关于5G PMI预编码矩阵指示原理的图形化描述，比较形象

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。

基于ZF预编码性能 画出不同准则下误码率和信噪比的曲线

采用Hybris预编码的多用户mmWave-NOMA系统中的能效优化功率分配

基于GMD-DPC/THP的两组Alamouti非线性预编码系统

6.3 基于码本的预编码和基于非码本的预编码 LTE 支持 2 种方式进行下行天线预编码：基于码本的预编码（codebook-based precoding）和基 于非码本的预编码（non-codebook-based precoding）。二者的主要区别在于前者使用小区特定的参 考信号进行信道估计，而后者使用 UE 特定的参考信号进行信号估计。 TM 3/4/5/6 使用基于码本的预编码；TM 7/8/9 使用基于非码本的预编码。 6.3.1 基于码本的预编码 基于码本的预编码使用小区特定的参考信号来进行信道估计，一个小区至多有 4 个小区特定的 参考信号，因此基于码本的预编码支持至多 4 个天线端口，即支持至多 4 层传输。 图 6-4：基于码本的预编码 图 6-4 为基于码本的预编码的基本处理流程。对应 1 个或 2 个 TB 的调制符号首先会通过层映射 映射到 L N 层（见 6.2.3 节），接着层会通过预编码映射到天线端口。 图 6-4 同样指明了对于基于码本的预编码，小区特定的参考信号（CRS）是在预编码之后插入 到对应的天线端口的。因此，UE 必须明确地知道在发送端使用的是哪个预编码矩阵，以便正确地

这是用于毫米波单用户 MIMO 系统的窄带混合预编码算法的实现。 参考文献是OE Ayach、S. Rajagopal、S. Abu-Surra、Z. Pi 和 RW Heath，“毫米波 MIMO 系统中的空间稀疏预编码”，IEEE Trans。 无线通讯，第1卷。 13，第 1499-1513 页，2013 年 3 月。 该代码被上传用于验证目的，如本文所示，绘制了图3和图4所示的单个数据流情况。

基于多用户MIMO系统的下行链路的预编码

上行导频污染是大规模MIMO多小区多用户TDD系统的主要性能瓶颈。本文推导了下行链路中MF、ZF单小区预编码、基于MMSE的多小区预编码以及基于最大化SLNR准则的预编码策略在有导频污染的大规模MI-MO下的系统可达和速率渐近性能,发现当基站天线数趋向无穷时,各个策略的等效信干比均收敛到仅与大尺度衰落因子相关的一个比值,由此可以得到一个系统可达和速率的渐近结果。基于此渐近结果,以最大化系统可达和速率为目标,获得了一个导频调度方案,即使得小区间相互干扰较小的用户采用相同的导频而相互干扰较大的用户采用正交的导频,从而在存在导频污染的情况下,可以提升系统的整体性能。理论分析和数值仿真结果都验证了以上结论。