英语原文共 38 页，剩余内容已隐藏，支付完成后下载完整资料

1. 大规模MIMO预编码技术概述

摘要：规模多输入多输出 (MIMO) 在第五代 (5G) 及之后的 5G 通信系统中发挥着至关重要的作用。不幸的是，当使用大量天线和射频链 (RF) 时，大规模 MIMO 系统的复杂性会大大增加。因此，已经进行了大量的研究工作以找到具有最低复杂度的最佳预编码算法。本文的主要目的是为无线通信的通才提供有关此类预编码算法的见解。本文的附加价值在于为大规模 MIMO 预编码算法的分类提供了易于区分的预编码解决方案类别。本文介绍了从基于近似矩阵求逆方法的预编码器开始的线性预编码算法，例如截断多项式展开 (TPE)、Neumann 级数逼近 (NSA)、牛顿迭代 (NI) 和切比雪夫迭代 (CI) 算法。本文还提出了基于定点迭代的线性预编码算法，如高斯‑赛德尔（GS）算法、连续过松弛（SOR）算法、共轭梯度（CG）算法和雅可比迭代（JI）算法。此外，本文还回顾了基于直接矩阵分解的线性预编码算法，如 QR 分解和 Cholesky 分解（CD）。还介绍了非线性预编码器，包括脏纸编码 (DPC)、Tomlinson‑Harashima (TH)、矢量扰动 (VP) 和格子缩减辅助 (LR) 算法。由于在大规模 MIMO 系统中需要处理具有大量天线的基站 (BS) 的高消耗功率，因此包括一个专门的小节来描述峰均功率比预编码 (PAPR) 的特性算法，例如恒定包络 (CE) 算法、近似消息传递 (AMP) 和量化预编码 (QP) 算法。本文还回顾了机器学习在 预编码技术中的作用。尽管许多预编码技术本质上是针对小规模 MIMO 提出的，但它们已在大规模 MIMO 网络中得到应用。因此，本文介绍了小规模 MIMO 预编码技术在大规模 MIMO 中的应用。本文展示了有前途的多天线技术中的预编码方案，例如无蜂窝大规模 MIMO (CF‑M‑MIMO)、波束空间大规模 MIMO 和智能反射面 (IRS)。提供了关于优缺点、性能复杂性概况和实施可靠性的深入讨论。本文还讨论了信道估计和能量效率。本文还介绍了大规模 MIMO 预编码算法的潜在未来方向。

最近，对更快的互联网访问以及即时访问的需求急剧增加摘要：大规模多输入多输出 (MIMO) 在第五代 (5G) 及之后的 5G 通信系统中发挥着至关重要的作用。不幸的是，当使 用大量天线和射频链 (RF) 时，大规模 MIMO 系统的复杂性会大大增加。因此，已经进行了大量的研究工作以找到具有最低复 杂度的最佳预编码算法。本文的主要目的是为无线通信的通才提供有关此类预编码算法的见解。本文的附加价值在于为大规模 MIMO 预编码算法的分类提供了易于区分的预编码解决方案类别。本文介绍了从基于近似矩阵求逆方法的预编码器开始 的线性预编码算法，例如截断多项式展开 (TPE)、Neumann 级数逼近 (NSA)、牛顿迭代 (NI) 和切比雪夫迭代 (CI) 算法。本文 还提出了基于定点迭代的线性预编码算法，如高斯‑赛德尔（GS）算法、连续过松弛（SOR）算法、共轭梯度（CG）算法和雅可 比迭代（JI）算法。 此外，本文还回顾了基于直接矩阵分解的线性预编码算法，如 QR 分解和 Cholesky 分解（CD）。还介 绍了非线性预编码器，包括脏纸编码 (DPC)、Tomlinson‑Harashima (TH)、矢量扰动 (VP) 和格子缩减辅助 (LR) 算法。由于在大规模 MIMO 系统中需要处理具有大量天线的基站 (BS) 的高消耗功率，因此包括一个专门的小节来描述峰均功率比预编码 (PAPR) 的特性算法，例如恒定包络 (CE) 算法、近似消息传递 (AMP) 和量化预编码 (QP) 算法。本文还回顾了机器学习在 预编码技术中的作用。尽管许多预编码技术本质上是针对小规模 MIMO 提出的，但它们已在大规模 MIMO 网络中得到应用。因此，本文介绍了小规模 MIMO 预编码技术在大规模 MIMO 中的应用。本文展示了有前途的多天线技术中的预编码方案，例 如无蜂窝大规模 MIMO (CF‑M‑MIMO)、波束空间大规模 MIMO 和智能反射面 (IRS)。提供了关于优缺点、性能复杂性概况和实施可靠性的深入讨论。本文还讨论了信道估计和能量效率。本文还介绍了大规模 MIMO 预编码算法的潜在未来方向。多媒体服务 [1]、[2]。例如，智能医疗、智能城市、自动驾驶汽车和智能能源系统的应用已达到阶段，预计到 2025 年底将有近 390 亿台有源设

备 [3]、[4]。图1显示了过去几年活动连接设备数量的显着增长。

图1 无线服务中活跃连接设备总数的全球增长

因此，第五代 (5G) 和 5G 之后的 (B5G) 通信系统在多输入多输出 (MIMO) 方案的背景下采用了新技术。最近，已经进行了显着的研究工 作来开发传统的多天线传输技术，以实现高频谱效率和高链路可靠性[5]，[6]。 5G 中引入了众所周知的组合和有效技术，例如超密集网络 (UDN)、机器对机器 (M2M) 通信、厘米波 (cmWave) 或毫米波 (mmWave)、频谱共享 (SS)、物联网 (IoT) 和大规模 MIMO 智能城市 [7]‑[10]。

毫米波技术对应于 30‑300 GHz 频段，并具有自己的传播特性 [11]、[12]。与传统的 sub‑6 GHz 大规模 MIMO 系统相比，它具有更大 的带宽，但具有额外的路径损耗 [11]。在大规模 MIMO 系统的文献中，有许多研究工作集中在移动宽带类型的大数据包的高速率问题上。另 一个感兴趣的应用是大规模的 M2M 通信，它已成为物联网的主流通信 模型 [13]。

大规模的 M2M 通信在过去几年中得到了迅速部署，并且有大量连 接的机器只是偶尔活跃 [13]‑[15]。此外，在 MIMO 系统的接收器中使用了几种检测方案，其中各种天线传 输多个干扰信号，以分离被噪声和干扰破坏的数据符号 [16]。在大规模 MIMO 中，基站 (BS) 服务于同一频段内的大量单个或少数天线终端 [1]、[17]。传统的 sub‑6 GHz 大规模 MIMO 系统的主要特点是 BS 中的天线数量明显大于每个小区内所有用户终端的天线数量 [16]、[18]。此外，大规模 MIMO 系统中的每个用户设备 (UE) 都有自己的处理单元 来检测数据。在这里，预编码技术的惊人使命似乎是将检测机制从接收端转变为可 以提供大处理能力的发送端[19]，[20]。虽然基站处理能力强、处理能力强，但仍需要寻找复杂度较低的预编码算法。本次调查重点关注大规模 MIMO 概念和适用于 6 GHz 载波频率以 下系统的各种类型的预编码技术。它涵盖了预编码算法中的线性预编码、非线性预编码、峰均功率比预编码（PAPR）和机器学习算法。此外，还将全面描述每种预编码算法的复杂度和实现问题。在过去的几年里，发表了几篇研究论文来解决大规模 MIMO 系统的问题 [16]、[21]‑[30]。考虑到基站的天线数量较多，每个用户设备的处理能力小，导致检测过程难以处理，需要非常大的处理时间。

在 [22] 中，讨论了大规模 MIMO 系统中导频污染和硬件损坏的影响。此外，它还审查了导频污染的潜在原因，例如非互易收发器和硬件损伤。它还根据各种缓解技术将飞行员污染分类为基于飞行员的策略和基于子空间的策略。在 [23] 中，对单小区 (SC) 场景下大规模 MIMO 系统的线性预编码技术进行了全面调查。在和速率和频谱效率方面比较和分析了各种线性预编码技术的性能。在 [24] 中，介绍了对毫米波大规模 MIMO 系统挑战和好处的调查。因为它解决了用户吞吐量、频谱效率和能源效率的提升。它还考虑了调制方案、信号波形、多址技术、用户调度算法、前传设计、天线阵列架构和 预编码算法的影响。尽管如此，得出的结论是，毫米波大规模 MIMO 系统在实际场景和实际应用中的性能仍在深入研究中，直到本片刻。

在 [25] 中，对大规模 MIMO 系统的传播信道进行了广泛研究，并讨论了与传统 MIMO 系统的主要区别。此外，它还回顾了特性、测量和渠道楷模。还介绍和分析了面向大规模 MIMO 系统的少数未来信道模型方向。可以得出结论，传播信道在未来几年仍将是一个开放的研究方向。在 [26] 中，通过采用平均信道状态信息 (CSI)，对数字和模拟波束成形设计的各种实施例进行了全面回顾。混合波束成形设计具有射频（RF）链数量的可行限制。此外，混合波束成形设计有利于降低硬件成本和训练开销。尽管如此，混合波束成形设计被认为是各种应用设计和信道特性中的性能和复杂性之间的权衡。[16] 中的一项调查详细阐明了大规模 MIMO 检测的基本原理，并回 顾了过去 12 年的大规模 MIMO 检测历史。作者在开发最优、接近最优、线性、近似反演的大规模 MIMO 检测算法方面提供了广泛的回顾和里程碑。此外，作者还简要探讨了一些非线性小尺度 MIMO 检测器及其在大规模 MIMO 系统中的适用性。此外，最近在结合机器学习的检测过程 中的改进在 [27] 中，对各种著名的毫米波大规模 MIMO 系统进行了全面回顾，例如多址技术、混合预编码和组合、无细胞大规模 MIMO（CF‑M‑介绍了MIMO）、非正交多址接入（NOMA）和同时无线信息和功率传输（SWIPT）技术。在 [28] 中，提供了大规模 MIMO 定位的简要概述。

在执行大规模 MIMO 系统的定位方面，用户定位方法和细化的信道估计程序已得到改进。在大规模 MIMO 系统中可以使用多个用户的空间特征来满足 5G 技术的需求并指定用户的位置。在 [29] 中，介绍了对上行链路 (UL) 大规模 MIMO 系统中的检测技 术的调查。作者得出结论，UL 大规模 MIMO 系统检测技术的研究工作仍处于早期阶段。未来有很多重大而紧迫的问题需要解决，例如使用深度学习算法进行检测技术，以及寻找合适的检测技术在Hetnets无线通信中工作。[30] 中的作者概述了人工智能 (AI) 的实现，并解决了大规模 MIMO 系统中的几个问题。可以利用人工智能来改善用户体验并有效利用无线电资源。大规模 MIMO 系统中的 BS 需要产生和感知大量数据以进行通信。因此，对可以学习和预测系统要求的新技术的需求已经增加。因此，通过对大规模 MIMO 系统采用有效的 AI 方法，可以提供更高的精度和更低的复杂性。

虽然上述研究论文讨论了大规模 MIMO 系统的许多关键问题，但没有一篇文章广泛地回顾了预编码技术。然而，这些技术中的大多数只关 注线性预编码检测算法。在本文中，介绍了与大规模 MIMO 系统相关的预编码算法的广泛调查。

我们特别关注性能和复杂性的权衡以及通用预编码算法的实际实现。尽管 [21] 中的调查范围很广，但本文的主要重点只是针对不同小区场景的大规模 MIMO 系统中的线性预编码。例如，线性矩阵求逆近似预编码 器和基于定点迭代的线性预编码算法未在[21]中涵盖。此外，[21] 中也没有回顾非线性预编码算法、基于机器学习的预编码器和 PAPR 预编码算法。

据我们所知，这是第一次审查仅考虑大规模 MIMO 系统的大多数类型的预编码算法。在大规模 MIMO 系统的文献中，有大量的预编码算法。本次调查的目标是为 MIMO 通信系统的通才提供有关此类算法的见解。本文还展示了在 B5G 中使用大规模 MIMO，其中有前途的技术正在闪烁，例如 CF‑M MIMO、波束空间大规模 MIMO 和智能反射面 (IRS)。表1将本文与其他先前的相关文章进行了比较。

本文回顾了大规模 MIMO 预编码算法并介绍了它们的性能复杂性概况，以便读者可以发现各种预编码算法之间的差异，并提供更广泛的潜在解决方案。首先深入研究大规模 MIMO 系统的预编码器文献。然后，它介绍了预编码大规模 MIMO 系统的优势和挑战。然后讨论大规模 MIMO 系统中的基本线性预编码器。 本文调查了大规模 MIMO 系统的相应线性预编码解决方案，从具有近似矩阵求逆方法的预编码器开始，例如截断多项式扩展 (TPE) 算法、Neumann 级数逼近 NSA) 算法、牛顿迭代 (NI) 算法和Chebyshev 迭代 (CI) 算法。本文研究了用于大规模 MIMO 系统的基于定点迭代的线性预编码算法，例如 Gauss‑Seidel (GS) 算法、连续过松弛 (SOR) 算法、共轭梯度 (CG) 算法和 Jacobi 迭代(JI) 算法。 本文回顾了基于直接算法‑矩阵分解位置的线性预编码算法，例如QR 分解算法和Cholesky 分解位置(CD) 算法。

表1：先前的相关文章

本文全面研究了非线性预编码器，如脏纸编码（DPC）算法、Tomlinson‑Harashima（TH）算法、向量扰动（VP）算法和格子缩减辅助（LR）算法。因此，由于需要在大规模 MIMO 系统中处理具有大量天线的 BS 的高消耗功率，我们专门用一个小节来描述 PAPR 算法的特性，即恒定包络 (CE) 算法，近似消息传递 (AMP) 算法和量化预编码 (QP) 算法。 本文回顾了有前景的多天线技术中的预编码：CF‑M‑MIMO、波束空间大规模 MIMO 和 IRS。本文回顾了机器学习在预编码算法中的潜力。最后，这项工作还讨论了基于性能复杂性配置文件以及实现可靠性的每个预编码 器的优缺点。第二部分

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[590551]，资料为PDF文档或Word文档，PDF文档可免费转换为Word