【大规模 MIMO 检测】基于ADMM的大型MU-MIMO无穷大范数检测研究附Matlab代码

 ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

🔥 内容介绍

在当今的通信领域中，多用户多输入多输出（MU-MIMO）系统已经成为无线通信网络中的重要组成部分。MU-MIMO技术的出现，使得基站能够同时与多个用户进行通信，从而显著提高了系统的容量和性能。然而，MU-MIMO系统中的无穷大范数检测问题一直是一个具有挑战性的研究方向。

无穷大范数检测是指在MU-MIMO系统中，通过接收到的信号来估计发送信号的无穷大范数。由于MU-MIMO系统中存在多个用户和多个天线，无穷大范数检测问题变得非常复杂。为了解决这个问题，研究者们提出了许多不同的方法和算法。

其中一种被广泛应用的方法是基于交替方向乘子法（ADMM）的无穷大范数检测算法。ADMM是一种迭代算法，通过将原始问题分解为几个子问题来求解。在MU-MIMO系统中，ADMM算法可以将无穷大范数检测问题转化为一个带有约束的凸优化问题，然后通过迭代求解该问题来得到最优解。

ADMM算法的优势在于它具有较好的收敛性和适应性。它可以有效地解决MU-MIMO系统中的无穷大范数检测问题，并且在实际应用中具有较高的性能。此外，ADMM算法还可以与其他优化算法相结合，进一步提高检测性能。

然而，尽管ADMM算法在无穷大范数检测问题中具有很大的潜力，但仍然存在一些挑战和限制。其中一个挑战是算法的复杂性和计算开销。由于MU-MIMO系统中的天线和用户数量通常很大，ADMM算法需要处理大规模的优化问题，这将导致计算复杂度的增加。另外，ADMM算法的收敛速度也可能受到系统参数和信道条件的影响

📣 部分代码

    disp('using default simulation settings and parameters...')        % set default simulation parameters    par.suffix = 'exp'; % simulation name suffix: 'exp' experimental    par.runId = 0; % simulation ID (used to reproduce results)    par.MR = 64; % receive antennas    par.MT = 16; % user terminals (set not larger than MR!)    par.mod = '64QAM'; % modulation type: 'BPSK','QPSK','16QAM','64QAM'    par.simName = ['ERR_' num2str(par.MR) 'x' num2str(par.MT) '_' par.mod '_' par.suffix] ;  % simulation name (used for saving results)    par.trials = 100; % number of Monte-Carlo trials (transmissions)    par.SNRdB_list = 10:2:20; % list of SNR [dB] values to be simulated    par.detector = {'Conjugate-Gradient','Neumann','Gauss-Seidel','OCDBOX','ADMIN'}; % define detector(s) to be simulated    % algorithm specific    par.alg.maxiter = 3;else        disp('use custom simulation settings and parameters...')    par = varargin{1}; % only argument is par structure    end​% -- initialization​% use runId random seed (enables reproducibility)%   rng(par.runId);​% set up Gray-mapped constellation alphabet (according to IEEE 802.11)switch (par.mod)    case 'BPSK'        par.symbols = [ -1 1 ];    case 'QPSK'        par.symbols = [ -1-1i,-1+1i, ...            +1-1i,+1+1i ];    case '16QAM'        par.symbols = [ -3-3i,-3-1i,-3+3i,-3+1i, ...            -1-3i,-1-1i,-1+3i,-1+1i, ...            +3-3i,+3-1i,+3+3i,+3+1i, ...            +1-3i,+1-1i,+1+3i,+1+1i ];    case '64QAM'        par.symbols = [ -7-7i,-7-5i,-7-1i,-7-3i,-7+7i,-7+5i,-7+1i,-7+3i, ...            -5-7i,-5-5i,-5-1i,-5-3i,-5+7i,-5+5i,-5+1i,-5+3i, ...            -1-7i,-1-5i,-1-1i,-1-3i,-1+7i,-1+5i,-1+1i,-1+3i, ...            -3-7i,-3-5i,-3-1i,-3-3i,-3+7i,-3+5i,-3+1i,-3+3i, ...            +7-7i,+7-5i,+7-1i,+7-3i,+7+7i,+7+5i,+7+1i,+7+3i, ...            +5-7i,+5-5i,+5-1i,+5-3i,+5+7i,+5+5i,+5+1i,+5+3i, ...            +1-7i,+1-5i,+1-1i,+1-3i,+1+7i,+1+5i,+1+1i,+1+3i, ...            +3-7i,+3-5i,+3-1i,+3-3i,+3+7i,+3+5i,+3+1i,+3+3i ];        end​% extract average symbol energypar.Es = mean(abs(par.symbols).^2);​% precompute bit labelspar.Q = log2(length(par.symbols)); % number of bits per symbolpar.bits = de2bi(0:length(par.symbols)-1,par.Q,'left-msb');​% track simulation timetime_elapsed = 0;​% -- start simulation​% initialize result arrays (detector x SNR)res.VER = zeros(length(par.detector),length(par.SNRdB_list)); % vector error rateres.SER = zeros(length(par.detector),length(par.SNRdB_list)); % symbol error rateres.BER = zeros(length(par.detector),length(par.SNRdB_list)); % bit error rate​% generate random bit stream (antenna x bit x trial)bits = randi([0 1],par.MT,par.Q,par.trials);​% trials loopticfor t=1:par.trials        % generate transmit symbol    idx = bi2de(bits(:,:,t),'left-msb')+1;    s = par.symbols(idx).';        % generate iid Gaussian channel matrix & noise vector    n = sqrt(0.5)*(randn(par.MR,1)+1i*randn(par.MR,1));    H = sqrt(0.5)*(randn(par.MR,par.MT)+1i*randn(par.MR,par.MT));        % transmit over noiseless channel (will be used later)    x = H*s;        % SNR loop    for k=1:length(par.SNRdB_list)        % Current SNR point in dBs        SNR_dB = par.SNRdB_list(k);        % Linear SNR        SNR_lin = 10.^(SNR_dB./10);                % Variance of complex noise per receive antenna        N0 = par.Es*par.MT/SNR_lin;                % transmit data over noisy channel        y = x+sqrt(N0)*n;                % algorithm loop        for d=1:length(par.detector)            switch (par.detector{d}) % select algorithms                case 'MF' % Matched Filter                    [idxhat,bithat] = MF(par,H,y,N0);                case 'MMSE' % MMSE detector                    [idxhat,bithat] = MMSE(par,H,y,N0);                case 'SIMO' % SIMO lower bound                    [idxhat,bithat] = SIMO(par,H,y,N0,s);                case 'ADMIN' % ADMM-based Infinity Norm detector                    [idxhat,bithat] = ADMIN(par,H,y,N0);                case 'OCDBOX' % co-ordinate descent (optimized) detector                    [idxhat,bithat] = OCDBOX(par,H,y);                case 'Neumann' % coordinate descent                    [idxhat,bithat] = Neumann(par,H,y,N0);                case 'Gauss-Seidel' % Gauss-Seidel detector                    [idxhat,bithat] = Gauss_Seidel(par,H,y,N0);                case 'Conjugate-Gradient' % conjugate gradient detector                    [idxhat,bithat] = CG(par,H,y,N0);                otherwise                    error('par.detector type not defined.')            end                        % -- compute error metrics            err = (idx~=idxhat);            res.VER(d,k) = res.VER(d,k) + any(err);            res.SER(d,k) = res.SER(d,k) + sum(err)/par.MT;            res.BER(d,k) = res.BER(d,k) + sum(sum(bits(:,:,t)~=bithat))/(par.MT*par.Q);                    end % algorithm loop            end % SNR loop        % keep track of simulation time    if toc>10        time=toc;        time_elapsed = time_elapsed + time;        fprintf('estimated remaining simulation time: %3.0f min.\n',time_elapsed*(par.trials/t-1)/60);        tic    end    end % trials loop​

⛳️ 运行结果

🔗 参考文献

S. Shahabddin, M. Juntti and C. Studer, "ADMM-based infinity-norm detector for large-scale MIMO", IEEE International symposium of circuits and systems, Maryland, USA, May 2017.

🎈 部分理论引用网络文献，若有侵权联系博主删除

🎁  关注我领取海量matlab电子书和数学建模资料

👇  私信完整代码和数据获取及论文数模仿真定制

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面

卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合