Cell-Free Massive MIMO系统上行合并与下行预编码算法研究

发布时间：2021-09-24 10:47

　　大规模天线系统作为5G核心技术之一在近些年得到了长足的发展,而作为分布式大规模天线系统的一个分支,Cell-Free Massive MIMO系统凭借其独特优势而逐渐成为未来移动通信网络的研究热点之一。其核心思想为使网络中大量分布式无线接入点通过相互协作,在相同的时频资源下为相对较少的用户提供服务,从而得以在避免越区切换的同时对抗阴影衰落并有效抑制干扰。然而这种分布式架构使得各无线接入点到用户间的信道不再满足独立同分布,传统集中式大规模天线系统中的很多上下行链路信号处理方法不再适用,因此上下行链路中信号处理是目前Cell-Free Massive MIMO系统中需要研究的问题之一。本文首先分析了Cell-Free Massive MIMO系统的基本架构,包括其信道模型与传输协议。论述了现有的上行链路接收合并算法与下行链路中的预编码算法,并给出了相应的上行与下行链路频谱效率表达式,分析了现有上行合并算法与下行预编码算法中存在的问题与不足。同时,在不同场景下将Cell-Free Massive MIMO系统与传统的Cellular Massive MIMO系统的上下行频谱效率性能进行了对比... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

二维卷积操作实例下面以如图3-1所示的输入特征图为例，对卷积层中的二维卷积操作进一步地

最大值池化示意

出相应损失，从而对神经网络的训练程度进行监测，防止发生过拟合。如果在训练过程中，训练集与验证集的损失同时下降，则说明神经网络正在向正确的方向逐步收敛，其需要进行进一步的训练；若训练集的损失下降，而验证集的损失在逐步上升，则说明神经网络可能发生了过拟合，需要终止训练或者改变神经网络设计结构从而避免过拟合的发生。因此验证集在神经网络训练中的作用十分重要，方便网络的开发者根据实际情况来适当地改变调整网络训练策略。下面介绍用于进行上行合并矩阵设计的深度卷积神经网络的具体结构与相关参数：图3-6用于上行合并矩阵设计的DCNN结构


本文编号：3407621