论文部分内容阅读
随着移动通信技术的发展,移动智能终端已逐步成为人们日常生产生活中不可或缺的一部分。由其有效提高频谱效率的特性,大规模多输入多输出(MIMO, Multi-Input-Multi-Output)成为新一代移动通信系统至关重要的技术之一。本文围绕移动环境下大规模MIMO系统下行传输性能提升问题,从如何提升基站侧获取的信道状态信息性能、以及如何在非完美信道状态信息(CSI,Channel State Information)条件下进行预编码设计这两个方面,研究了综合利用统计状态信道信息和瞬时信道状态信息的鲁棒预编码方法。
首先,本文回顾了三类典型的线性预编码方法,包括匹配滤波(MF,Matched Filter)预编码、迫零(ZF,Zero-Force)预编码和正则化迫零(RZF,Regularized Zero-Forcing)预编码,并比较了三种预编码方法的和速率性能。针对实际大规模MIMO系统中基站难以获得完美CSI的问题,利用同时考虑瞬时信道信息和统计信道信息的大规模MIMO信道后验模型,回顾了遍历和速率最大的鲁棒预编码方法。仿真结果表明,在无法获取完美CSI的移动场景下,三类典型的线性预编码方法随着探测周期的增长,和速率性能显著下降,而鲁棒预编码方法性仍能保持较高的性能。
其次,本文从与现有鲁棒预编码方法中的遍历和速率最大优化问题等效的优化问题出发,设计了逼近最优的机器学习辅助鲁棒预编码方法。并利用机器学习和系数加权等方法,对该鲁棒预编码方法中的各计算模块进行优化。仿真结果表明,相比现有方法,逼近最优的机器学习辅助鲁棒预编码方法在有效降低系统计算复杂度的同时,能够逼近现有鲁棒预编码方法的和速率性能。
然后,本文提出了低复杂度机器学习辅助鲁棒预编码方法。该方法中的预编码矩阵由改进后的波束选择预编码矩阵和RZF预编码矩阵加权获得。其中加权系数是通过机器学习方法获得。仿真结果表明,低复杂度机器学习辅助鲁棒预编码方法的复杂度与波束选择预编码方法接近,且可以兼顾准静态信道环境和快变信道环境。
最后,本文研究了四种信道表征、以及针对不同信道表征的基于线性外插的信道预测方法和基于自回归模型(AR,Autoregressive)的信道预测方法。进而,利用信道预测方法辅助各类预编码方法,包括RZF预编码方法和鲁棒预编码方法。仿真结果表明,在移动场景下,用基于AR和波束时延域信道矩阵的信道预测方法可以获得较好的信道预测性能,同时能有效提高RZF预编码和鲁棒预编码的和速率性能。
首先,本文回顾了三类典型的线性预编码方法,包括匹配滤波(MF,Matched Filter)预编码、迫零(ZF,Zero-Force)预编码和正则化迫零(RZF,Regularized Zero-Forcing)预编码,并比较了三种预编码方法的和速率性能。针对实际大规模MIMO系统中基站难以获得完美CSI的问题,利用同时考虑瞬时信道信息和统计信道信息的大规模MIMO信道后验模型,回顾了遍历和速率最大的鲁棒预编码方法。仿真结果表明,在无法获取完美CSI的移动场景下,三类典型的线性预编码方法随着探测周期的增长,和速率性能显著下降,而鲁棒预编码方法性仍能保持较高的性能。
其次,本文从与现有鲁棒预编码方法中的遍历和速率最大优化问题等效的优化问题出发,设计了逼近最优的机器学习辅助鲁棒预编码方法。并利用机器学习和系数加权等方法,对该鲁棒预编码方法中的各计算模块进行优化。仿真结果表明,相比现有方法,逼近最优的机器学习辅助鲁棒预编码方法在有效降低系统计算复杂度的同时,能够逼近现有鲁棒预编码方法的和速率性能。
然后,本文提出了低复杂度机器学习辅助鲁棒预编码方法。该方法中的预编码矩阵由改进后的波束选择预编码矩阵和RZF预编码矩阵加权获得。其中加权系数是通过机器学习方法获得。仿真结果表明,低复杂度机器学习辅助鲁棒预编码方法的复杂度与波束选择预编码方法接近,且可以兼顾准静态信道环境和快变信道环境。
最后,本文研究了四种信道表征、以及针对不同信道表征的基于线性外插的信道预测方法和基于自回归模型(AR,Autoregressive)的信道预测方法。进而,利用信道预测方法辅助各类预编码方法,包括RZF预编码方法和鲁棒预编码方法。仿真结果表明,在移动场景下,用基于AR和波束时延域信道矩阵的信道预测方法可以获得较好的信道预测性能,同时能有效提高RZF预编码和鲁棒预编码的和速率性能。