大规模MIMO系统中基于压缩感知的稀疏信道估计

多媒体应用的快速增长的需求已经破坏了视频传输的改进。 随着多媒体传输的增加，体验质量（QoE）已成为无线网络研究的热点。 提出了一种MIMO-OFDM网络中一种QoE感知资源分配算法。 通过在最小功率的约束下考虑视频传输速率和子载波方案，将功率分配估计公式化为根据QoE最大化。 在本文中，我们将分析从应用层的传输速率到物理层的功率分配的视频传输性能。 从仿真结果可以看出，所提出的子载波分配算法通过最小化具有功率约束的MIMO网络中多用户的总和失真来最大化视频QoE。

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。

针对信道路径数未知的大规模多输入多输出（MIMO，multi-input multi-output）系统，提出一种稀疏度自适应的压缩感知信道估计方法——块稀疏自适应匹配追踪（BSAMP，block sparsity adaptive matching pursuit）算法。利用大规模MIMO系统子信道的联合稀疏性，通过设置阈值及寻找最大后向差分位置对支撑集原子进行快速初步选择，同时考虑了观测矩阵非正交性造成的能量弥散，提高算法的估计性能；通过正则化对原子进行二次筛选，以提高算法的稳定性。仿真表明，该算法能快速、准确地恢复稀疏度未知的大规模MIMO信道信息。

此代码演示了如何将动态多输入多输出 (MIMO) 系统从状态空间形式转换为传递函数形式。 在这里，您可以提供描述系统动态的 A、B、C、D 矩阵（或使用函数 rss() 生成随机系统）。 然后你可以得到 MIMO 系统的传递函数矩阵。 相同的概念可以很容易地应用于 SISO 系统。 请注意，您几乎可以在 matlab 帮助文件中找到大部分信息，但是 ss2tf 函数的描述不是很详细（尤其是 'iu' 的重要性），因此这个例子

大规模mimo系统的干扰抑制合并技术研究.pdf

复合衰落信道下分布式MIMO系统中断概率及信道容量分析_彭文杰

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

基于张量分解的大规模MU-MIMO系统中CSI反馈算法，曾媛，谢东亮，近年来，大规模多用户多输入多输出(Multi Users Multiple Input Multiple Output,MU-MIMO)通过在基站端配置大规模天线阵列，在不增加带宽及功率的��

MIMO技术的基本原理，matlab实现MIMO通信仿真系统设计，绘制误码率曲线；使用瑞利衰落信道和高斯白噪声；加入空时编码（空时块码）；信道编码（格雷码）；对误码率的影响。