CN109104225B - 一种能效最优的大规模mimo波束域多播传输方法 - Google Patents
一种能效最优的大规模mimo波束域多播传输方法 Download PDFInfo
- Publication number
- CN109104225B CN109104225B CN201810889400.0A CN201810889400A CN109104225B CN 109104225 B CN109104225 B CN 109104225B CN 201810889400 A CN201810889400 A CN 201810889400A CN 109104225 B CN109104225 B CN 109104225B
- Authority
- CN
- China
- Prior art keywords
- multicast
- base station
- energy efficiency
- beam domain
- state information
- 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
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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出了一种能效最优的大规模MIMO波束域多播传输方法,主要包括:小区基站配置大规模天线阵列,通过波束赋形生成大规模波束集合覆盖整个小区,并且在生成的波束上与用户进行多播通信;基站根据接收到的用户上行探测信号,估计出各个用户的统计信道状态信息,并且根据统计信道状态信息进行能效最优的波束域功率分配。其中,所提出的能效最优的波束域功率分配算法主要利用Dinkelbach变换和确定性等同原理,通过迭代求解一系列凸优化问题获得全局最优的能效最优波束域多播功率分配矩阵。并且随着用户的移动,基站与各用户之间的统计信道状态信息发生变化,基站根据不同的应用场景获取统计信道状态信息,动态实施能效最优的波束域多播功率分配。
Description
技术领域
本发明属于通信领域,具体涉及一种在多播场景下利用大规模天线阵列和统计信道状态信息的能效最优大规模输入多输出(Multiple-Input Multiple-Output,MIMO)波束域传输方法。
背景技术
大规模MIMO***中,基站端布置利用大规模天线阵列同时服务多个用户。采用大规模MIMO技术可以有效降低用户间干扰,大幅提高无线通信***的频谱利用率和功率效率。波束分多址传输过程中,基站侧通过酉变换将发送信号转换到波束域,在波束域信道进行信号传输,充分利用大规模天线阵列的空间角度分辨率和用户信道在波束域中的局部性特性。
多播通信场景下,基站将同样的信息同时传递给目标用户组。在大规模MIMO波束域多播的场景下,往往需要优化***能效。这类优化问题由于目标函数是非凸的,通常难以得到全局最优解,并且当基站侧天线数较大时,求***多播速率过程中的求期望过程复杂度很高。为此,本发明提出了一种低复杂度且全局最优的利用统计信道状态信息的能效最优大规模MIMO波束域多播传输方法。
发明内容
发明目的:本发明的目的是提供一种在基站多播场景下利用大规模天线阵列和统计信道状态信息的能效最优大规模MIMO波束域传输方法。
技术方案:为实现上述发明目的,本发明采用的技术方案为:
一种能效最优的大规模MIMO波束域多播传输方法,包括以下步骤:
(1)基站配置大规模天线阵列,并且基站通过波束赋形生成大规模波束集合覆盖整个小区,并且在生成的波束上与用户进行多播通信。
(2)基站利用获取的波束域统计信道状态信息构建波束域能效最优多播功率分配优化问题,利用Dinkelbach变换和确定性等同方法求解所述优化问题,对发送信号进行功率分配。
(3)在各用户移动过程中,随着基站与各用户之间的统计信道状态信息的变化,基站侧动态实施能效最优的波束域率分配。
所述步骤(1)中的基站侧配置由大量天线所构成的天线阵列,基站使用相同的酉变换生成可以覆盖整个小区的大规模波束,每个波束是对空间资源的划分。基站在波束域与目标用户进行多播通信。
所述步骤(2)中各用户在上行信道探测阶段发送上行探测信号,基站根据接收到的探测信号,估计实施波束域功率分配的波束域统计信道状态信息。具体实施波束域功率分配的方法基于Dinkelbach变换和确定性等同方法。
上述的基于Dinkelbach变换的波束域功率分配方法包括:
(a)解决能效最优的功率分配问题的目标函数是一个分式方程,这是一个非凸的优化问题往往难以得到全局最优解。通过Dinkelbach变换引入一个辅助变量,将优化问题转化为凸优化问题,可以在得到局部最优解的同时得到全局最优解。
(b)代求解能效最优功率分配的凸优化问题,其中的辅助变量随着迭代过程不断更新。迭代过程在相邻两次迭代结果之差小于某个给定阈值时终止。
上述的基于确定性等同的波束域功率分配方法包括:
(a)依据大维随机矩阵理论,通过多播用户的波束域统计信道状态信息,迭代计算目标函数中多播速率项的确定性等同辅助变量直至收敛。
(b)利用迭代得到的确定性等同辅助变量计算目标函数中的多播速率项的确定性等同表达。
(c)将多播速率项的确定性等同表达带入能效最优的波束域多播功率分配的优化问题中,避免高复杂度的求期望运算。
所述步骤(3)中随着用户的移动,基站与各用户之间的统计信道状态信息发生变化,基站根据不同的应用场景以相应的时间间隔获取统计信道状态信息,动态实施波束域功率分配。
有益效果:与现有技术相比,本发明具有如下优点:
1.基站与用户组中各个用户在波束域上实施能效最优的多播通信,可以与其无线信道的空间特性相匹配,从而获取使用大规模天线阵列所带来的功率效率和频谱效率的提升。
2.利用多播用户的波束域统计信道状态信息对发送信号进行设计,所需的各用户的波束域统计信道状态信息可以通过稀疏的探测信号获得,所提出的多播传输方法同时适用于时分双工和频分双工***。
3.利用Dinkelbach变换和确定性等同原理进行能效的功率分配,显著降低优化问题求解和物理层实现的复杂度,并且该功率分配方法能够获得全局最优解。
附图说明
图1为能效最优的大规模MIMO波束域多播传输方法流程图。
图2为大规模MIMO多播***示意图。
图3为基于Dinkelbach变换的迭代算法流程图。
图4为基于Dinkelbach和确定性等同的迭代算法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述。
如图1所示,本发明公开的一种能效最优的大规模MIMO波束域多播传输方法,主要包括以下步骤:
1)基站配置大规模天线阵列,通过波束赋形方法生成能够覆盖整个小区的大规模波束集合。本步骤中,基站通过模拟多波束赋形或数字多波束赋形的方法生成能够覆盖整个小区的大规模波束集合,从而实现空间资源的波束域划分。基站在同一时频资源上与用户进行能效最优的多播通信,该多播通信的过程在波束域上实施。
2)基站获取多播用户的波束域统计信道状态信息,利用统计信道状态信息构建能效最优的波束域多播功率分配问题,并利用Dinkelbach变换和确定性等同方法求解该优化问题,完成对发送信号能效最优的功率分配。
3)在各用户动态移动过程中,随着基站与多播用户组内用户之间波束域统计信道状态信息变化,基站侧动态实施波束域功率分配,多播过程动态更新。
下面以图2所示的大规模MIMO多播***为例,考虑单小区场景,基站侧配置M根发射天线的大规模天线阵列(M为102~103数量级),天线间隔为半波长。小区中有K个多播目标用户,每个用户配置Nr根接收天线。
在信道探测阶段,多播用户发送上行探测信号,基站根据接收到的探测信号估计各个用户的波束域统计信道状态信息其中Hk分别为第k个多播用户的波束域信道矩阵,运算符⊙为矩阵Hadamard乘积,*为求矩阵的共轭,表示期望运算。
其中上标H表示矩阵的共轭转置,min表示取最小值运算,log表示对数运算,det表示取矩阵的行列式。考虑到波束域信道基站侧的相关性很低,基站在各个波束上发送相互独立的数据流,即矩阵Λ为对角矩阵。
注意到在波束域多播通信中的能效问题,为了获得能效更高的多播能效,需要对发送信号的协方差矩阵Λ进行优化,即在基站侧对发射波束进行功率分配,即解决如下优化问题:
这里的P(Λ)是发送总功率,且满足P(Λ)=μtr{Λ}+Pc,其中tr{Λ}为信号发送功率,μ(>1)为放大系数,Pc为在硬件中耗散的电路功率,Pcon为基站发射信号总功率约束,上述tr{·}为取矩阵迹的运算。
此问题目标函数非凸,很难得到全局最优解,且实现复杂度很高为此,本发明基于Dinkelbach变换和确定性等同求解上述波束域多播传输功率分配优化问题。其中基于Dinkelbach变换的思路是:能效最优的功率分配问题的目标函数是一个分式方程,这是一个非凸的优化问题往往难以得到全局最优解,通过Dinkelbach变换引入一个辅助变量,将优化问题转化为凸优化问题,可以在得到局部最优解的同时得到全局最优解。通过迭代求解能效最优功率分配的凸优化问题,其中的辅助变量随着迭代过程不断更新,迭代过程在相邻两次迭代结果之差小于某个给定阈值时终止。
图3示出了本发明实施的基于Dinkelbach变换的功率分配方法的实现流程,详细过程如下:
步骤1:初始化发送信号的协方差矩阵Λ(0),设置迭代次数指示i=0。在初始化发送信号的协方差矩阵Λ(0)时,可以根据波束域统计信道状态信息为波束增益最强的N个波束分配功率Pcon/N,其中Pcon为基站发射信号总功率约束。N可以利用信道统计状态信息获得,N的取值方式可以如下:计算每个用户的波束域信道相关阵Rk是一个M×M的对角阵,各对角元素为可以取对于该用户能量覆盖达80%的波束集合,然后所有K个多播用户的波束集合取并集得到集合Υ,N就是集合Υ中元素的个数。
步骤3:引入Dinkelbach辅助变量η,η通过如下方式迭代更新
步骤4:利用Dinkelbach变换将优化问题变为如下形式:
步骤5:利用内点法或其他凸优化方法求解凸优化问题(5)。
步骤6:将凸优化问题(5)的解带入多播能效函数表达式(3)中,计算新的多播能效函数值
在上面提出的基于Dinkelbach变换的功率分配方法中,在求解多播能效函数表达式(6)以及凸优化问题(5)时,都需要对信道进行遍历,计算期望值。由于该期望没有闭式表达式,因而需要Monte-Carlo仿真计算。为了避免高复杂度的求期望运算,本发明利用大维矩阵随机理论计算多播速率项的确定性等同表达,来降低基于Dinkelbach变换的功率分配方法的计算复杂度。确定性等同方法仅利用统计信道状态信息,通过迭代计算确定性等同辅助变量,即可获得多播速率项的逼近结果。因为确定性等同的结果可以很好逼近多播速率项的准确表达,本发明提出了基于Dinkelbach变换和确定性等同的功率分配方法。
图4示出了基于Dinkelbach变换和确定性等同的功率分配方法的实现流程,详细过程如下:
步骤1:初始化发送信号的协方差矩阵Λ(0),设置迭代次数指示i=0。在初始化发送信号的协方差矩阵Λ(0)时,可以根据波束域统计信道状态信息为波束增益最强的N个波束分配功率Pcon/N。
Γk=Bk(Φk)-1 (7)
在迭代过程中,三个辅助变量都会趋于收敛,当辅助变量变化值小于给定阈值时停止迭代。其中Bk和Ck都是对角矩阵,其对角线元素可以表示为
[Bk(X)]i,i=tr{diag{[Ωk]:,i}X} (10)
因此多播速率项Rmc(Λ)中的Rk(Λ)的确定性等同可以表示为
这样多播速率项的确定性等同可以表示为
步骤3:根据Λ(i)计算多播能效函数值
步骤4:引入Dinkelbach辅助变量η,η通过如下方式迭代更新
步骤5:利用Dinkelbach变换将优化问题变为如下形式:
步骤6:利用内点法或其他凸优化方法求解凸优化问题(16)得到优化问题本次迭代的解Λ(i+1)。
步骤7:将凸优化问题(16)的解Λ(i+1)带入多播能效函数表达式中,计算新的多播能效函数值
步骤8:将第i+1次迭代多播能效函数的结果与第i次结果进行比较,如果两次的差小于某个设定阈值ε1,则终止迭代;否则,将迭代次数i加1,即i=i+1,回到步骤3将本次迭代的解带入公式(8),重新计算确定性等同辅助变量Γk、和Φk,重复上述步骤。
在各用户移动过程中,随着基站与用户之间的波束域统计信道状态信息的变化,基站侧根据更新后的统计信道状态信息重复前述步骤,进行能效最优波束域多播功率分配。从而实现多播传输过程的动态更新。波束域统计信道状态信息的变化与具体应用场景有关,其典型统计时间窗是短时传输时间窗的数倍或数十倍,相关的统计信道状态信息的获取也在较大的时间宽度上进行。
应当指出,以上所述仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (4)
1.一种能效最优的大规模MIMO波束域多播传输方法,其特征在于:包括以下步骤:
(1)配置大规模天线阵列的基站通过波束赋形生成大规模波束集合覆盖整个小区,并且在生成的波束上与用户进行多播通信;
(2)基站获取各用户的统计信道状态信息,并根据统计信道状态信息构建波束域能效最优多播功率分配优化问题,利用Dinkelbach变换和确定性等同方法求解所述优化问题,对发送信号进行功率分配;所述功率分配优化问题的优化目标为最大化多播能效,优化变量为基站侧发送信号协方差矩阵;约束条件为基站侧发送信号协方差矩阵满足功率约束;所述多播能效为***多播速率与***总功率的比值;优化问题表示为:
s.t.tr{Λ}≤Pcon,Λ≥0
其中,Hk为第k个用户的波束域信道矩阵,Λ为发送信号的协方差矩阵,I为单位矩阵,P(Λ)=μtr{Λ}+Pc是发送总功率,μ为放大系数,Pc为在硬件中耗散的电路功率,Pcon为基站发射信号总功率约束,表示期望运算,det表示取矩阵的行列式,tr(·)表示计算矩阵的迹;
利用Dinkelbach变换引入一个辅助变量将原始优化问题目标函数的分式运算转化为减式运算,使得每次迭代求解的子问题均为凸优化问题;
利用确定性等同方法降低优化问题求解的运算复杂度,具体包括:
(a)依据大维随机矩阵理论,通过多播用户的波束域统计信道状态信息,迭代计算目标函数中多播速率项的确定性等同辅助变量Γk、和Φk直至收敛;其中,Γk=Bk(Φk)-1,Bk(X)和Ck(X)为对角矩阵;
[Bk(X)]i,i=tr{diag{[Ωk]:,i}X}
(c)将多播速率项的确定性等同表达带入能效最优的波束域多播功率分配的优化问题中,避免高复杂度的求期望运算;
(3)在各用户移动过程中,随着基站与各用户之间统计信道状态信息的变化,基站侧动态实施能效最优的波束域功率分配。
2.根据权利要求1所述的能效最优的大规模MIMO波束域多播传输方法,其特征在于:所述步骤(1)中基站使用相同的酉变换生成覆盖整个小区的大规模波束,每个波束是对空间资源的划分;基站在波束域与目标用户进行能效最优的波束域多播通信。
3.根据权利要求1所述的能效最优的大规模MIMO波束域多播传输方法,其特征在于:所述波束域统计信道状态信息由基站根据接收到的多播用户发送的上行探测信号估计得出。
4.根据权利要求1所述的能效最优的大规模MIMO波束域多播传输方法,其特征在于:所述步骤(3)中随着用户的移动,基站与各用户之间的统计信道状态信息发生变化,基站根据不同的应用场景以相应时间间隔获取统计信道状态信息,动态实施利用Dinkelbach变换和基于确定性等同的波束域能效最优的功率分配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810889400.0A CN109104225B (zh) | 2018-08-07 | 2018-08-07 | 一种能效最优的大规模mimo波束域多播传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810889400.0A CN109104225B (zh) | 2018-08-07 | 2018-08-07 | 一种能效最优的大规模mimo波束域多播传输方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109104225A CN109104225A (zh) | 2018-12-28 |
CN109104225B true CN109104225B (zh) | 2020-06-16 |
Family
ID=64848617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810889400.0A Active CN109104225B (zh) | 2018-08-07 | 2018-08-07 | 一种能效最优的大规模mimo波束域多播传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109104225B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109981153B (zh) * | 2019-04-11 | 2020-08-07 | 东南大学 | 一种人工噪声辅助的大规模mimo安全统计预编码方法 |
CN110166090B (zh) * | 2019-04-29 | 2020-08-25 | 东南大学 | 能效最优的大规模mimo下行单播波束域功率分配方法 |
CN110289895B (zh) * | 2019-07-05 | 2020-11-20 | 东南大学 | 能效谱效联合优化的大规模mimo下行功率分配方法 |
CN110311715B (zh) * | 2019-07-12 | 2021-02-09 | 东南大学 | 能效最优的大规模mimo非正交单播多播传输功率分配方法 |
CN110493804B (zh) * | 2019-09-23 | 2020-10-02 | 北京邮电大学 | 一种毫米波***的波束和功率分配方法 |
CN111970033B (zh) * | 2020-08-25 | 2022-07-26 | 东南大学 | 能效谱效联合优化的大规模mimo多播功率分配方法 |
CN111970696B (zh) * | 2020-08-27 | 2022-08-23 | 东南大学 | 一种基于功率分配和波束调度的多用户高效密钥生成方法 |
CN112039563B (zh) * | 2020-09-09 | 2021-06-11 | 东南大学 | 能效最优的大规模mimo安全多播传输功率分配方法 |
CN112564746B (zh) * | 2020-12-08 | 2022-05-06 | 重庆邮电大学 | CF mmWave mMIMO***中基于最优GEE的功率分配方法 |
CN113300749A (zh) * | 2021-03-30 | 2021-08-24 | 北京邮电大学 | 基于机器学习赋能的智慧传输波束优化方法 |
CN113395095B (zh) * | 2021-06-16 | 2022-04-26 | 东南大学 | 动态超表面天线辅助的大规模mimo上行传输方法 |
CN114095944B (zh) * | 2021-11-17 | 2023-05-26 | 中国人民解放军陆军工程大学 | 一种联合空中基站部署与空-地信息-能量同传方法 |
CN114172549B (zh) * | 2021-12-07 | 2022-06-24 | 东南大学 | 天波大规模mimo通信下行传输方法 |
CN114630338B (zh) * | 2022-04-14 | 2024-02-02 | 北京邮电大学 | 一种单小区多用户场景下的波束管理方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103997775A (zh) * | 2014-06-03 | 2014-08-20 | 东南大学 | 频分复用多用户mimo能效优化方法 |
KR101537891B1 (ko) * | 2014-02-10 | 2015-07-17 | 한국과학기술원 | 전송 파워 조절을 통한 에너지 효율적인 멀티캐스트 방법 및 통신 시스템 |
CN105227222A (zh) * | 2015-09-09 | 2016-01-06 | 东南大学 | 一种利用统计信道状态信息的高能效大规模mimo波束成形方法 |
KR101589386B1 (ko) * | 2014-12-05 | 2016-01-28 | 세종대학교산학협력단 | 기지국 및 기지국의 다운링크 무선 자원 관리 방법 |
CN105933979A (zh) * | 2016-04-12 | 2016-09-07 | 东南大学 | 多小区bdma传输功率分配方法 |
CN107294575A (zh) * | 2017-06-16 | 2017-10-24 | 东南大学 | 大规模mimo波束域安全通信方法 |
-
2018
- 2018-08-07 CN CN201810889400.0A patent/CN109104225B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101537891B1 (ko) * | 2014-02-10 | 2015-07-17 | 한국과학기술원 | 전송 파워 조절을 통한 에너지 효율적인 멀티캐스트 방법 및 통신 시스템 |
CN103997775A (zh) * | 2014-06-03 | 2014-08-20 | 东南大学 | 频分复用多用户mimo能效优化方法 |
KR101589386B1 (ko) * | 2014-12-05 | 2016-01-28 | 세종대학교산학협력단 | 기지국 및 기지국의 다운링크 무선 자원 관리 방법 |
CN105227222A (zh) * | 2015-09-09 | 2016-01-06 | 东南大学 | 一种利用统计信道状态信息的高能效大规模mimo波束成形方法 |
CN105933979A (zh) * | 2016-04-12 | 2016-09-07 | 东南大学 | 多小区bdma传输功率分配方法 |
CN107294575A (zh) * | 2017-06-16 | 2017-10-24 | 东南大学 | 大规模mimo波束域安全通信方法 |
Non-Patent Citations (6)
Title |
---|
Achieving max-min fairness for MU-MISO with partial CSIT A multicast assisted transmission;Hamdi Joudeh and Bruno Clerckx;《2015 IEEE International Conference on Communications》;20150612;第4739-4744页 * |
Energy Efficiency of Confidential Multi-Antenna Systems With Artificial Noise and Statistical CSI;Alessio Zappone et al;《IEEE Journal of Selected Topics in Signal Processing》;20161231;第10卷(第8期);第1462-1477页 * |
Energy Efficiency Optimization for MIMO Broadcast Channels;Jie Xu and Ling Qiu;《IEEE Transactions on Wireless Communications》;20130228;第12卷(第2期);摘要,第2-3部分 * |
Energy-Efficient Coordinated Beamforming for Multi-Cell Multicast Networks under Statistical CSI;Juwendo Denis et al;《2017 IEEE 18th International Workshop on Signal Processing Advances in Wireless Communications》;20170706;全文 * |
Energy-Efficient Joint Unicast and Multicast Beamforming with Multi-Antenna User Terminals;Oskari Tervo;《2017 IEEE 18th International Workshop on Signal Processing Advances in Wireless Communications》;20170706;全文 * |
功率控制下的协作多播能效优化;许诚旭;《大众科技》;20140430;第16卷(第4期);第38-40页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109104225A (zh) | 2018-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109104225B (zh) | 一种能效最优的大规模mimo波束域多播传输方法 | |
CN110166090B (zh) | 能效最优的大规模mimo下行单播波束域功率分配方法 | |
Amiri et al. | Extremely large aperture massive MIMO: Low complexity receiver architectures | |
CN109194373B (zh) | 一种大规模mimo波束域联合单播多播传输方法 | |
CN107294575B (zh) | 一种大规模mimo波束域安全通信方法 | |
CN110289895B (zh) | 能效谱效联合优化的大规模mimo下行功率分配方法 | |
CN111181619B (zh) | 基于深度强化学习的毫米波混合波束成形设计方法 | |
CN110311715B (zh) | 能效最优的大规模mimo非正交单播多播传输功率分配方法 | |
CN111970033B (zh) | 能效谱效联合优化的大规模mimo多播功率分配方法 | |
CN109150257B (zh) | 一种大规模mimo波束域安全多播无线传输方法 | |
CN109831233B (zh) | 一种多小区协调大规模mimo波束域多播功率分配方法 | |
CN111917445B (zh) | 一种最大化最小能效多小区大规模mimo波束域功率分配方法 | |
CN107135024A (zh) | 一种低复杂度的混合波束赋形迭代设计方法 | |
CN109714091B (zh) | 一种在毫米波mimo***中基于分层设计的迭代混合预编码方法 | |
CN113721198A (zh) | 双功能mimo雷达通信***物理层安全性联合波束赋形方法 | |
CN109347527B (zh) | 一种服务质量保障的大规模mimo安全传输方法 | |
CN110365388B (zh) | 一种低复杂度毫米波多播波束成形方法 | |
CN111726156A (zh) | 一种基于noma的资源分配方法与装置 | |
Shao et al. | Reconfigurable intelligent surface-aided 6G massive access: Coupled tensor modeling and sparse Bayesian learning | |
CN112039563B (zh) | 能效最优的大规模mimo安全多播传输功率分配方法 | |
CN114172549B (zh) | 天波大规模mimo通信下行传输方法 | |
CN111726151A (zh) | 一种基于无线携能通信的资源分配方法与装置 | |
Zhu et al. | Resource allocation for IRS assisted mmWave integrated sensing and communication systems | |
Dong et al. | Improved joint antenna selection and user scheduling for massive MIMO systems | |
Zhang et al. | Transmit array resource allocation for radar and communication integration system |
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 |