CN111313946A - 一种基于低精度adc的大规模mimo能效优化方法 - Google Patents
一种基于低精度adc的大规模mimo能效优化方法 Download PDFInfo
- Publication number
- CN111313946A CN111313946A CN202010111996.9A CN202010111996A CN111313946A CN 111313946 A CN111313946 A CN 111313946A CN 202010111996 A CN202010111996 A CN 202010111996A CN 111313946 A CN111313946 A CN 111313946A
- Authority
- CN
- China
- Prior art keywords
- user
- energy efficiency
- power
- base station
- quantization
- 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.)
- Pending
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
- H04B7/0426—Power distribution
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/06—TPC algorithms
- H04W52/14—Separate analysis of uplink or downlink
- H04W52/146—Uplink power control
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
- H04W52/243—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account interferences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
- H04W52/265—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the quality of service QoS
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
- H04W52/267—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the information rate
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/541—Allocation or scheduling criteria for wireless resources based on quality criteria using the level of interference
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/543—Allocation or scheduling criteria for wireless resources based on quality criteria based on requested quality, e.g. QoS
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明一种基于低精度ADC的大规模MIMO能效优化方法,通过联合优化基站天线数、单用户发射功率和量化精度,并限制单个用户的发射功率和数据传输速率,以此建立起能效优化的目标函数。根据分数规划理论将分式形式的目标函数转换为等价的减式形式,实现非凸问题到凸问题的转化,并利用拉格朗日函数将有约束的凸优化问题转换为无约束问题,采用Dinkelbach算法对基站天线数、单用户发射功率和量化精度进行循环迭代优化,以达到能效最大化。通过采用本发明中的动态功率分配方案,可以在满足用户最高发射功率限制和最低数据传输速率的要求下,根据用户信道条件的差异动态分配单个用户的发射功率,资源得到更加合理的分配。
Description
技术领域
本发明属于信息与通信工程技术领域,涉及无线通信***中的大规模MIMO技术,具体是一种基于低精度ADC的大规模MIMO能效优化方法。
背景技术
大规模多输入多输出(MIMO)技术是现代无线通信网络中的关键技术之一,其主要特点是在基站(BS)端配备几十甚至几百根天线,从而深入挖掘空间资源并提高空间自由度,在同一时频段同时服务多个用户终端,能够有效地改善***能量效率(EE)和频谱效率(SE),因此受到学术界和工业界的广泛关注。虽然大规模MIMO可以提高***性能,但是依然面对着全新的问题:大量数据的处理、昂贵的硬件成本和总功耗高。解决上述问题的方法之一就是降低数模转换器(ADC)的量化精度,这使得成本低、功耗低和复杂度低。
针对配有低精度ADC的大规模MIMO上行链路***,基站采用MRC接收且具有完美信道状态信息,现有研究大多数是考虑频谱效率的优化,并且采用等功率分配,造成能量的浪费。由于1bit量化可以降低功耗引起了很多学者的研究,但是没有考虑到天线数增加带来的功耗问题,忽略了对能效的影响。
发明内容
为了解决上述问题,本发明提出一种动态功率分配的资源分配算法,根据用户的信道条件不同对每个用户的发射功率进行分配,并得到最优量化精度值,以达到***能效最大化。
为了实现上述技术目的,本发明采用以下技术方案:
一种基于低精度ADC的大规模MIMO能效优化方法,包括以下步骤:
S1,联合优化基站天线数、单用户发射功率和量化精度,并限制单个用户的发射功率和数据传输速率,建立能效优化的目标函数;
S2,根据分数规划理论将分式形式的目标函数转换为等价的减式形式,实现非凸问题到凸问题的转化,并利用拉格朗日函数将有约束的凸优化问题转换为无约束问题;
S3,采用Dinkelbach算法对基站天线数、单用户发射功率和量化精度进行循环迭代优化,达到能效最大化。
作为本发明的优选方案之一,步骤S1具体为:
S11,采用加性量化噪声模型对量化过程建模:
量化器输出为:
其中P=diag{p1,p2,…,pK}是用户发射功率分配矩阵,G表示基站和用户之间的M×K维信道矩阵,x表示K×1维用户发射信号向量,n~CN(0,I)是加性高斯白噪声向量,nq是与y统计不相关的加性高斯量化噪声向量;α=1-ρ,ρ是信号与量化噪声比的倒数;
S12,计算上行可达和速率
基站采用最大比合并接收,信号被处理为:
r=GHyq (2)
则第k个用户的接收信号为:
其中,gk是G的第k列向量;式(3)等号右边依次为期望信号、用户间干扰、***噪声干扰、量化噪声干扰;
则上行可达和速率表示为:
S13,建立功耗模型
其中,PTX为功率放大消耗,η∈(0,1]表示功率放大效率;为收发链路消耗,和为固定常数值,PBS为每根天线上除了ADC之外的其他功耗,PUE表示每个单天线用户的电路元件功耗,PLP=(B/L)2MKb为线性处理过程的功耗,B为***运行带宽,L为基站端的计算效率,Psite为其他特定功耗;
S14,建立目标函数
考虑限制单个用户的发射功率和数据传输速率,目标函数表述如下:
其中目标函数为最大化***能效,C1、C2为两个约束条件,C1是对发射功率的限制,C2是对用户速率的要求。
作为本发明的优选方案之一,步骤S2具体为:
利用分数规划理论,将式(7)中的目标函数分式形式转化为等价的减式形式:
其中q是一个辅助变量;
使用拉格朗日对偶函数将有约束的凸问题转化为无约束问题:
其中λ=[λ1,λ2,…λK],μ=[μ1,μ2,…μK]为拉格朗日乘子,且λk≥0,μk≥0。
作为本发明的优选方案之一,步骤S3具体为:
利用库恩塔克条件求得最优天线数和最优发射功率的表达式:
采用次梯度算法更新迭代拉格朗日乘子:
其中[x]+=max{0,x},Δλ和Δμ表示迭代步长,基于Dinkelbach算法循环迭代优化b,pk,M。
本发明与现有技术相比,有益效果是:
本发明针对配有低精度ADC的单小区大规模MIMO上行通信***能效为优化目标建立优化模型,通过合理分配天线数、用户发射功率和量化精度使得***能量效率最大化。
通过采用本发明中的动态功率分配方案,可以在满足用户最高发射功率限制和最低数据传输速率的要求下,根据用户信道条件的差异动态分配单个用户的发射功率,并且发明中考虑了量化精度、基站天线数和发射功率的联合优化,可以得到最优量化精度值,使得资源更加合理的分配。研究表明,所提方案可以有效降低基站天线数和用户发射功率,过高或过低的量化精度都会造成能效较低,因此应该采用‘最优’量化精度。相比于以往算法,本发明有效提高了***能效。
附图说明
图1为本发明所述方法主要流程图;
图2为本发明所述方法具体实现步骤示意图。
图3为本发明所适用的低精度ADC大规模MIMO上行***接收模型结构。
图4为本发明方法和等功率分配算法在不同量化精度下能量效率对比的仿真图。
图5为本发明方法和两种量化精度算法在不同用户数下能量效率对比的仿真图。
图6为本发明方法与1bit量化算法、等功率分配算法在不同用户数下的天线数对比的仿真图。
具体实施方式
以下将结合附图和附表对本发明的技术方案作进一步解释说明。
如图1所示,本发明所述基于低精度ADC的大规模MIMO能效优化方法,主要分为以下步骤:
S1,联合优化基站天线数、单用户发射功率和量化精度,并限制单个用户的发射功率和数据传输速率,建立能效优化的目标函数;
S2,根据分数规划理论将分式形式的目标函数转换为等价的减式形式,实现非凸问题到凸问题的转化,并利用拉格朗日函数将有约束的凸优化问题转换为无约束问题;
S3,采用Dinkelbach算法对基站天线数、单用户发射功率和量化精度进行循环迭代优化,达到能效最大化。
如图2所示,具体实现步骤和算法流程如下:
S1:确定***模型并进行问题描述
S11,***模型
考虑配有低精度ADC的单小区大规模MIMO上行通信***,基站配有M根天线并具有完美信道状态信息,服务均匀分布在基站周围的K个单天线用户(M>>K)。采用加性量化噪声模型(AQNM)对量化过程建模,则量化器输出为:
其中P=diag{p1,p2,…,pK}是用户发射功率分配矩阵,G表示基站和用户之间的M×K维信道矩阵,x表示K×1维用户发射信号向量,n~CN(0,I)是加性高斯白噪声向量,nq是与y统计不相关的加性高斯量化噪声向量。α=1-ρ,ρ是信号与量化噪声比的倒数。定义b表示量化精度,当b≤5时ρ对应的值在表1中列出,当b>5时,
b | 1 | 2 | 3 | 4 | 5 |
ρ | 0.3634 | 0.1175 | 0.03454 | 0.009497 | 0.002499 |
表1量化精度b对应的ρ值
S12,上行可达和速率
基站采用最大比合并(MRC)接收,则信号被处理为:
r=GHyq (2)
则第k个用户的接收信号为:
其中,gk是G的第k列向量。式(3)等号右边依次为期望信号、用户间干扰、***噪声干扰、量化噪声干扰。则上行可达和速率表示为:
当信道条件较好时,信干噪比远远大于1,则上行可达和速率可以近似为:
S13,功耗模型
功耗需考虑低精度ADC带来的能量损耗,即建模为:
其中PTX为功率放大消耗,η∈(0,1]表示功率放大效率。为收发链路消耗,和为固定常数值,PBS每根天线上除了ADC之外的其他功耗,如混频器,滤波器等,PUE表示每个单天线用户的电路元件功耗,包括放大器,振荡器,混频器和滤波器等。PLP=(B/L)2MKb为线性处理过程的功耗,B为***运行带宽,L为基站端的计算效率。Psite为其他特定功耗,如回程操作、功率供给等。
S14,目标函数
为了保证用户的通信质量,本发明考虑限制单个用户的发射功率和数据传输速率,因此目标函数可以表述如下:
其中目标函数为最大化***能效,C1、C2为两个约束条件,C1是对发射功率的限制,C2是对用户速率的要求。
S2:目标函数的转化
利用分数规划理论,将式(7)中的目标函数分式形式转化为等价的减式形式:
其中q是一个辅助变量。
式(8)是一个凸优化问题,可以利用凸优化理论求解目标函数的极值问题。使用拉格朗日对偶函数将有约束的凸问题转化为无约束问题:
其中λ=[λ1,λ2,…λK],μ=[μ1,μ2,…μK]为拉格朗日乘子,且λk≥0,μk≥0。
式(9)的对偶问题表示为:
S3:基于动态功率分配的资源分配算法
利用库恩塔克条件(Karush-Kuhn-Tucker Conditions,KKT)条件可求得最优天线数和最优发射功率的表达式:
采用次梯度算法更新迭代拉格朗日乘子:
μ(n+1)=[μ(n)-Δμ(pmax-pk)]+ (14)
其中[x]+=max{0,x},Δλ和Δμ表示迭代步长,基于Dinkelbach算法循环迭代优化b,pk,M。
表2为该发明算法在仿真中所需要的***参数值
表2
由表2可知,本发明算法设置了***参数和算法初始值,针对特定***需求可将参数按要求进行重新设置。
图3为低精度ADC大规模MIMO上行链路***模型。基站通过天线接收用户发送的信息,并对其进行处理,基站的每根天线配有一个低精度ADC。
图4给出了用户数K=10和K=20两种情况下的能效对比。从图中可以看出,随着量化精度的提高,***能效先随之提高,然后逐渐下降。这是由于随着量化精度的提高,***频谱效率也随之提高,当量化精度增大到一定值时,对应的α值趋向于固定值1,其频谱效率将不再提高并逐渐稳定,但是其***功耗还随着量化精度值呈指数型增长,因此***能效开始降低。从图中还可以看出,当用户数相等时,所提算法的能效优于等功率分配算法,并且随着用户数的增加,所提算法的优势更加明显。这是由于当用户数变化时,所提算法中的每个用户分配功率值会随之不断更新,而等功率算法一直均分用户发射功率
图5给出了能效随用户数的变化情况。从图中可以看出,所提算法由于循环迭代量化精度值,确定使得能效最优的精度值约为3~5bit,而1bit或2bit量化虽然可以降低量化功耗,但是需要增加天线数弥补低精度带来的损失,忽略了天线数对能效的影响。而本文通过优化天线数,使得资源更加合理分配。还可以观察到,随着精度的增长能效出现先上升后下降的情况,这正是因为量化精度的增加到一定值时导致频谱效率趋于稳定,而***功耗还在增长。并且高精度性能对硬件要求较高,成本高且复杂度高。
图6给出了天线数随用户数变化情况。从图中看出所提算法的天线数小于等功率分配算法和1bit量化算法,这是由于等功率分配算法没有考虑用户发射功率的更新,而1bit量化算法需要更多的天线数弥补低精度带来的损失,所提算法同时迭代更新了量化精度、天线数、发射功率,选择了中等量化精度值(3~5bit),并更新了基站天线数,从而使得天线数较少。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是对本发明的优选实施例及原理进行了详细说明,对本领域的普通技术人员而言,依据本发明提供的思想,在具体实施方式上会有改变之处,而这些改变也应视为本发明的保护范围。
Claims (4)
1.一种基于低精度ADC的大规模MIMO能效优化方法,其特征在于,包括以下步骤:
S1,联合优化基站天线数、单用户发射功率和量化精度,并限制单个用户的发射功率和数据传输速率,建立能效优化的目标函数;
S2,根据分数规划理论将分式形式的目标函数转换为等价的减式形式,实现非凸问题到凸问题的转化,并利用拉格朗日函数将有约束的凸优化问题转换为无约束问题;
S3,采用Dinkelbach算法对基站天线数、单用户发射功率和量化精度进行循环迭代优化,达到能效最大化。
2.根据权利要求1所述的方法,其特征在于:步骤S1具体为:
S11,采用加性量化噪声模型对量化过程建模:
量化器输出为:
其中P=diag{p1,p2,…,pK}是用户发射功率分配矩阵,G表示基站和用户之间的M×K维信道矩阵,x表示K×1维用户发射信号向量,n~CN(0,I)是加性高斯白噪声向量,nq是与y统计不相关的加性高斯量化噪声向量;α=1-ρ,ρ是信号与量化噪声比的倒数;
S12,计算上行可达和速率
基站采用最大比合并接收,信号被处理为:
r=GHyq (2)
则第k个用户的接收信号为:
其中,gk是G的第k列向量;式(3)等号右边依次为期望信号、用户间干扰、***噪声干扰、量化噪声干扰;
则上行可达和速率表示为:
S13,建立功耗模型
其中,PTX为功率放大消耗,η∈(0,1]表示功率放大效率;为收发链路消耗,θ∈[10-8,10-7]和为固定常数值,PBS为每根天线上除了ADC之外的其他功耗,PUE表示每个单天线用户的电路元件功耗,PLP=(B/L)2MKb为线性处理过程的功耗,B为***运行带宽,L为基站端的计算效率,Psite为其他特定功耗;
S14,建立目标函数
考虑限制单个用户的发射功率和数据传输速率,目标函数表述如下:
其中目标函数为最大化***能效,C1、C2为两个约束条件,C1是对发射功率的限制,C2是对用户速率的要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010111996.9A CN111313946A (zh) | 2020-02-24 | 2020-02-24 | 一种基于低精度adc的大规模mimo能效优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010111996.9A CN111313946A (zh) | 2020-02-24 | 2020-02-24 | 一种基于低精度adc的大规模mimo能效优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111313946A true CN111313946A (zh) | 2020-06-19 |
Family
ID=71147714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010111996.9A Pending CN111313946A (zh) | 2020-02-24 | 2020-02-24 | 一种基于低精度adc的大规模mimo能效优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111313946A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112702094A (zh) * | 2020-12-21 | 2021-04-23 | 杭州电子科技大学 | 基于可调精度adc的大规模mimo***能效优化方法 |
CN113258985A (zh) * | 2021-05-08 | 2021-08-13 | 中国电子科技集团公司第五十四研究所 | 单站多星mimo上注***能效优化方法 |
CN113315552A (zh) * | 2021-05-26 | 2021-08-27 | 西安电子科技大学 | 一种紧致平面天线阵列Massive MIMO***的能效优化方法 |
CN114928852A (zh) * | 2022-05-18 | 2022-08-19 | 东南大学 | 一种eMBB和URLLC切片下的分布式大规模MIMO能效优化方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014060798A1 (en) * | 2012-10-16 | 2014-04-24 | Department of Electronics and Information Technology | AN ENERGY-EFFICIENT FLIPDAC SWITCHING TECHNIQUE FOR CAPACITIVE DAC IN SAR ADCs |
CN107135544A (zh) * | 2017-04-06 | 2017-09-05 | 杭州电子科技大学 | 一种基于干扰动态更新的能效资源分配方法 |
US20180091260A1 (en) * | 2016-09-29 | 2018-03-29 | Futurewei Technologies, Inc. | Adc bit allocation under bit constrained mu-massive mimo systems |
CN108063634A (zh) * | 2018-02-01 | 2018-05-22 | 东南大学 | 一种低精度量化大规模mimo中最优正则预编码方法 |
CN110071747A (zh) * | 2019-03-19 | 2019-07-30 | 江苏大学 | 一种大规模mimo***上行链路低复杂度量化比特选择方法 |
CN110176950A (zh) * | 2019-04-22 | 2019-08-27 | 江苏大学 | 一种低精度adc大规模mimo***上行链路最优量化比特数目计算方法 |
CN110190879A (zh) * | 2019-04-30 | 2019-08-30 | 杭州电子科技大学 | 基于低精度adc大规模mimo***的能效优化方法 |
-
2020
- 2020-02-24 CN CN202010111996.9A patent/CN111313946A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014060798A1 (en) * | 2012-10-16 | 2014-04-24 | Department of Electronics and Information Technology | AN ENERGY-EFFICIENT FLIPDAC SWITCHING TECHNIQUE FOR CAPACITIVE DAC IN SAR ADCs |
US20180091260A1 (en) * | 2016-09-29 | 2018-03-29 | Futurewei Technologies, Inc. | Adc bit allocation under bit constrained mu-massive mimo systems |
CN107135544A (zh) * | 2017-04-06 | 2017-09-05 | 杭州电子科技大学 | 一种基于干扰动态更新的能效资源分配方法 |
CN108063634A (zh) * | 2018-02-01 | 2018-05-22 | 东南大学 | 一种低精度量化大规模mimo中最优正则预编码方法 |
CN110071747A (zh) * | 2019-03-19 | 2019-07-30 | 江苏大学 | 一种大规模mimo***上行链路低复杂度量化比特选择方法 |
CN110176950A (zh) * | 2019-04-22 | 2019-08-27 | 江苏大学 | 一种低精度adc大规模mimo***上行链路最优量化比特数目计算方法 |
CN110190879A (zh) * | 2019-04-30 | 2019-08-30 | 杭州电子科技大学 | 基于低精度adc大规模mimo***的能效优化方法 |
Non-Patent Citations (5)
Title |
---|
JIAYI ZHANG ET AL: "On the Spectral Efficiency of Massive MIMO Systems With Low-Resolution ADCs", 《IEEE COMMUNICATIONS LETTERS》 * |
JIAYI ZHANG ET AL: "Performance Analysis of Mixed-ADC Massive MIMO Systems Over Rician Fading Channel", 《IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS》 * |
LI FAN ET AL: "Uplink Achievable Rate for Massive MIMO Systems With Low-Resolution ADC", 《IEEE COMMUNICATIONS LETTERS》 * |
SOGOL MOSHIRVAZIRI ET AL: "Uplink Spectral and Energy Efficiency Analysis of Low Resolution Quantized-Massive MIMO Systems", 《2019 27TH IRANIAN CONFERENCE ON ELECTRICAL ENGINEERING》 * |
刘云驹: "大规模MIMO信道估计与绿色能效研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112702094A (zh) * | 2020-12-21 | 2021-04-23 | 杭州电子科技大学 | 基于可调精度adc的大规模mimo***能效优化方法 |
CN113258985A (zh) * | 2021-05-08 | 2021-08-13 | 中国电子科技集团公司第五十四研究所 | 单站多星mimo上注***能效优化方法 |
CN113258985B (zh) * | 2021-05-08 | 2023-01-31 | 中国电子科技集团公司第五十四研究所 | 单站多星mimo上注***能效优化方法 |
CN113315552A (zh) * | 2021-05-26 | 2021-08-27 | 西安电子科技大学 | 一种紧致平面天线阵列Massive MIMO***的能效优化方法 |
CN113315552B (zh) * | 2021-05-26 | 2022-02-11 | 西安电子科技大学 | 一种紧致平面天线阵列Massive MIMO***的能效优化方法 |
CN114928852A (zh) * | 2022-05-18 | 2022-08-19 | 东南大学 | 一种eMBB和URLLC切片下的分布式大规模MIMO能效优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111313946A (zh) | 一种基于低精度adc的大规模mimo能效优化方法 | |
CN110190881B (zh) | 权重速率最优的下行mimo-noma功率分配方法 | |
Mei et al. | Joint user pairing and power allocation for downlink non-orthogonal multiple access systems | |
CN109617585A (zh) | 毫米波大规模mimo中基于部分连接的混合预编码方法 | |
CN106549697B (zh) | 协作通信***中联合波束赋形和天线选择的发射方法 | |
CN113179109B (zh) | 一种去蜂窝大规模mimo上行频谱效率优化方法 | |
CN102055563B (zh) | 一种适用于多基站协作的自适应联合线性预编码方法 | |
CN108199793B (zh) | 宽带毫米波***基于时延预补偿的混合预编码方法 | |
CN110299937B (zh) | 一种上行mimo-noma无线通信***波束成形方法 | |
CN106452525B (zh) | 一种大规模MIMO中能量效率、频谱效率和QoS联合优化方法 | |
CN112702094B (zh) | 基于可调精度adc的大规模mimo***能效优化方法 | |
CN108832979B (zh) | 一种信道欠秩时mu-mimo***多目标优化资源分配算法 | |
Tran et al. | Dynamic radio cooperation for downlink cloud-RANs with computing resource sharing | |
CN111431568B (zh) | 一种毫米波noma上行通信***中联合功率分配和波束成形设计方法 | |
Yue et al. | Transceiver design for simultaneous wireless information and power multicast in multi-user mmWave MIMO system | |
CN116760448A (zh) | 一种基于mimo-noma的星地融合网络资源高效分配方法 | |
Asif et al. | Energy Efficiency Trade-off with Spectral Efficiency in MIMO Systems. | |
CN111314932B (zh) | 一种用于多小区***的广义速率分割多址接入方法 | |
Ito et al. | Joint AP on/off and user-centric clustering for energy-efficient cell-free massive MIMO systems | |
CN112564748A (zh) | 一种考虑硬件损伤的mimo异构无线网络波束成形方法 | |
CN108064070B (zh) | 一种用于大规模mimo多小区网络的用户接入方法 | |
CN111740766A (zh) | 一种基于码本的波束设计方法与装置 | |
Tan et al. | Robust energy efficiency maximization in multicast downlink C-RAN | |
CN111277307B (zh) | 一种有限反馈欠秩信道时mu-mimo***的资源分配方法 | |
Hashad et al. | Joint resources allocation of device-to-device communications underlaying cellular networks |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200619 |