摘要：利用包含信道质量的反馈信息,多用户分集能显著提高无线通信系统的性能。然而,在多载波多天线(MIMO-OFDM)的架构下,反馈所有用户的所有信道质量信息(CQI)将占据大量的无线资源,从而降低了频谱效率,因此各种有限信道反馈算法被提出来减少系统的反馈开销。该文主要研究了基于两种典型的有限信道反馈的多用户分集增益,并与理想反馈进行了对比。系统平均频谱效率数学表达式的推导考虑了可选调制方式有限的特性,更符合实际。仿真用于评估各种反馈算法下的多用户分集性能,其结果与理论分析相当匹配。并且只要恰当地选取反馈参数,有限信道反馈算法可以在不损失多用户分集增益的前提下,极大的降低反馈开销,这为设计实际系统的信道反馈提供了参考。

摘要：MIMO系统是未来移动通信发展的趋势。随机波束成形利用包含信道质量的反馈信息,可以开发多用户分集增益,进一步提高MIMO系统的容量。然而繁重的反馈信息会占据大量的无线资源,降低系统的实际效率。主要研究降低随机波束成形MIMO系统反馈开销的方法,提出了两种部分信道反馈算法:门限反馈和最优反馈。理论推导表明了系统平均容量与反馈率之间的权衡关系,仿真结果证明了只要恰当地选取反馈参数,这两种反馈算法可以在几乎不牺牲系统容量的前提下,极大节省反馈开销。其中,门限反馈在系统容量方面表现要好于最优反馈,而最优反馈在实现简便性方面要强于门限反馈,因此实际设计时要折中考虑。

摘要：信道状态信息对于大规模多输入多输出(Multi-Input Multi-Output,MIMO)系统获得高信道容量和能量效率是十分重要的。频分双工系统因为上下行信道缺少互易性,所以需要用户将下行信道反馈至基站来进行预编码等处理。因为反馈的信息量和天线数成正比,所以大规模MIMO系统的反馈量是十分巨大的。很多数据驱动的深度学习神经网络使用编码器压缩信道信息,使用解码器恢复信道信息,但是由于数据驱动神经网络的黑盒子特性,不仅需要很高的复杂度来恢复信道信息,而且性能难以得到进一步提升,尤其增加用户设备处模型的复杂度和计算资源来提升性能是不切实际的。本文提出了一种展开迭代阈值收缩算法(Iterative Shrinkage-Thresholding Algorithm,ISTA)的可解释的模型驱动网络。针对信道信息不严格满足压缩感知稀疏性要求而导致恢复性能下降的问题,引入残差网络,设计了一种非线性稀疏变换来提升性能;为了平衡性能和复杂度,在用户处提出了一个可学习的压缩矩阵来保留更多信道信息;进一步地,本文在不改变已有网络框架的基础上将适用范围从单天线用户扩大到多天线用户,提高了神经网络的兼容性。仿真结果表明,本文提出的方法相比于其他方法具有更好的信道恢复性能以及在用户处具有更低的复杂度。