7、无授权大规模接入算法及云计算与边缘计算对比分析

无授权大规模接入算法及云计算与边缘计算对比分析

1. GLM 与 SIC 算法在 AUD 和 CE 中的应用

1.1 GLM 算法相关

当 rp,b,g,m 不属于量化码本 Cb 时，会导致 Yp,b 的估计不可靠，因为 SS - GAMP 算法的非线性模块是基于量化码本开发的。对于信道估计（CE），可直接将 SS - GAMP 算法的 SLM 模块应用于模型（3.17），把量化误差视为噪声，同时考虑大规模 MIMO 信道的虚拟角域稀疏性。不过，这种角域稀疏性会破坏不同接入点（AP）天线的结构化稀疏性，所以利用图 3.4b 所示的聚类稀疏性来细化稀疏比。具体定义 wp,b,k,m 的邻域为：
[
\hat{N} {p,b,k,m} = {(p - 1, b, k, m), (p + 1, b, k, m), (p, b, k, m - 1), (p, b, k, m + 1)}
]
wp,b,k,m 和 $\hat{N} {p,b,k,m}$ 中的元素往往同时为零或非零，γp,b,k,m 的更新规则为：
[
\gamma_{p,b,k,m}^{q + 1} = \frac{1}{|\hat{N} {p,b,k,m}|} \sum {(o,b,k,u) \in \hat{N} {p,b,k,m}} \theta {o,b,k,u}^{q + 1}
]
需要注意的是，与传统的压缩感知（CS）算法相比，提出的 SS - GAMP 算法在低分辨率量化情况下表现更优。当量化精度足够高，即量化比特数 Q 较大时，量化误差可忽略不计，此时可直接将 SS - GAMP