毫米波大规模MIMO系统中NOMA的容量分析_matlab源码.zip

毫米波大规模MIMO系统中NOMA的容量分析_matlab源码.zip

随着物联网的兴起和移动互联网业务种类的日渐丰富，人们对蜂窝移动通信数据传输速率以及服务质量提出了更高的要求。由于能够充分挖掘空间维的自由度，在提高频谱效率的同时获得较好的功率利用率，大规模MIMO系统引起了国内外的广泛关注。大规模MIMO系统配置的大规模天线阵列在带来性能增益的同时也带来了前所未有的挑战，如大规模天线阵列系统下传输方案的设计、急剧增加的系统硬件复杂度和计算复杂度等。首先对大规模MIMO系统下的几种传输方案，如联合空分复用（JSDM）传输方案和大规模多波束空分多址（MB-SDMA）传输方案进行了概述，简略描述了不同传输方案的原理和传输过程，进一步简要介绍了目前正在构建的大规模MIMO原型验证系统Argos和LuMaMi，并展示了不同原型验证系统的整体架构与组件。

通过相邻天线之间的相互耦合进行大规模MIMO系统的互易性校准

大规模MIMO系统中基于压缩感知的稀疏信道估计

大规模多输入多输出（MIMO），也称为超大型MIMO系统，是5G的一种吸引人的技术，可以提供比4G更高的速率和功率效率。 线性预编码方案能够实现接近最佳的性能，因此比非线性预编码方案更具吸引力。 但是，大规模MIMO系统中的常规线性预编码方案（例如正则归零强制（RZF）预编码）具有接近最佳的性能，但由于需要大尺寸的矩阵求逆，因此具有较高的计算复杂度。 为了解决这个问题，我们利用Cholesky分解和Sherman-Morrison引理，通过在大规模MIMO系统中利用渐近正交信道特性，提出了基于CSM（Cholesky和Sherman-Morrison策略）的预编码方案来进行矩阵求逆。 根据误码率（BER）和平均总和率对结果进行数字评估。 与逆矩阵的Neumann级数逼近相比，得出的结论是，在大规模MIMO配置中，通过较少的运算，基于CSM的预编码的性能优于常规方法。

针对信道路径数未知的大规模多输入多输出（MIMO，multi-input multi-output）系统，提出一种稀疏度自适应的压缩感知信道估计方法——块稀疏自适应匹配追踪（BSAMP，block sparsity adaptive matching pursuit）算法。利用大规模MIMO系统子信道的联合稀疏性，通过设置阈值及寻找最大后向差分位置对支撑集原子进行快速初步选择，同时考虑了观测矩阵非正交性造成的能量弥散，提高算法的估计性能；通过正则化对原子进行二次筛选，以提高算法的稳定性。仿真表明，该算法能快速、准确地恢复稀疏度未知的大规模MIMO信道信息。

大规模mimo系统的干扰抑制合并技术研究.pdf

误码率的matlab代码大规模MIMO预编码 该存储库包含用于仿真Massive MIMO系统的下行链路预编码的MATLAB代码。 我针对使用1位DAC和不完善的CSI的下行链路预编码提出了两种优化方法。 注意：更改参数以使系统符合您的需求。 我一直在玩这些参数。 因此，当前参数设置与样本输出不一致。 需要更多注意的几个参数： Num_BS_Antennas ：基站天线的数量。 Num_UE ：UE的数量，假设每个UE仅有一个天线。 SNR ：我们模拟的SNR范围。 符号：指定到所选调制方案的星座点。 f_dop ：通道的多普勒扩展。 f_symb ：信道矩阵的采样率。 多：附加估计误差对信道估计的权重。 系统型号 图取自Jacobsson S，Durisi G，Coldrey M等。 关键词：大规模MU-MIMO，量化预编码2016年 档案文件 main.m ：健壮的ZF预编码器的入口函数。 main_linear.m ：用于比较三种传统预编码器的入口函数。 Transmit.m ：完整的源数据生成，调制，预编码，传输和检测。 Transmit_linear.m ：与transiti

该存储库的内容与论文和代码“具有两个倾斜的多小区大规模多输入多输出（MIMO）系统的天线倾斜优化”。 推荐引文：'D。 Chu和A. Hu，“具有两个倾斜度的多小区大规模多输入多输出（MIMO）系统的天线倾斜度优化”，Frequenz，vol。 74号2020年9月9-10，第359–368页。