目标定位是具有众多应用的多输入多输出（MIMO）雷达系统的一项基本任务。 在本文中，我们研究了带有电磁矢量传感器（EMVS）的双基地MIMO雷达中的定位问题。 与传统的定标器传感器不同，EMVS能够提供二维（2D）方向搜索，并且可以提供光源的附加偏振特性。 因此，双基地EMVS-MIMO雷达系统中的目标定位涉及2D离开方向（2D-DOD）和2D到达方向（2D-DOA）估计。 此外，我们可以获得目标的发射偏振特性以及偏振特性。 为了利用匹配滤波器之后的阵列测量的张量性质，开发了张量子空间算法，该算法通过叉积技术从张量子空间估计目标参数。 所提出的算法获得了用于参数估计的封闭形式的解决方案，与现有算法相比，它表现出更准确的性能。 数值仿真验证了所提算法的有效性和改进性。

提出了一种在互耦条件下基于酉张量分解的多输入多输出（MIMO）雷达非圆目标稳健的角度估计算法。所提算法首先在张量域利用互耦系数矩阵的带状对称Toeplitz结构来消除未知互耦的影响，然后通过构造一个特殊的增广张量捕获非圆信号的非圆特性与其固有的多维结构特性，并利用增广张量的 centro-Hermitian 特性通过酉变换转化为实值张量，最后利用高阶奇异值分解（HOSVD）获得信号子空间，结合实值子空间技术获得目标的离开方向（DoD）和到达方向（DoA）估计。由于同时利用信号的非圆结构与多维结构特性，所提算法具有比现有的子空间算法更准确的角度估计性能，同时所提算法只需要实值运算，具有较低的运算复杂度。仿真结果表明，所提算法具有有效性与优越性。

在发射器和接收器处采用多个天线将探索额外的空间资源，以利用空分多址（SDMA）技术在系统吞吐量中提供可观的收益。 最佳多用户MIMO线性预编码被认为是多用户MIMO研究领域的关键问题。 在这种多用户系统中的挑战是设计预编码向量以最大化系统容量。 提出了一种基于粒子群算法的带LMMSE检测的最优多用户MIMO线性预编码方案。 所提出的方案旨在通过线性预编码和线性检测来最大化多用户MIMO系统的系统容量。 本文探讨了一种简化的函数来解决最优问题。 采用粒子群优化算法，可以根据简化函数容易地找到最优线性预编码向量。 与基于信道块对角化方法的多用户MIMO线性预编码方案相比，该方案提供了显着的性能改进。

毕设课设_基于MATLAB对MIMO通信系统中的3大部分：空时编码、系统容量、信道估计的仿真分析源码 ----- 毕业设计，课程设计，项目源码均经过助教老师测试，运行无误，欢迎下载交流 ----- 下载后请首先打开README.md文件（如有），某些链接可能需要魔法打开。 ----- 毕业设计，课程设计，项目源码均经过助教老师测试，运行无误，欢迎下载交流 ----- 下载后请首先打开README.md文件（如有），某些链接可能需要魔法打开。

我们提出了一种用于多用户多输入多输出（MIMO）多流下行链路传输的系统，该系统在发射机处采用基于协方差的线性预编码器，在每个接收机处采用最小均方误差（MMSE）均衡器。 用户设备的天线被布置为接收绑定到该用户的不同流。 此外，允许这些接收不同流的天线通过联合均衡器彼此协作，从而导致多用户MIMO多流传输链路。 根据协方差信道状态信息（CSI）为每个流设计预编码器。 数值分析表明了该系统的可行性和实用性。 利用所提出的方法，可以将用于多用户多输入单输出（MISO）单流传输的基于协方差的预编码概念有效地扩展到多用户MIMO多流传输链路。

480 Gbps光通信系统：一种数字仿真平台，可使用部署在光网络中的不同先进技术（包括MIMO均衡技术）来评估480 Gbs光相干通信系统的性能

大规模多输入多输出（MIMO）是第五代无线通信系统的一项关键技术。 联合空间划分和复用（JSDM）方法可以降低频分双工（FDD）系统CSIT的下行链路训练和反馈成本。 本文研究了基于JSDM的用户分组和用户调度问题，提出了一种复杂度较低的改进贪婪用户调度算法。 数值结果表明，基于改进算法的用户分组和调度具有较低的计算复杂度，而对系统性能的影响却很小。

MIMO和智能天线技术结合的关键是如何能在同一个系统中同时采用两种技术。MIMO和智能天线技术共存的主要障碍是天线结构：智能天线要求天线间距取1/2波长，并且用于SIMO和 MISO系统；而MIMO要求天线间距为数个波长，并且只用于MIMO系统。本文给出的方案很好地解决了这个问题。在该方案中，发送端和接收端可以是移动台或者基站，即MIMO和智能天线技术的结合在移动台和基站都可以使用。这种方案方法巧妙，可行性强，充分结合了MIMO和智能天线技术的优点，能够大大提高4G系统的性能，对实际运用有一定的指导作用。

AMP-SBL Unfolding for Wideband MmWave Massive MIMO Channel Estimation 宽带毫米波大规模MIMO信道估计，用的是AMP-SBL方法，含文献及Python代码

用于OFDM注水功率分配，以及MIMO-ofdm算法等