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。”

对于多输入多输出（MIMO）系统，我们可以将其看成是SIMO情况与MISO情况的结合：信号发射与接收时在每个天线上都进行相位调整从而使得通过无线信道后总的信号功率最大。假设发射端有nT个发射天线，接收端有nR，个接收天线，且nT、nR均大于1，在发射端未知信道状态信息的条件下，最好的功率分配策略是在所有发射天线上进行等功率分配，此时 　　可得到非相关平坦衰落条件下MIMO系统的信道容量为 　　式中，γ＝P／σ2为发送端的总功率P与每个接收天线的噪声方差的比值，也就是每根接收天线端的平均信噪比。对于nR×nT矩阵H，秩的最大值为m＝min（nR，nT），也就是说，至多有叨个非零特征值

无线信道中由于存在多径衰落，通信系统的可靠性会因此大大降低。增加收发两端的射频链路能够有效地解决这个问题，但射频链增加的同时又会提高成本。为此，提出一种基于发送端的递增改进算法，在不增加射频链路的前提下，完成对天线性能的鉴别,选择出对系统性能贡献最大的天线。仿真结果表明，该算法可有效地提高系统性能，减少系统检测时延。

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。

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。

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。