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。

matlab代码里面的字母混合预编码MassiveMIMO 该项目包含以下论文的 MATLAB 代码。 如果您觉得有任何帮助，请考虑引用该论文。 L. Liang、W. Xu 和 X. Dong，“大规模多用户 MIMO 系统中的低复杂度混合预编码”，IEEE 无线通信快报，第一卷。 3，没有。 6，第 653-656 页，2014 年 12 月。 请从两个“主要”文件开始：mainCompareScheme_Rayleigh.m 和 mainCompareScheme_mmWave.m。 其他文件包含在两个“主”文件中调用的函数。 请将所有问题/查询发送至 。

是本人在网上通过整理得到的一份有关于多用户MIMO系统预编码技术的研究的资料文档，希望能对大家提供一定的帮助。

预编码技术和信道估计，不错的总结，有提到压缩感知。

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