基于深度学习的毫米波系统波束成形

针对高移动用户在毫米波系统中用户与基站之间频繁切换增大延迟开销问题,提出了一种新颖的集成深度学习协调波束成形（Deep Learning Coordinated Beamforming,DLCBF）解决方案。该方案通过协调多个基站同时为一个移动用户服务,接收用户上行导频序列和预编码码本训练模型,进而预测最佳下行波束向量,克服了大型天线阵列毫米波系统中选取最佳波束成形向量需要的巨大训练开销。仿真结果表明,所提方案与传统的毫米波波束成形策略相比有更高的频谱有效率。     

基于预编码与导频分配的大规模MIMO导频污染抑制

导频污染问题是限制大规模多输入多输出(MIMO)系统性能的主要影响因素。针对这个问题，提出了一种基于改进预编码和最优导频分配策略的大规模MIMO系统导频污染抑制算法。首先，在系统下通过基于改进遗传优化算法的最大化信干噪比(SINR)预编码算法，获得最优预编码矩阵；然后，通过基于用户信道条件优劣的最优导频分配策略对每个小区用户进行导频分配，从而实现大规模MIMO系统导频污染抑制。通过Matlab仿真结果可知，相对于传统的SINR预编码算法，所提算法的复杂度降低了65%左右，而导频污染抑制性能提升了30%左右。该算法能够有效抑制导频污染，提升大规模MIMO系统的性能。     

OFDM系统中基于弱选择ROMP算法的稀疏信道估计

为了解决实际OFDM通信系统中信道稀疏度未知的不足,提出将弱选择正则化正交匹配追踪算法用于估计稀疏信道。算法在不知晓信道稀疏度的情况下,对不同迭代残差与测量矩阵中原子的相关系数进行判定后,根据原子的弱选择准则灵活地确定出表示信道冲激响应的原子候选集,进而利用正则化原则从候选集中挑选出表示信道冲激响应的最优原子组,逐步实现精确重建。仿真结果和理论分析表明：与正则化正交匹配追踪算法相比,相同条件下改进算法可以获得更低的均方误差和误比特率;另外,算法无需将信道稀疏度作为先验信息,实用性更强。