基于改进OMP算法的毫米波大规模MIMO混合预编码设计

针对全连接单用户毫米波大规模MIMO系统,以最大化系统可达和速率为目标,提出一种基于改进的正交匹配追踪（orthogonal matching pursuit,OMP）算法的混合预编码方案。在既有的基于OMP算法的混合预编码基础上,首先,针对其迭代次数过多的问题,受多步长思想的启发,从阵列响应集合中选取与射频链路数目相等的最优的前多列矢量,从而求得模拟预编码矩阵;其次,针对其求逆运算复杂度高的问题,利用Hlder不等式及Schatten范数来逼近待优化的目标函数,从而求得最优的数字预编码矩阵。仿真结果表明,所提基于改进的OMP算法的混合预编码方案有效降低了运算复杂度,且在数据流数目与射频链数目相差较小时,其系统性能更优。     

基于波束选择的5G毫米波通信技术仿真

本文构建了毫米波无线信道仿真模型,探究了基于机器学习的波束选择技术。以系统的总和传输速率为指标,通过毫米波无线信道进行传输,使用MATLAB分别对其进行了仿真,并分析了所提方案的系统性能。仿真结果表明,基于SVM机器学习的波束选择方法就可以提供接近理论的最佳性能,且该算法实现复杂度要比穷举搜索法低几个数量级。     

5G毫米波大规模MIMO阵列失效特性分析

大规模MIMO阵列是第五代移动通信(5G)的关键技术之一.然而,阵列在经历了长时间工作之后,会出现部分通道失效的情况,从而对大规模MIMO阵列的辐射性能造成不同程度的影响.本文针对5G毫米波大规模MIMO阵列中不同数量通道失效以及失效通道处于不同失效状态时的辐射特性进行了系统的仿真与实验研究,并在此基础上对MIMO阵列...     

毫米波大规模MIMO系统中基于PAST算法的低复杂度混合预编码

在毫米波大规模MIMO系统中,一般采用混合模拟和数字预编码替代全数字预编码来减少射频链和能量消耗.然而,在计算最优无约束混合预编码时,奇异值分解(SVD)具有较高的复杂度.因此,提出了一种基于投影近似子空间跟踪(PAST)的低复杂度混合预编码算法.该算法在计算每个子速率的最优无约束混合预编码时,利用PAST算法估计需要的右奇异矩阵部分主要列向量,从而避免了高复杂度的SVD过程.仿真结果表明,不论是在全连接、混合连接还是在子连接系统结构中,该算法在频谱效率上都接近基于SVD的混合预编码,并且随着发送天线数的增加,提出的算法的复杂度和耗时远低于基于SVD的混合预编码.同时该算法的系统误码率较小,具有较好的可靠性.     

毫米波大规模MIMO系统中基于PAST算法的低复杂度混合预编码

在毫米波大规模MIMO系统中,一般采用混合模拟和数字预编码替代全数字预编码来减少射频链和能量消耗.然而,在计算最优无约束混合预编码时,奇异值分解(SVD)具有较高的复杂度.因此,提出了一种基于投影近似子空间跟踪(PAST)的低复杂度混合预编码算法.该算法在计算每个子速率的最优无约束混合预编码时,利用PAST算法估计需要的右奇异矩阵部分主要列向量,从而避免了高复杂度的SVD过程.仿真结果表明,不论是在全连接、混合连接还是在子连接系统结构中,该算法在频谱效率上都接近基于SVD的混合预编码,并且随着发送天线数的增加,提出的算法的复杂度和耗时远低于基于SVD的混合预编码.同时该算法的系统误码率较小,具有较好的可靠性.     

MIMO系统中基于微时隙波束选择的机会波束形成性能仿真

文章研究了可以获得MIMO系统慢衰落信道中下行链路多用户分集增益和复用增益的机会波束形成（OBF）技术,并将其扩展到接收端多天线的情况下,发射端采用基于微时隙的波束选择技术进一步提高系统容量。每个微时隙基站利用随机产生的酉矩阵将M个数据子流承载在M个随机波束上进行发送,根据每个用户的反馈信干噪比机会地决定接收用户。最后系统选择使其容量最大的正交酉矩阵发送数据,并用注水算法进行功率分配进一步提高系统吞吐量。文中提出方法的优点在于,在接收端多天线的情况下系统通过波束选择技术进一步提高系统吞吐量。     

大规模MIMO系统中范数双向选择算法

为了保证大规模M IM O系统性能,针对系统所使用天线选择算法复杂度过高的问题,基于信道容量最大化准则对天线选择算法进行改进,提出了适用于大规模M IM O系统的最大欧式范数双向选择算法.该算法通过计算信道矩阵的欧式范数来判断每根天线对容量贡献的权重,从空集和全集两个方面从天线集中选择天线.通过仿真实验验证了最大欧式范数双向选择算法能够降低算法复杂度,在不同选择天线数和信噪比环境下保持较优信道容量,能够满足复杂的传播环境,更适合应用于实际的通信系统.     

一种基于联合加权和截断的毫米波大规模MIMO信道估计

提出一种联合加权和截断核范数的毫米波大规模多输入多输出（MIMO）信道估计算法。针对毫米波大规模MIMO信道估计问题中训练和反馈开销大的问题,首先利用毫米波信道天线角度域稀疏的特性,把信道估计问题转化为低秩矩阵恢复问题。采用一种有效而灵活的秩函数——联合加权截断核范数作为核范数的松弛,构造出一种新的矩阵恢复模型用于信道估计问题,以最小化加权截断核范数为优化目标,并利用交替优化框架求解。仿真结果表明,该方法可以有效地提高信道估计的精度,并且具有可靠的收敛性。     

基于改进布谷鸟搜索算法的配电网重构

针对布谷鸟算法后期搜索速度慢、精度不高等缺点,提出了一种基于自适应值的布谷鸟优化算法,将粒子群算法的学习因子融入标准CS算法中,通过引入群体信息共享和个体经验思想,提出自适应步长及发现概率的双重改进.最后对IEEE33节点配电系统进行仿真,结果显示,所提算法在求解配电网重构问题方面不仅能快速收敛,且全局寻优能力也更加优秀.     

A Cuckoo Search Detector Generation-based Negative Selection Algorithm

The negative selection algorithm (NSA) is an adaptive technique inspired by how the biological immune system discriminates the self from non-self. It asserts itself as one of the most important algorithms of the artificial immune system. A key element of the NSA is its great dependency on the random detectors in monitoring for any abnormalities. However, these detectors have limited performance. Redundant detectors are generated, leading to difficulties for detectors to effectively occupy the non-self space. To alleviate this problem, we propose the nature-inspired metaheuristic cuckoo search (CS), a stochastic global search algorithm, which improves the random generation of detectors in the NSA. Inbuilt characteristics such as mutation, crossover, and selection operators make the CS attain global convergence. With the use of Lévy flight and a distance measure, efficient detectors are produced. Experimental results show that integrating CS into the negative selection algorithm elevated the detection performance of the NSA, with an average increase of 3.52% detection rate on the tested datasets. The proposed method shows superiority over other models, and detection rates of 98% and 99.29% on Fisher’s IRIS and Breast Cancer datasets, respectively. Thus, the generation of highest detection rates and lowest false alarm rates can be achieved.     

改进布谷鸟搜索算法求解批量流水线调度问题

针对以最大完工时间为目标的批量流水线调度问题,提出一种改进的布谷鸟搜索算法．该算法采用排序规则的编码方式,将连续个体值的布谷鸟搜索算法直接应用于离散的调度问题．其次,在布谷鸟搜索算法的基础上,一个简单而有效的局部搜索用于批量流水线调度问题的探索．仿真实验表明所提出算法的可行性和有效性．     

无人机协助的多用户MIMO毫米波网络混合预编码方案

针对无人机(UAV)协助的毫米波网络下行链路多用户通信场景,设计一种混合预编码方案.在发射端和接收端分别使用混合预编码器和模拟合并器,并将多元联合优化问题分解为子问题进行求解.构建UAV与地面用户的三维位置模型,利用带外位置信息对波束导向向量进行优化,进而通过码本生成模拟预编码器和模拟合并器.以最小化接收数据和发送数据...     

大规模MIMO通信中基于Jacobi预迭代的改进Gauss-Seide算法

在大规模MIMO系统中,现有的高斯-赛德尔（Gauss-Seide,GS）算法相较于最小均方误差（Minimum mean-square error,MMSE）算法,GS的复杂度较低,但其检测性能相比而言较差。本文提出一种适用于大规模MIMO系统上行链路检测的基于雅克比预迭代改进的高斯-赛德尔（Jacobi-improved Gauss-Seide,JA-IGS）检测算法,该算法首先通过引入雅可比（Jacobi,JA）预迭代器来优化迭代初始解,然后对传统的GS进行线性优化,在增加较低复杂度情况下,检测性能和收敛速度有明显提升。仿真结果表明,与传统GS和JA检测算法相比,该算法具有较低的误码率（Bit error ratio,BER）和较高的计算效率。     

求解函数优化问题的改进布谷鸟搜索算法

在工程优化中,大多问题是连续优化问题,即函数优化问题。针对布谷鸟算法求解函数优化问题时存在的收敛速度慢、求解精度不高和易陷入局部最优等问题,文中提出非线性惯性权重对数递减和随机调整发现概率的布谷鸟搜索算法(Cuc-koo Search Algorithm with Logarithmic Decline of Nonlinear Inertial Weights and Random Adjustment Discovery Probability,DWCS)。首先,在布谷鸟寻窝的路径和位置更新公式中,设计一种随进化迭代次数非线性递减的惯性权重来改进鸟巢位置的更新方式,以协调布谷鸟算法的探索和开发能力;其次,引入随机调整发现概率代替固定值发现概率,使较大和较小的发现概率随机出现,从而有利于平衡算法的全局探索和局部开发能力,加快算法收敛速度,增加种群多样性;最后,分析对数递减参数和随机调整发现概率,选取对数递减最佳参数组合和随机调整发现概率的最佳取值范围,此时,函数的优化效果最好。与BA,CS,PSO,ICS算法相比,所提算法极大地提高了寻优精度,显著地减少了迭代次数,有效地提高了收敛速度和鲁棒性。在16个测试函数中,DWCS均能收敛到全局最优解,证明了DWCS在求解连续复杂函数优化问题上具有较强的竞争力。     

带外部存档的正交交叉布谷鸟搜索算法

布谷鸟搜索算法是一种新兴的仿生优化技术,其迭代使用Lévy flights随机走动和Biased随机走动搜索新的个体.在Biased随机走动中,随机交叉搜索方式具有一定的盲目或无效率,这将可能削弱布谷鸟搜索算法的搜索能力.为了改善布谷鸟搜索算法的搜索能力,提出带外部存档的正交交叉布谷鸟搜索算法(orthogonal crossover cuckoo search algorithm with external archive, OXCS).正交交叉被嵌入于Biased随机走动中以提高交叉搜索的效率.外部存档维护一定时期内的种群历史信息,并为正交交叉操作提供一个父本.实验结果说明提出的策略能够有效地改善布谷鸟搜索算法的搜索能力,并提高求解连续函数优化问题的收敛速度和解的质量.     

求解广义优先关系下多技能人员项目调度问题的改进布谷鸟搜索算法

为解决传统的完成-开始时序不能满足描述真实项目调度顺序要求的问题,引入广义优先关系(GPRs)及改进的AON描述任务的时序约束。提出将布谷鸟搜索算法应用于求解广义优先关系下的多技能人力资源项目调度问题(MS-RCPSP/GPRs)中的构想,建立了基于改进布谷鸟搜索算法(ICS)的求解方法,采用Powell局部改进技术和精英保留策略,并给出了算法流程。基于相关案例生成器生成该问题的数据集,实验结果表明ICS是一种求解MS-RCPSP/GPRs的有效方法,对解决实际问题具有重要意义。     

大规模MIMO加权正交匹配追踪信道估计算法

针对大规模多输入多输出系统基站天线数目众多,移动用户很难实时精确完成信道估计等问题。提出了一种加权的正交匹配追踪算法。该算法在每次迭代过程中,计算得到的估计信号值由当前残差信号估计值和迭代之前估计值两部分组合而成;分别对当前残差信号估计值和迭代之前估计值设置不同的权值,以提高信号在低信噪比情况下的估值精度;通过调整不同迭代次数权值大小,可以提升信号在不同信噪比情况下的计算精度。仿真结果表明,在不同的信噪比情况下,该算法都可以获得比标准正交匹配追踪算法更高的估计精度。     

基于SAOR的Massive MIMO系统信号检测算法

大规模多输入多输出(Massive multiple input multiple output, Massive MIMO)系统采用最小均方误差(Minimum mean square error, MMSE)接收检测方法时存在矩阵求逆复杂度高的问题，已有较多降低复杂度的研究。在降低检测算法复杂度的同时，如何提高算法收敛速度和检测性能一直是人们关注的焦点。本文将对称加速超松弛(Symmetric accelerated over-relaxation， SAOR)迭代算法应用于Massive MIMO系统信号检测中，避免了复杂的矩阵求逆计算，实现了复杂度较最小均方误差算法降低了一个数量级。仿真结果表明，基于SAOR的检测方法通过较少的迭代次数就能逼近最小均方误差（Minimum mean square error, MMSE）算法的检测性能，为Massive MIMO系统中接收信号的快速检测提供了较好的实现方法。     

基于改进粒子群算法的毫米波大规模MIMO混合预编码方案

针对毫米波大规模多输入多输出（MIMO）系统中基于传统粒子群优化（PSO）算法的混合预编码方案,在迭代后期收敛速度较慢以及容易陷入局部最优值的问题,提出了一种基于改进PSO算法的混合预编码方案。首先,随机初始化粒子的位置矢量和速度矢量,并以最大化系统和速率为目标求解初始群体最优位置矢量;其次,更新位置矢量和速度矢量,并随机地选择更新后的两个粒子的个体历史最优位置矢量进行加权求和作为新的个体历史最优位置矢量,从中挑选出若干个使系统和速率最大的粒子,将其个体历史最优位置矢量的加权平均值作为新的群体最优位置矢量,并与之前的群体最优位置矢量比较,经过多次迭代形成最终的群体最优位置矢量即为所求的最佳混合预编码矢量,并对其进行归一化;最后,根据归一化后的混合预编码矢量设计最终的模拟预编码矩阵和数字预编码矩阵。仿真结果表明,与基于传统PSO算法的混合预编码方案相比,所提改进方案在收敛速度与和速率上都得到优化;其收敛速度提高约100%,且性能可以达到全数字预编码方案的90%,因此,该改进方案能够有效提升系统性能且加快收敛。