基于深度学习的大规模天线阵列混合波束赋形设计

X波段微带余割平方扩展波束天线阵赋形优化遗传算法研究

迫零预编码不适用于3D波束赋形，需要一种新的算法，例如狼群算法，正在探索当中

本文提出了一种节能（EE）协调多点波束成形（CMBF）方法，该方法基于动态发射功率和静态硬件功率将总功耗降至最低，同时保持必要的服务质量（QoS）约束和不同的协调方案。 考虑到大型多输入多输出（MIMO）系统以及CMBF和小型小区部署，我们从能效（EE）的角度推导了两层异构网络（HetNets）中每个参数的最优值。 我们发现，HetNets的EE对协调方案设计，宏小区和小小区基站天线的数量以及QoS约束敏感。 因此，在系统设计中应考虑所有这些因素。 此外，我们提供了令人鼓舞的分析和仿真结果，表明所提出的HetNets通常提供一种解决方案，以相对较低的复杂性CMBF实现最大的EE性能。

基于自适应天线阵理论，研究共形阵的赋形算法，给出一种用于圆柱形阵列天线三维方向图的波束赋形算法。该方法通过迭代获得一组最优阵元激励幅相加权值，可以同时控制阵列波束的方向、形状和副瓣电平。通过圆柱形阵列的仿真计算得到满足设计要求的三维平顶波束和余割波束方向图，证明这种算法的有效性。

Massive MIMO和波束赋形：5G流行词背后的信号处理

人工智人-家居设计-混合遗传算法在智能天线赋形中的应用.pdf

二、改变幅度和相位实现波束赋形 改变激励幅度和相位实现波束赋形与前面仅改变相位实现波束赋形其原理 和方法是相同的，只是激励幅度和相位均为需要确定的量。而且同样可采用“联 合应用 DFP 和 BFGS 公式的变度量算法”。与前面不同的只是目标函数的变量 不同，其变量不仅有激励相位 nα 而且包含激励幅度 nI 。此时的目标函数为 2 0 0 ( ) [| ( ) | | ( ) |] M i i i F S fθ θ = = −∑Iα (4.14) 式中， 0 1 2 1 0 1 2 1( , , , , , , , , , )NI I I I Nα α α α−=Iα − 。采用优化方法使得目标函数最小， 即求 * nI 和 ，使得 *, 0,1,2, ,n nα = −1N N * * * * * * * * * 0 1 2 1 0 1 2 1( ) min ( , , , , , , , , )NF F I I I I α α α α− −=Iα (4.15) 所采用的优化方法需要计算如下梯度向量 0 1 2 2 1( ) ( , , , , )Ng g g g −=g Iα (4.16) 式中 ( ) , 0,1,2, , 1 ( ) , , 1, 2, , 2 n n n N F n N I g F n N N N N α − ∂⎧ = −⎪ ∂⎪ = ⎨ ∂⎪ = + + − ⎪ ∂⎩ Iα Iα 1 (4.17) 剃度向量中的元素包含目标函数 对激励幅度( )F Iα nI 和 nα 的微分。 ■对 nI 的偏导 194

一篇相当不错的描述TD LTE中 beamforming 波束赋形技术的论文。

遗传算法综合赋形波束阵列天线及Matlab程序实现