学习mimo的同学可以看看，挺好的一篇介绍massivemimo的文章

关于massive mimo的介绍MASSIVE MIMO An introduction。

In this paper, we address antenna selection (AS)-aided massive multi-user multiple-input-multiple-output (MU-MIMO).system based on maximum signal-to-noise ratio, where imperfect channel state information (CSI), time-varying channel and.antenna spatial correlation are considered. More explicitly, a computationally simple training-based channel estimator (CE) is.firstly employed for obtaining the imperfect down-link CSI. Channel quantization (CQ) is subsequently introduced by the feedback.link whi

Capacity Analysis of NOMA With mmWave Massive MIMO Systems.

本文首先回顾了5G中波形设计方案（主要是FBMC调制）和大规模多天线系 统（即massive MIMO）的现有工作和主要挑战。然后，简要介绍了基于Massive MIMO的FBMC系统中的自均衡性质，该性质可以用于减少系统所需的子载波数 目。同时，FBMC中的盲信道跟踪性质可以用于消除massive MIMO系统中的导频 污染问题。尽管如此，如何将FBMC技术应用于massive MIMO系统中的误码率、 计算复杂度、线性需求等方面仍然不明确，未来更多的研究工作需要在massive MIMO-FBMC方面展开来。

这本书基于两门斯坦福大学计算机科学专业的课程： CS246 和 CS35A。它的受众为计算机专业的本科学生，不需要任何基础（高中数学学好即可）。剑桥大学出版社出版。译本名为《大数据:互联网大规模数据挖掘与分布式处理》。 This book evolved from material developed over several years by Anand Rajaraman and Jeff Ullman for a one-quarter course at Stanford. The course CS345A, titled “Web Mining,” was designed as an advanced graduate course, although it has become accessible and interesting to advanced undergraduates. When Jure Leskovec joined the Stanford faculty, we reorganized the material considerably. He introduced a new course CS224W on network analysis and added material to CS345A, which was renumbered CS246. The three authors also introduced a large-scale data-mining project course, CS341. The book now contains material taught in all three courses.

Massive-MIMO-Hybrid-Beamforming-Matlab-示例：一个简单示例，说明如何在大型MIMO通信系统的发送端采用混合波束成形

详细讲述5G-Massive MIMO关键技术，包括Massive MIMO、波束赋形、波速管理等。

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。