
其中，
Figure BDA0002994739070000054
表示方位角；
Figure BDA0002994739070000055
λ表示波长；d表示天线单元间距；Nt为发射端天线数量。
由此可知，目标函数的目的是利用相关矩阵、残差矩阵和天线阵列响应向量确定全局最优解。从上式可以看出，只有角度
Figure BDA0002994739070000056
即所求的最优值，为未知数，因此该问题仅仅是1维问题。
进一步说明，请参阅图4，利用量子遗传算法得到与残差矩阵相匹配的最佳索引的步骤包括：
(一)随机产生种群，该种群的规模为N；
(二)对种群实施测量，得到二进制编码；
(三)使用目标函数f(w)计算适应度，得到最佳个体与最大值；
(四)判断灾变次数是否大于最大迭代次数的十分之一，若大于，获得最优个体，否则判断是否继续进行灾变，若是则保留此次获得的最佳个体，其余个体重新生成，然后依次执行量子旋转门、量子交叉、量子变异、更新种群后，重复步骤二。
需要说明的是，最终获得的最优个体即为最佳索引，此处也为最优阵列响应向量表达式中的角度
Figure BDA0002994739070000057
在上述表达式中代入角度
Figure BDA0002994739070000058
即可得到最合适的阵列响应向量ω。
步骤104，将最优阵列响应向量合并到射频预编码器中，得到第一射频预编码器。
具体的说，第一射频预编码器获取的步骤包括：
FRF1＝[FRF|ω]；
其中，FRF为射频预编码器。
步骤105，根据第一射频预编码器和最优无约束预编码器，更新基带预编码器，得到第一基带预编码器。
具体的说，第一基带预编码器获取的步骤包括：
Figure BDA0002994739070000061
其中，FRF1为合并后的射频预编码矩阵；Fopt为最优无约束预编码器。
步骤106，根据第一射频预编码器、第一基带预编码器及最优无约束预编码器，更新残差矩阵。
更新残差矩阵的步骤包括：
Figure BDA0002994739070000062
其中，F为范数。
步骤107，对第一基带预编码器进行归一化处理，得到最优基带预编码器；同时，将第一射频预编码器记为最优射频预编码器。
最优基带预编码器获取的步骤包括：
Figure BDA0002994739070000063
其中，FRF1为第一射频预编码矩阵；FBB1为第一基带预编码矩阵；NS为发送数据流。
可选的，作为一个实施例，迭代次数可以为多次。
请参阅图3，当迭代次数为多次时，混合预编码方法与图2中大致相同，只是在步骤106之后对迭代次数是否大于射频链路进行判断，若迭代次数小于射频链路，则重复步骤102到步骤106，否则，执行步骤107，其中，最优射频预编码器为最后一次迭代时所得到的第一射频预编码器。
请参阅图5，图5中给出了在单用户毫米波大规模MIMO系统下全数字预编码、基于OMP的混合预编码和提出的混合预编码方法的仿真。在仿真场景中，发射端天线数为Nt＝64，接收端天线数为Nr＝16；信道采用毫米波信道，群簇数Ncl＝5，每个群簇的传播路径数Nray＝10；天线阵列采用均匀线性阵列，并且方位角的AOA和AOD服从拉普拉斯分布，其中，簇角度在[0,2π)上服从均匀分布，角度扩展设为10°。仿真所得的结果都是在1000次随机信道实现的平均。
图5为数据流等于射频链路数时的系统系能曲线图。
图5中的曲线1表示全数字预编码的系统频谱效率、曲线2表示基于OMP算法的混合预编码的系统频谱效率、曲线3表示本方案的混合预编码的系统频谱效率。
图5所示为在
Figure BDA0002994739070000071
的条件下，不同预编码方案所获得的频谱效率随着信噪比的变化情况。从图中可以看出，随着信噪比的增大，不同预编码的系统频谱效率都得到了不同程度的提升。而且随着数据流的增加，不同预编码的系统频谱效率也会得到不同程度的提升。对于不同的数据流，全数字预编码的性能最好，这是因为其是最优的预编码，所有的预编码都是以逼近它为目标。本方案提出的算法，相比于传统的基于OMP的混合预编码，性能有所提升，这是因为本文提出的算法对传统的基于OMP的混合预编码的候选矩阵的问题进行改进。本文提出的算法采用QGA算法搜索全局最优解，而传统的基于OMP的预编码算法利用候选矩阵选择相关度最高的列，由于传统的基于OMP的预编码算法的候选矩阵中各列的角度之间存在一定的间隔，所选的阵列响应向量不一定是全局最优解，因此可见，本方案与传统的混合OMP预编码算法相比，在
Figure BDA0002994739070000072
条件下，更具有优势。
图6为射频链路数固定时不同数据流的系统系能曲线图。
图6中的曲线4表示全数字预编码的系统频谱效率、曲线5表示基于OMP算法的混合预编码的系统频谱效率、曲线6表示本方案的混合预编码的系统频谱效率。
图6所示为在
Figure BDA0002994739070000073
Ns＝[1,3]的条件下，不同预编码方案所获得的频谱效率随着信噪比的变化情况。从图中可以看出，随着信噪比的增大，不同预编码的系统频谱效率都得到不同程度的提升。而且随着数据流的增加，不同预编码的系统频谱效率也会得到不同程度的提升。在数据流较小时，本方案的混合预编码方法与传统的基于OMP算法的混合预编码方法的性能几乎接近于最优的全数字预编码方案。在数据流较大时，本方案提出的算法，相比于传统的基于OMP的混合预编码，性能有所提升。
可见，本实施方式在传统的OMP算法用于毫米波大规模MIMO混合预编码的研究基础上，利用QGA(Quantum Genetic Algorithm，量子遗传算法)算法模拟自然进化过程、快速搜索全局最优值的特点，搜索与残差内积相乘最大的阵列响应矢量，获得全局最优解的阵列响应向量，从而在发射端获得最优的基带预编码器和射频预编码器，消除了对已知候选矩阵的需求、降低了计算的复杂度；同时，QGA算法获得的全局最优解的阵列响应向量，使本发明的混合预编码性能接近于最优的全数字预编码，极大的提高了系统的频谱效益。
本发明的第二实施方式涉及一种毫米波大规模MIMO混合预编码系统，包括：
发射模块，其设于发射端，用于接收信号并对其进行预编码处理，再将处理后的所述信号发射到信道中；其中，预编码处理的方法为第一实施方式中任一项所述的基于QGA-OMP算法的毫米波大规模MIMO混合预编码方法。
可见，本实施方式通过发射模块接收信号，并对该信号进行处理，处理方法为在传统的OMP算法用于毫米波大规模MIMO混合预编码的研究基础上，利用QGA(Quantum GeneticAlgorithm，量子遗传算法)算法模拟自然进化过程、快速搜索全局最优值的特点，搜索与残差内积相乘最大的阵列响应矢量，获得全局最优解的阵列响应向量，从而在发射端获得最优的基带预编码器和射频预编码器，消除了对已知候选矩阵的需求、降低了计算的复杂度；同时，QGA算法获得的全局最优解的阵列响应向量，使本发明的混合预编码性能接近于最优的全数字预编码，极大的提高了系统的频谱效益。
综上所述，本发明的一种基于QGA-OMP算法的毫米波大规模MIMO混合预编码方法及系统，在传统的OMP算法用于毫米波大规模MIMO混合预编码的研究基础上，利用QGA(Quantum Genetic Algorithm，量子遗传算法)算法模拟自然进化过程、快速搜索全局最优值的特点，搜索与残差内积相乘最大的阵列响应矢量，获得全局最优解的阵列响应向量，从而在发射端获得最优的基带预编码器和射频预编码器，消除了对已知候选矩阵的需求、降低了计算的复杂度；同时，QGA算法获得的全局最优解的阵列响应向量，使本发明的混合预编码性能接近于最优的全数字预编码，极大的提高了系统的频谱效益。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (5)

1.一种基于量子遗传(QGA)-正交匹配追踪(OMP)算法的毫米波大规模MIMO混合预编码方法，应用于发射端，所述发射端用于接收信号并对其进行预编码处理，再将处理后的所述信号发射到信道中；其特征在于，包括：
步骤一：定义射频预编码器为空矩阵，同时将最优无约束预编码器赋值给残差矩阵；
步骤二：根据所述残差矩阵得到相关矩阵；
步骤三：利用量子遗传算法，使用目标函数迭代计算适应度，当迭代次数满足预设迭代次数，得到与所述残差矩阵相匹配的最佳索引，根据所述最佳索引得到最优阵列响应向量；
其中，获取所述最优阵列响应向量的步骤包括：
Figure FDA0003542637430000011
ω表示最优阵列响应向量；
Figure FDA0003542637430000015
表示方位角；
Figure FDA0003542637430000012
λ表示波长；d表示天线单元间距；Nt为发射端天线数量；
步骤四：将所述最优阵列响应向量合并到所述射频预编码器中，得到第一射频预编码器；其中，获取所述第一射频预编码器的步骤包括：
FRF1＝[FRF|ω]；
FRF为射频预编码器；
步骤五：根据所述第一射频预编码器和所述最优无约束预编码器，更新基带预编码器，得到第一基带预编码器；
其中，获取所述第一基带预编码器的步骤包括：
Figure FDA0003542637430000013
FRF1为合并后的射频预编码矩阵；Fopt为最优无约束预编码器；
步骤六：根据所述第一射频预编码器、所述第一基带预编码器及所述最优无约束预编码器，更新所述残差矩阵；
其中，更新所述残差矩阵的步骤包括：
Figure FDA0003542637430000014
F为范数；
步骤七：对所述第一基带预编码器进行归一化处理，得到最优基带预编码器；
其中，获取所述最优基带预编码器的步骤包括：
Figure FDA0003542637430000021
||FRF1FBB1||F称为F-范数；NS为发射端的数据流数量；
同时，将所述第一射频预编码器记为最优射频预编码器。
2.根据权利要求1所述的基于QGA-OMP算法的毫米波大规模MIMO混合预编码方法，其特征在于，所述最优无约束预编码器是通过对信道矩阵进行奇异值分解而获得。
3.根据权利要求2所述的基于QGA-OMP算法的毫米波大规模MIMO混合预编码方法，其特征在于，若所述毫米波大规模MIMO混合预编码方法为迭代执行，且迭代次数小于射频链路，则重复执行步骤二到步骤六，否则，执行步骤七，其中，所述最优射频预编码器为最后一次迭代时所得到的所述第一射频预编码器。
4.根据权利要求1所述的基于QGA-OMP算法的毫米波大规模MIMO混合预编码方法，其特征在于，获取所述相关矩阵的步骤包括：
Figure FDA0003542637430000022
其中，At为阵列响应向量矩阵；Fres为残差矩阵。
5.一种基于QGA-OMP算法的毫米波大规模MIMO混合预编码系统，其特征在于，包括：发射模块，其设于发射端，用于接收信号并对其进行预编码处理，再将处理后的所述信号发射到信道中；其中，预编码处理的方法为权利要求1-4中任意一项所述的一种基于QGA-OMP算法的毫米波大规模MIMO混合预编码方法。
CN202110326125.3A 2021-03-26 2021-03-26 基于qga-omp算法的毫米波大规模mimo混合预编码方法及系统 Active CN113078931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110326125.3A CN113078931B (zh) 2021-03-26 2021-03-26 基于qga-omp算法的毫米波大规模mimo混合预编码方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110326125.3A CN113078931B (zh) 2021-03-26 2021-03-26 基于qga-omp算法的毫米波大规模mimo混合预编码方法及系统

Publications (2)

Publication Number Publication Date
CN113078931A CN113078931A (zh) 2021-07-06
CN113078931B true CN113078931B (zh) 2022-04-22

Family

ID=76610680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110326125.3A Active CN113078931B (zh) 2021-03-26 2021-03-26 基于qga-omp算法的毫米波大规模mimo混合预编码方法及系统

Country Status (1)

Country Link
CN (1) CN113078931B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113541749B (zh) * 2021-07-19 2022-06-24 安徽大学 一种发射信号的估计方法、系统、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112468202A (zh) * 2020-05-14 2021-03-09 哈尔滨工程大学 低复杂度毫米波大规模mimo混合预编码方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108574521B (zh) * 2017-03-10 2021-03-19 上海诺基亚贝尔股份有限公司 用于mimo通信的方法和设备
US10951286B2 (en) * 2019-04-26 2021-03-16 Huawei Technologies Co., Ltd. Methods and systems for hybrid beamforming for MIMO communications
CN110943768B (zh) * 2019-12-09 2021-09-28 中南大学 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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112468202A (zh) * 2020-05-14 2021-03-09 哈尔滨工程大学 低复杂度毫米波大规模mimo混合预编码方法

Also Published As

Publication number Publication date
CN113078931A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN111630787B (zh) 基于深度学习的mimo多天线信号传输与检测技术
Ji et al. CLNet: Complex input lightweight neural network designed for massive MIMO CSI feedback
CN110557177A (zh) 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法
CN108199753B (zh) 一种毫米波通信中基于迭代最小的预编码方法
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
CN112468202B (zh) 低复杂度毫米波大规模mimo混合预编码方法
CN111953393B (zh) 大规模mimo混合预编码器及匹配方法
CN112671438B (zh) 大规模mimo中基于虚拟子阵列的模拟预编码系统及方法
CN111713035A (zh) 基于人工智能的mimo多天线信号传输与检测技术
CN113381790B (zh) 一种基于ai的环境知识辅助的无线信道反馈方法
Yin et al. Deep CSI compression for massive MIMO: A self-information model-driven neural network
CN113965233A (zh) 一种基于深度学习的多用户宽带毫米波通信资源分配方法及系统
CN116248156A (zh) 基于深度学习的大规模mimo信道状态信息反馈及重建方法
CN112636794A (zh) 一种基于贪心算法的波束赋形方法
CN113078931B (zh) 基于qga-omp算法的毫米波大规模mimo混合预编码方法及系统
CN113708811B (zh) 一种毫米波大规模mimo系统中的混合预编码设计方法
Liang et al. Changeable rate and novel quantization for CSI feedback based on deep learning
Li et al. Multi-task deep learning based hybrid precoding for mmWave massive MIMO system
CN111654456A (zh) 基于降维分解的毫米波大规模mimo角域信道估计方法及装置
CN113572503B (zh) 一种低复杂度的基于gp的改进混合波束成形方法
CN113193893B (zh) 毫米波大规模mimo智能混合波束成形设计方法
CN114567359A (zh) 一种大规模mimo系统中基于多分辨率融合卷积反馈网络的csi反馈方法
CN110350961A (zh) 适于5g多用户大规模mimo混合波束赋形算法及系统
CN113872655A (zh) 一种多播波束赋形快速计算方法
Ho et al. Hybrid precoding processor for millimeter wave MIMO communications

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