5G网络通信大规模天线阵列Massive-MIMO 大规模MIMO（Massive MIMO）是下一代移动蜂窝网通信—５Ｇ中提高系统容量和频谱利用率的关键技术。它最早由美国贝尔实验室研究人员提出，研究发现，当小区的基站天线数目趋于无穷时，加性高斯白噪声和瑞利衰落等负面影响全都可以忽略不计，数据传输速率能得到极大提高。 在大规模MIMO系统中，基站配置大量的天线数目通常有几十、几百甚至几千根，是现有MIMO系统天线数目的1~2个数量级以上，而基站所服务的用户设备（User　Equipment，UE）数目远少于基站天线数目；基站利用同一个时频资源同时服务若干个UE，充分发掘系统的空间自由度。从而增强了基站同时接收和发送多路不同信号的能力，大大提高了频谱利用率、数据传输的稳定性和可靠性。

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。

Matlab code for Massive MIMO precoding.

5G通信系统中massive-MIMO-FBMC技术的结合概述.pdf

Fundamentals of Massive MIMO

大规模MIMO的一些代码，包括误比特率随着接、收天线数的变化，信道估计算法如MMSE，预编码算法ZF等

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

以massive MIMO原理为切入点，详细介绍大规模天线阵列技术原理，结合干扰问题描述波束管理在5G网络下对于干扰的影响。深入波束扫描机制讲解波束管理的过程，梳理波束权值的影响。

5G 基站 Massive MIMO OTA 测试测量技术.pdf

为了提高混合连接的混合预编码的频谱效率，首先利用连续干扰消除（SIC）的原理得到理想条件下的最优混合预编码矩阵，然后利用梯度下降理论将最优混合预编码矩阵分解为数字预编码矩阵和模拟预编码矩阵，最后考虑模拟预编码矩阵的恒模约束条件，并以最大化频谱效率为目标利用交替最小化方法优化模拟和数字预编码矩阵。所提出的混合预编码设计算法基于混合连接结构，因而能量效率远优于部分连接的和全连接的混合预编码。同时，该算法不会增加混合连接的混合预编码的硬件复杂度且只少量增加计算量。仿真结果表明，该算法能提升混合连接的混合预编码的频谱效率，特别是当射频（RF）链路数大于数据流数时，频谱效率的提升更加显著。由于分块不需要满足正交性，该算法比现有混合连接的混合预编码更适合实际应用。