一种基于ESPRIT的方法，用于大规模MIMO-sy系统中不连续分布的源的2D定位 这是关于“基于ESPRIT的方法在大规模MIMO系统中非相干分布源的二维定位”的论文和代码。 推荐引文：'A。 Hu，T。Lv，H。Gao等，“基于ESPRIT的方法，用于大规模MIMO系统中非相干分布源的二维定位”，IEEE J. Select。 主题信号处理，第一卷。 8号2014年10月，第5页，第996-1011页。”

基于MF预编码的大规模MIMO网络SINR概率密度分析

能量控制问题代码matlab 用于无线供电的无蜂窝大规模MIMO的联合功率控制和LSFD 这是与以下科学文章相关的代码包： ÖzlemTuğfeDemir和EmilBjörnson，“，”《 IEEE Transactions on Wireless Communications》，第1卷。 20号3，pp.1756-1769，2021年3月，doi：10.1109 / TWC.2020.3036281。 该软件包包含一个基于Matlab的仿真环境，该环境可复制本文中的一些数值结果和图形。 我们鼓励您也进行可重复的研究！ 文章摘要 本文考虑了无单元大规模多输入多输出系统中的无线上行链路信息和下行链路功率传输。 单天线用户设备（UE）利用在下行链路中收集的能量向多天线接入点（AP）发送上行链路导频和信息信号。 我们考虑基于线性最小均方误差（LMMSE）或最小二乘（LS）信道估计的Rician衰落和最大比率处理。 我们通过对相干和非相干传输方案使用实用的非线性能量收集电路模型来得出平均收集的能量。 此外，针对所有考虑的方法得出上行链路频谱效率（SE），并在优化变量为AP和UE功率控制系数以

在大规模 MIMO 系统中，将牛顿迭代法用于传统的 WWSE 预编码算法求逆运算，但是其迭代初始值计算复杂。针对这一问题，提出WWSESOR-NT算法。在SOR算法的基础上提出中间算法，然后与牛顿迭代算法相结合，利用中间算法直接对高阶矩阵的逆进行估算，将得到的结果作为牛顿迭代法的迭代初始值以加快收敛速度。仿真结果显示，与传统牛顿迭代法比较，WWSESOR-NT 算法能够以更少的迭代次数和近似相同的复杂度逼近WWSE算法的性能。

针对无线通信网耗能造成二氧化碳排放量和运营成本日益增加的问题，提出了一种下行大规模天线系统能效最优的资源分配算法。算法在基站端采用最大比合并（MRT）预编码的情况下，考虑各用户最小数据速率、最大发射功率和可容忍的干扰水平约束条件下，以最大化系统能效下界为准则建立非凸优化模型。首先采用一种迭代算法确定每个用户的带宽分配；然后根据分数规划的性质，将能效优化问题的分数形式转换为减数形式，进而利用凸优化方法求解基站端最优的发射天线数和发射功率来获得最优能效。仿真结果表明，所提算法能以较小的迭代次数收敛到最大能效值，并且有较好的系统频谱效率性能，同时算法复杂度得到了显著降低。

针对信道条件未知的多小区大规模多输入多输出（MIMO）系统，提出一种对导频序列长度、导频符号功率以及数据符号功率进行联合优化的资源分配算法。采用最大比合并（MRC）接收，考虑电功率和导频污染的影响，并对最大传输功率进行约束从而建立起以能效（EE）最大化为目标的非凸函数模型。根据分数规划的性质，首先将分数形式转化成减式形式，进而分解成一系列凸函数之差（DC）的问题，最后采用交替优化算法联合调整 3 个变量从而达到能效最大化的目标。仿真结果表明，随着最大符号传输功率的增加，所提方案仍然能保持良好系统能效性能。

一种基于Gauss-Seidel迭代的高效大规模MIMO检测算法，张耀月，苗建松，目前大规模多输入多输出（MIMO）系统是5G及未来无线通信中最有前途的技术之一。在大规模MIMO信号检测中需要实现大量的矩阵计算，特�

有意思的matlab代码大规模MIMO可实现最大频谱效率 这是与以下科学文章相关的代码包： EmilBjörnson，Erik G. Larsson，MérouaneDebbah，“，” IEEE Transactions on Wireless Communications，vol。 15号2016年2月，第1293-1308页。 该软件包包含一个基于Matlab的仿真环境，该环境可复制本文中的所有数值结果和图形。 我们鼓励您也进行可重复的研究！ 文章摘要 大规模MIMO是通过在基站部署具有数百或数千个有源元件的天线阵列并执行相干收发器处理来提高蜂窝网络的频谱效率（SE）的一种有前途的技术。 普遍的经验法则是，这些系统的天线M应该比计划的用户K多一个数量级，因为当M / K> 10时，用户的信道可能接近于正交。尚未证明该经验法则实际上使SE最大化。 在本文中，我们分析了计划用户的最佳数量K ^ \ star如何取决于M和其他系统参数。 为此，派生出新的SE表达式，以通过功率控制，任意导频重用和随机用户位置来进行有效的系统级分析。 大M体制中的K ^ star值是以封闭形式导出的，而仿

大规模MIMO系统中基于并行共轭梯度的低复杂度预编码算法。

DL混合预编码器 这是论文的源代码 在本文中，我们提出了一种新颖的神经网络架构，称为自动预编码器，以及一种基于深度学习的方法，该方法可共同感知毫米波（mmWave）通道并仅需几个训练飞行员即可设计出混合预编码矩阵。 更具体地，所提出的模型利用对信道的先前观察来实现两个目标。 首先，它以无监督的方式基于周围环境优化压缩通道感测矢量，以将感测功率集中在最有希望的空间方向上。 这是通过一种新颖的神经网络体系结构实现的，该体系结构考虑了RF链上的约束并将发射机/接收机测量矩阵建模为两个复数值卷积层。 其次，提出的模型学习如何直接从投影的信道向量（接收到的感应向量）构建混合架构的RF波束成形向量。 结合了通道感测和波束预测的自动预编码器神经网络被端到端训练为一个多任务分类问题。 每个任务都是一个多标签分类问题。 下图显示了网络。 要查找有关本文和其他基于深度学习的无线通信工作的更多信息，请访问。