功放非线性失真下毫米波波束赋形技术研究
这是一篇关于毫米波通信,波束赋形,功放非线性失真,深度学习,端到端的论文, 主要内容为毫米波通信旨在利用高频段丰富的频谱资源来实现大带宽高速率数据传输,以有效解决蜂窝网络低频段频谱资源紧张和无线数据业务爆炸性增长的瓶颈问题,因此已成为演进中的5G和未来6G标准中的关键技术之一。然而,相比传统的中低频段,毫米波段呈现了截然不同的信道特性,其中更显著的路径损耗、有限的散射和穿透能力不强等不利因素给毫米波通信系统设计带来了巨大的挑战。为了弥补严重的路径损耗,毫米波通信依赖于大规模天线阵列,实现基于波束赋形的精准定向传输。虽然先前已经有大量的工作针对毫米波波束赋形技术进行了研究,但相关的设计和优化往往基于理想的射频链路硬件能力假设,无法准确地反映实际系统的性能。其中,高频功率放大器的成熟度较低,在工作于饱和区域时容易导致传输信号的非线性放大失真,从而严重影响系统的可达频谱效率和误码性能。因此,迫切需要建模和分析功放的非线性失真对系统性能的影响,并基于相关模型设计高效的失真感知波束赋形优化算法,以提升实际系统的性能。本文针对上述问题开展了以下两个方面的研究。首先,针对基站到多用户的下行链路通信场景,本文对功放的非线性失真对多用户波束赋形的影响进行了建模和分析,并研究了基于非线性失真统计信息的多用户波束赋形优化问题。具体而言,我们利用Bussgang定理建立了非线性失真项的统计特性,分析了失真项在空域分布特性与波束赋形之间的耦合关系。在此基础上,我们研究了考虑非线性失真统计特性的多用户波束赋形优化问题。为了应对建模问题的高度非凸性的挑战,我们提出了一种基于WMMSE(Weighted Minimum Mean Squared Error)的失真感知波束赋形算法,利用WMMSE转化原理和改进的梯度下降法,使得原问题更容易求解,并且收敛到更好的局部最优解。数值仿真结果表明,所提出的波束赋形算法在有效地降低非线性失真对于有用信号的影响的同时,显著提升了系统的频谱效率。其次,本文采用了数据驱动方法,进一步研究了基于深度学习的联合功放非线性补偿和波束赋形优化设计。传统的数字预失真技术通过在每个功放前端配置一个与功放非线性特征相反的预失真模块,从而实现功放非线性的补偿。然而,在毫米波大规模MIMO系统中,采用逐功放的补偿方法会导致硬件成本和复杂度较高,并且依赖于准确的功放模型先验知识。为解决这些问题,我们提出了一种基于集总的补偿模块,实现对多阵列单元中多个功放的非线性联合补偿的解决方案。该方案通过引入发端神经网络来间接学习和补偿功放非线性失真模型,同时完成波束赋形的优化,并通过引入接收端神经网络与发端网络匹配来完成端到端的信号解调。为了使整体网络更快地收敛并取得较好的解,我们考虑了一种两阶段训练方案:在第一阶段,采用MMSE波束赋形作为标签,利用监督学习训练发端神经网络,以获得较好的初始值;在第二阶段,利用自监督学习来联合训练发送网络和解码网络,从而最小化端到端的系统误码率。数值仿真结果验证了所提出的方案的有效性。与现有基于ZF波束赋形和补偿网络分离设计的方案相比,该方案在更低的计算复杂度下,实现了更好的系统误码性能。
深度模型驱动的波束赋形技术研究
这是一篇关于智能反射面,毫米波通信,两阶段波束赋形,模型驱动的论文, 主要内容为数字化时代高速发展的列车,推动着现代无线通信领域的蓬勃发展,复杂化的场景需求与挑战,精细化的技术手段,共同构成了通信技术发展的增长极。高速率数据传输驱动着对毫米波频段的开发与利用,基于大规模天线阵列的波束赋形技术充分激发着毫米波通信系统的传输效率。为了应对信道环境的快速变化,智能反射面(Intelligent Reflecting Surface,IRS)通过智能化改善信道条件,辅助波束赋形,实现增强的数据传输。随着未来通信系统发展呈现复杂化趋势,智能反射面技术蕴藏巨大潜能的同时,也将加剧系统设计与调控难度,带来高昂开销。围绕智能反射面辅助的毫米波通信系统,本文从降低系统开销角度出发,重点研究了两阶段波束赋形方案,并结合深度学习探索了智能通信技术的可行性。传统方案大多依赖于瞬时的信道状态信息(Channel State Information,CSI),但系统阵元增多导致瞬时CSI获取难度激增,且IRS控制链路带来额外延迟,产生高额系统开销。本文采用两阶段波束赋形方案来降低开销,在大时间尺度根据统计CSI设计并固定智能反射面系数,在小时间尺度根据瞬时等效信道完成预编码设计。以最大化各态历经传输速率为目标,构建随机优化问题,并提供统一求解范式。针对两阶段波束赋形方案中高度耦合的非凸问题求解,本文从高效率与高速率两个角度出发设计了相应的准则。为实现极简设计,根据目标函数的近似闭式上界,提出最大化等效信道增益准则,实现极低复杂度的智能反射面辅助波束赋形。为实现逼近容量上限的信息传输,提出深度模型驱动的两阶段神经网络训练方法,建立利用深度学习求解随机优化问题的框架:在大时间尺度基于优化变量搭建深度网络,实现对复杂目标函数的样本平均逼近;在小时间尺度利用分数规划理论驱动深度展开网络的搭建,实现对最优预编码设计过程的拟合。在多用户MISO下行传输场景中,对两阶段网络联合训练,实现逼近性能上界的波束赋形。为研究所提算法在复杂系统中效力,考虑多用户OFDM-MISO宽带传输系统,设置多个智能反射面,采用混合预编码架构。同样采用两阶段波束赋形方案,在大时间尺度设计多个智能发射面的系数与基站模拟预编码,在小时间尺度瞬时调整数字预编码。基于最大化等效信道增益准则,推导了宽带场景中的近似上界并求解。基于深度模型驱动方案,针对OFDM多载波信号搭建了高效率的并行处理网络。仿真结果表明,所提算法为降低复杂通信系统的开销提供了有效解决方案。
深度模型驱动的波束赋形技术研究
这是一篇关于智能反射面,毫米波通信,两阶段波束赋形,模型驱动的论文, 主要内容为数字化时代高速发展的列车,推动着现代无线通信领域的蓬勃发展,复杂化的场景需求与挑战,精细化的技术手段,共同构成了通信技术发展的增长极。高速率数据传输驱动着对毫米波频段的开发与利用,基于大规模天线阵列的波束赋形技术充分激发着毫米波通信系统的传输效率。为了应对信道环境的快速变化,智能反射面(Intelligent Reflecting Surface,IRS)通过智能化改善信道条件,辅助波束赋形,实现增强的数据传输。随着未来通信系统发展呈现复杂化趋势,智能反射面技术蕴藏巨大潜能的同时,也将加剧系统设计与调控难度,带来高昂开销。围绕智能反射面辅助的毫米波通信系统,本文从降低系统开销角度出发,重点研究了两阶段波束赋形方案,并结合深度学习探索了智能通信技术的可行性。传统方案大多依赖于瞬时的信道状态信息(Channel State Information,CSI),但系统阵元增多导致瞬时CSI获取难度激增,且IRS控制链路带来额外延迟,产生高额系统开销。本文采用两阶段波束赋形方案来降低开销,在大时间尺度根据统计CSI设计并固定智能反射面系数,在小时间尺度根据瞬时等效信道完成预编码设计。以最大化各态历经传输速率为目标,构建随机优化问题,并提供统一求解范式。针对两阶段波束赋形方案中高度耦合的非凸问题求解,本文从高效率与高速率两个角度出发设计了相应的准则。为实现极简设计,根据目标函数的近似闭式上界,提出最大化等效信道增益准则,实现极低复杂度的智能反射面辅助波束赋形。为实现逼近容量上限的信息传输,提出深度模型驱动的两阶段神经网络训练方法,建立利用深度学习求解随机优化问题的框架:在大时间尺度基于优化变量搭建深度网络,实现对复杂目标函数的样本平均逼近;在小时间尺度利用分数规划理论驱动深度展开网络的搭建,实现对最优预编码设计过程的拟合。在多用户MISO下行传输场景中,对两阶段网络联合训练,实现逼近性能上界的波束赋形。为研究所提算法在复杂系统中效力,考虑多用户OFDM-MISO宽带传输系统,设置多个智能反射面,采用混合预编码架构。同样采用两阶段波束赋形方案,在大时间尺度设计多个智能发射面的系数与基站模拟预编码,在小时间尺度瞬时调整数字预编码。基于最大化等效信道增益准则,推导了宽带场景中的近似上界并求解。基于深度模型驱动方案,针对OFDM多载波信号搭建了高效率的并行处理网络。仿真结果表明,所提算法为降低复杂通信系统的开销提供了有效解决方案。
低精度量化毫米波大规模MIMO系统的能效分析与优化
这是一篇关于毫米波通信,低精度量化,过采样,能效优化的论文, 主要内容为智能手机、个人电脑等通信设备的大规模普及在推动数字时代全面发展的同时带来急剧增长的数据量,为此,拥有超高速率和超大带宽的毫米波技术应运而生。但是,毫米波波长较短,因此信号传输损耗较大。为此,大规模多输入多输出(Massive Multiple Input Multiple Output,mMIMO)技术被引入可以提供波束赋形增益,与毫米波传输技术相辅相成,共同成为下一代无线通信系统的核心技术。然而,毫米波大规模MIMO通信系统存在功耗大、成本高的问题,限制了该系统的进一步推广。针对上述挑战,本文基于低精度量化与过采样技术研究如何降低毫米波大规模MIMO系统的功耗和成本,并在分析系统频谱效率(Spectrum Efficiency,SE)和能量效率(Energy Efficiency,EE)的基础上进一步设计能效优化方案。首先,本文对引入低精度量化与过采样技术的毫米波大规模MIMO系统的能量效率进行了理论推导和仿真分析。在研究中,首先对基于全数字波束成形(Digital Beamforming,DBF)架构的毫米波过采样上行大规模MIMO系统进行建模,并借助Bussgang分解理论将非线性量化过程近似转换为线性过程,进而沿用低复杂度的线性信号处理算法完成对系统频谱效率和能量效率的理论推导。为便于进行大规模仿真与结果分析,在研究中使用VUE、SpringBoot等框架搭建前后端分离的可视化仿真平台,借助该平台观察系统谱效、能效与基站天线数、量化精度以及过采样率等参数的定量关系。仿真结果表明,低精度量化结合过采样技术能够降低毫米波大规模MIMO通信系统的总功耗,并且过采样还能改善模数转换器(Analog to Digital Converter,ADC)的等效量化精度,最终有效提升整个系统的能量效率。其次,考虑到基站各天线与用户之间的信道状态并不相同,如果基站为所有天线配置固定量化精度的模数转换器,那么通信系统的容量并不能得到充分的发掘。为此,本文利用用户与基站每根天线之间的信道状态信息(Channel State Information,CSI)设计了一种配置精度自适应ADC的全数字波束成形架构(可根据CSI自适应调整每路ADC的量化精度),并进一步基于最小均方量化误差准则提出最终的启发式量化比特分配(Bit-Allocation)算法。该算法有效避免了穷举搜索的复杂性,经过较少次迭代即可获得性能较优的量化比特分配结果。仿真结果表明,使用优化算法之后,系统能效均有不同程度的提升,尤其在大规模天线系统中,能效提升效果更为显著。
基于OFDM通信信号的通感一体化系统多点协同感知性能分析与验证平台开发
这是一篇关于通感一体化,自动驾驶车辆,协同感知,毫米波通信的论文, 主要内容为为克服自动驾驶汽车单车感知能力瓶颈,避免通信、雷达频段潜在的互干扰风险,通感一体化(Joint Communication and Sensing,JCS)作为潜在的第六代无线通信技术之一,可在毫米波频段支持自动驾驶汽车之间实现原始感知数据高效共享,提升单车感知精度,保障自动驾驶场景安全性。本文主要研究基于正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)通信信号的一体化系统多点协同感知系统,分析对比并测试了基于5GNR标准下多种OFDM通信信号的一体化系统感知性能,设计了多一体化节点协同感知算法,并开发了基于通感一体化系统的协同感知平台以验证所提出协同感知架构的有效性。本文的核心贡献可分为以下几点:(1)在现有NR标准下,对基于不同OFDM信号实现的一体化信号,包括通信负载信号(Physical Downlink Shared Channel,PDSCH)和多种参考信号进行了感知性能仿真,特别在硬件平台上针对解调参考信号(Demodulation Reference Signal,DMRS)与PDSCH信号实现了对比测试,结果表明DMRS信号可达到2.5m的定位均方根误差,但相比占用PDSCH信号进行感知数据填充所能达到的0.4m的均方根误差仍存在较大差距。(2)针对自动驾驶场景,基于通感一体化系统设计了多节点联合感知架构,提出了一种基于感知目标原始数据点密度的多一体化系统联合感知算法。进一步基于28 GHz毫米波通信收发机设计并开发了多通感一体化节点协同感知硬件实验平台,采用两套一体化系统对所设计的架构进行了测试验证。测试结果表明,相较于单一体化系统独立感知的性能,在所测试的16个点位上,利用两套—体化实验平台所实现的协同感知系统平均可将定位均方根误差降低31%,最低可以达到0.2m。最后,本文提出了对现有一体化多点协同感知验证平台优化方向的思考以及对于一体化联合组网设计的展望。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计工坊 ，原文地址：https://m.bishedaima.com/lunwen/50117.html
