WHS-_-2022的博客

工作频率为30-300GHz的毫米波(mm-wave)系统为满足无线网络不断增长的容量需求提供了独特的机会。除了更大的数量级带宽外，毫米波的小波长还可以实现高维多输入多输出(MIMO)操作。然而，当使用传统的MIMO技术时，充分利用毫米波的优势需要过高的收发器复杂性。在本文中，我们提出并分析了几种线性，降低复杂度的多用户MIMO (MU-MIMO)预编码器的容量和。这些预编码器利用波束空间MIMO (B-MIMO)通信的概念——将数据复用到作为近似信道特征函数的正交空间波束上。

从图6b可以看出，随着训练数据数量的增加，我们提出的机器学习框架实现的平均和速率也在增加，并逐渐接近最优穷举搜索的平均和速率。从图6中也可以看出，在更大的训练集下，我们的算法优于[13]中提出的LBA算法，说明我们提出的资源分配机器学习框架优于传统技术。同时，新的特征向量将被采集并临时存储在BS上，然后转发到云端更新数据集，这对于跟踪真实场景的演变非常重要，包括用户行为和无线传播环境。对于每个典型的场景，隐藏的用户行为和无线传播环境的共同特征可能会减少类的数量，这可以被利用来进一步降低分类器的复杂性。

定义1：设UUU为有限的基集，2U2^U2U为UUU的幂集（即U的所有子集的集合，包括空集和UUU本身）。一个集合函数fSf (S)fS，输入为S⊆US⊆US⊆U(即S∈2US∈2^US∈2U），输出为实值，记为f2U→Rf2U→R，可以称其为次模（submodular）如果fSfT≥fS∩TfS∪T(11)fSfT≥fS∩TfS∪T11对于任意的ST⊆US, T⊆U。

基础知识a diagonal matrix 为什么可以引入用来做 column power normalization?对于一个复矩阵，每个元素的模长平方表示该元素的功率。对于一个矩阵 A\mathbf{A}A，每一列的功率可以通过计算该列的模长平方和来得到。因此，如果要进行列功率归一化，需要将每一列的功率都调整为相等，即让每一列的模长平方和相等。为了实现这一目的，可以将每一列的模长平方和作为对角矩阵的对角线元素，将该对角矩阵与原矩阵进行乘法，从而实现列功率归一化。这个对角矩阵被称为缩放矩阵（Sc

从上面两个实例可以看出，旋转缩放前，第一个图的原始向量要比第二个图的原始向量要短，但是做了同样的旋转缩放后，第一个图的结果向量反而比第二个图的结果向量要长，可见，旋转缩放后，会改变向量长度的大小关系，进而影响 Zero Forcing 算法达不到 Maximum Likelihood 算法的效果，即可能找到的不是最优解。那么对公式 (1) 放开条件，让 X 的取值，不仅限于星座图中的值，而是任何值，那么，这个就是 zero forcing(ZF) 算法的出发点，则公式 (1) 就变成。

通信系统MATLAB后处理仿真学习笔记

本篇文章是《通信系统仿真原理与无线应用》这本书的学习笔记，仅作个人学习使用。