西电双创周大规模MIMO所用参考书，压缩包里提供了参考书PDF以及完整的参考代码 Massive MIMO Networks:Spectral, Energy, and Hardware Efficiency “Massive MIMO is an essential topic in the field of future cellular networks. I have not seen any other book which can compete at that level of detail and scientific rigor. I liked the didactic style, coming back to root definitions (cellular networks, spectral efficiency, channel models, and so forth) which will be very useful to PhD students and others starting in this area. The models are very well explained and justified as opposed to being imposed out of nowhere. This makes the reading particularly pleasant and rich. Overall, a great tool to researchers and practitioners in the field.”

包含线性信号检测算法MRC,ZF,MMSE和非线性信号检测算法ZF-SIC和MMSE-SIC,亲测可用

MMV-AMP算法 该代码适用于纸张： 和 抽象的 这份由两部分组成的论文考虑了上行链路大规模设备通信场景，其中大量设备连接到基站（BS），但是用户流量是零星的，因此在任何给定的一致性间隔中，只有一部分用户处于活动状态。 目的是量化主动用户检测和信道估计的成本，并表征无授权两阶段接入方案的总体可实现速率，在该方案中，在第一阶段使用导频序列共同执行设备活动检测和信道估计，并且数据是在第二阶段传输。 为了容纳大量同时发送的设备，本文研究了一种渐进体制，其中BS配备了大量天线。 本文第一部分的主要贡献如下。 首先，我们注意到，由于拥有大量潜在的有源设备，但相干时间有限，导频序列不能全部正交。 但是，尽管具有非正交性，但本文显示，在渐近大规模多输入多输出（MIMO）方案中，可以始终通过利用来使丢失的设备检测和用于活动检测的错误警报概率始终为零。利用用户活动模式稀疏性的压缩传感技术。 本文的第二

Direction of Arrival Estimation for Coherently Distributed Sources in 2D Massive MIMO Systems

Robust downlink beamforming for BDMA massive MIMO system

抽象信道估计对于具有混合预编码的毫米波（mmWave）大规模MIMO是具有挑战性的，因为射频（RF）链的数量远小于天线的数量。传统的基于压缩感测的信道估计方案由于信道角度量化而遭受严重的分辨率损失。为了提高信道估计精度，本文提出了一种基于迭代重测（IR）的超分辨率信道估计方案。通过梯度下降法优化目标函数，所提出的方案可以迭代地将估计的到达/离开角度（AoAs / AoD）移向最优解，并最终实现超分辨率信道估计。在优化中，权重参数用于控制稀疏度和数据拟合误差之间的权衡。另外，开发基于奇异值分解（SVD）的预处理以降低所提出的方案的计算复杂度。仿真结果验证了该方案比传统解决方案更好的性能。

在无限个天线的极限情况下， 特别是不相关噪声和快衰落影响的消失，吞吐量和终端个数独立于小区的大小，频谱效率独立于带宽，每比特所需的传输的能量消失。唯一剩下的损害就是由在别的小区重复使用的导频序列而产生的小区间干扰，并不会随着天线数目的无限多而消失。

本书介绍了MIMO系统相关知识，资源内容清晰，适合学习

软件程序按照发射端所掌握的各用户信道状态信息的程度共分为两部分：即完整信道状态信息(CSIT)和部分信道状态信息(CSIP)。其中，每一部分都包括预编码(precoding)和用户调度(scheduling)。 在CSIT中，precoding又按照各用户的数据流数分为单数据流和多数据流两种情况。在每种情况下，首先考察了不同预编码算法的性能表现，包括两种ZF、MMSE、SINR、SLNR。之后又考察了功率分配算法的性能表现（文件名中含有PD表明其含有功率分配的过程）。按照不同指标进行功率分配的，在文件名中进行了区分，如PD_CN代表以信道范数为参考指标进行功率分配。Scheduling部分首先观察了RoundRobin、MaxH和MMSLNR三种算法的性能对比。之后在Kc和Round部分分别观察了不同预选用户数和不同最大替换轮数下MMSLNR算法的表现。 在CSIP中，只对各用户单数据流的情况进行了仿真。采用的预编码算法主要有DSLNR（即直接运用CSIT下的预编码算法）、ESLNR（即对SLNR进行均值计算的，在CSIP中，引入均值计算的与SLNR有关的算法，其文件名中都有modified以示区别）、EMMSE（即陈明老师那边的那篇文章中的预编码算法）。Scheduling中也只是简单的观察了RoundRobin、MaxH、DMMSLNR和EMMSLNR（前者没有均值计算，后者有）的性能对比。 在各部分程序中，main以及mainX（X代表某一数字）是最终的主程序，且各种参数均在主程序的开头部分进行了说明。主程序中，都是按照信号生成，信道生成，调度与预编码，信号接收这样的过程进行的。

Written by pioneers of the concept, this is the first complete guide to the physical and engineering principles of Massive MIMO. Assuming only a basic background in communications and statistical signal processing, it will guide readers through key topics such as propagation models, channel modeling, and multi-cell performance analyses. The authors’ unique capacity-bound approach will enable readers to carry out more effective system performance analysis and develop advanced Massive MIMO techniques and algorithms. Numerous case studies, as well as problem sets and solutions accompanying the book online, will help readers put knowledge into practice and acquire the skillset needed to design and analyze complex wireless communication systems. Whether you are a graduate student, researcher, or industry professional working in the field of wireless communications, this will be an indispensable guide for years to come.