基于改进粒子群算法的毫米波大规模MIMO混合预编码方案

doi:10.11772/j.issn.1001-9081.2017123026

计算机应用››2018，第38卷››发行（8）: 2365-2369.内政部：10.11772/j.issn.1001-9081.2017123026

•网站信息• （一）下一篇

基于改进粒子群算法的毫米波大规模MIMO公司混合预编码方案

李人敏，黄劲松，陈琛，吴君钦

江西理工大学信息工程学院, 江西赣州 341000

收稿日期:2017-12-25 收益率：2018-02-11 出版日期:2018-08-10 日本：2018-08-11
通讯作者:李人敏
作者简介:李人敏(1994-),男,江西吉安人,硕士研究生,主要研究方向:大规模多输入多输出技术;黄劲松(1977-),男,湖北大冶人,副教授,博士,主要研究方向:量子通信、光波导器件设计;陈琛(1998-),男,湖南岳阳人,主要研究方向:宽带通信;吴君钦（1966年-），男,江西赣州人,教授,硕士,主要研究方向:宽带通信、信号与信息处理。
基金资助:
国家自然科学基金应急管理项目（61741109）

mmWave大规模MIMO系统中基于改进粒子群优化算法的混合预编码方案

李人民，黄劲松，陈晨，吴俊钦

江西科技大学信息工程学院，江西赣州341000

收到：2017-12-25 修订过的：2018-02-11 在线：2018-08-10 出版：2018-08-11
支持单位：
这项工作得到了国家自然科学基金应急管理项目（61741109）的部分支持。

摘要/摘要

摘要：针对毫米波大规模多输入多输出（MIMO）系统中基于传统粒子群优化（PSO）算法的混合预编码方案，在迭代后期收敛速度较慢以及容易陷入局部最优值的问题，提出了一种基于改进PSO公司算法的混合预编码方案。首先，随机初始化粒子的位置矢量和速度矢量，并以最大化系统和速率为目标求解初始群体最优位置矢量；其次，更新位置矢量和速度矢量，并随机地选择更新后的两个粒子的个体历史最优位置矢量进行加权求和作为新的个体历史最优位置矢量，从中挑选出若干个使系统和速率最大的粒子，将其个体历史最优位置矢量的加权平均值作为新的群体最优位置矢量，并与之前的群体最优位置矢量比较，经过多次迭代形成最终的群体最优位置矢量即为所求的最佳混合预编码矢量，并对其进行归一化；最后，根据归一化后的混合预编码矢量设计最终的模拟预编码矩阵和数字预编码矩阵。仿真结果表明，与基于传统PSO公司算法的混合预编码方案相比，所提改进方案在收敛速度与和速率上都得到优化；其收敛速度提高约100%，且性能可以达到全数字预编码方案的90%，因此，该改进方案能够有效提升系统性能且加快收敛。

关于： 毫米波, 大规模多输入多输出技术, 混合预编码, 收敛速度, 和速率

摘要：针对毫米波（mmWave）大规模多输入多输出（MIMO）系统中基于传统粒子群优化（PSO）算法的混合预编码方案收敛速度慢，且在后续迭代中容易陷入局部最优值的问题，提出了一种基于改进PSO算法的混合预编码方案。首先，对粒子的位置矢量和速度矢量进行随机初始化，通过最大化系统和速率得到初始群最优位置矢量。其次，对位置向量和速度向量进行更新，并随机选取两个更新后粒子的个体历史基准位置向量，得到其加权和作为新的个体历史基础位置向量，然后选取系统和率最大的粒子。将这些粒子的个体历史位置向量的加权平均值作为新的群体最优位置向量，并与前一个进行了比较。经过多次迭代，形成了最终的群最优位置向量，即所需的最佳混合预编码向量。仿真结果表明，与基于传统PSO算法的混合预编码方案相比，该方案在收敛速度和和速率方面都得到了优化。该方案的收敛速度提高了100%，性能可以达到全数字预编码方案的90%。因此，所提出的方案可以有效地提高系统性能并加速收敛。

关键词： 毫米波（毫米波），大规模多输入多输出（MIMO）技术，混合预编码，收敛速度，总和比率

中图分类号:

TN928型

李人敏, 黄劲松, 陈琛, 吴君钦. 基于改进粒子群算法的毫米波大规模MIMO公司混合预编码方案[J] ●●●●。计算机应用, 2018, 38(8): 2365-2369.

李人民、黄劲松、陈晨、吴俊琴。mmWave大规模MIMO系统中基于改进粒子群优化算法的混合预编码方案[J]。计算机应用杂志，2018，38（8）：2365-2369。

参考文献

[1] 刘紫燕,唐虎,刘世美.基于压缩感知的多小区MASSIVE MIMO信息，2017,37（9）：2474-2478
[2] RUSEK F，PERSSON D，LAU B K，等。放大MIMO：超大阵列的机遇与挑战[J]。IEEE信号处理杂志，2013，30（1）：40-60。
[3] 张中山,王兴,张成勇,等.大规模MIMO公司关键技术及应用[J] ●●●●。中国科学:信息科学,2015,45（9）：1095-1110
[4] DAI L，GAO X，QUAN J，等.下行链路mmWave大规模MIMO系统的近最优混合模拟和数字预编码[C]//2015 IEEE国际通信会议论文集。新泽西州皮斯卡塔韦：IEEE，2015:1334-1339。
[5] 韩仕，林立中，徐志，等.毫米波5G模拟和数字混合波束形成大尺度天线系统[J]。IEEE通信杂志，2015，53（1）：186-194。
[6] 阿亚奇·欧E，RAJAGOPAL S，SURRA S A，等.毫米波MIMO系统中的空间稀疏预编码[J]。IEEE无线通信汇刊，2014，13（3）：1499-1513。
[7] LEE Y Y，WANG C H，HUANG Y H。一种用于毫米波MIMO系统的基于并行感应选择矩阵-逐通反向同步正交匹配追踪的混合射频/基带预编码处理器[J]。IEEE信号处理汇刊，2015，63（2）：305-317。
[8] CHEN C E.一种用于毫米波MIMO系统的迭代混合收发信机设计算法[J]。IEEE无线通信快报，2015，4（3）：285-288。
[9] ROH W，SEOL J Y，PARK J，等。毫米波波束形成作为5G蜂窝通信的使能技术：理论可行性和原型结果[J]。IEEE通信杂志，2014，52（2）：106-113。
[10] KIM T，PARK J，SEOL J Y等。毫米波波束成形系统对下一代通信的数十Gbps支持[C]//2013年IEEE全球通信大会论文集。新泽西州皮斯卡塔韦：IEEE，2013:3685-3690。
[11] KIM C，SON J S，KIM T，et al.关于mmWave MIMO-OFDM系统中共享阵列天线的混合波束形成[C]//2014年无线通信与网络会议论文集。新泽西州皮斯卡塔韦：IEEE，2014:335-340。
[12] ALLUHAIBI O，AHMED Q Z，WANG J，等.毫米波系统的混合数字-模拟预编码设计[C]//2017 IEEE国际通信会议论文集。新泽西州皮斯卡塔韦：IEEE，2017:1-6。
[13] SINGH J，RAMAKRISHNA S.关于多天线阵列毫米波系统中基于码本的波束形成的可行性[J]。IEEE无线通信汇刊，2015，14（5）：2670-2683。
[14] GAO X，DAI L，HAN S，等.大型天线阵毫米波MIMO系统的高效混合模拟和数字预编码[J]。IEEE通讯选定领域杂志，2016，34（4）：998-1009。
[15] PI Z，KHAN F.毫米波移动宽带系统简介[J]。IEEE通信杂志，2011，49（6）：101-107。
[16] RAGHAVAN V，SAYEED A M.稀疏MIMO信道的次线性容量定标律[J]。IEEE信息理论汇刊，2011，57（1）：345-364。
[17] ALKHATEEB A，AYACH O E，LEUS G等。毫米波蜂窝系统的信道估计和混合预编码[J]。IEEE信号处理选定主题杂志，2014，8（5）：831-846。
[18] 潘峰,李位星,高琪,等.粒子群优化算法与多目标优化[M] ●●●●。北京:北京理工大学出版社,2013:16-20.（PAN F，LI W X，GAO Q，等.粒子群优化算法与多目标优化[M].北京：北京理工大学出版社，2013:16-20。）

基于改进粒子群算法的毫米波大规模MIMO公司混合预编码方案

mmWave大规模MIMO系统中基于改进粒子群优化算法的混合预编码方案

PDF格式

可视化

摘要/摘要

引用本文

使用本文

参考文献

相关文章15

编辑推荐

度量标准

[1]	李朝, 兰海, 魏宪.基于注意力的毫米波-激光雷达融合目标检测[J] ●●●●。计算机应用, 2021, 41(7): 2137-2144.
[2]	刘紫燕, 马珊珊, 白鹤.基于改进智能水滴的正交匹配追踪混合预编码算法[J] ●●●●。计算机应用, 2021, 41(5): 1419-1424.
[3]	魏博, 杨茸, 舒思豪, 万勇, 苗建国.基于离子运动-人工蜂群算法的移动机器人路径规划[J] ●●●●。计算机应用, 2021, 41(2): 379-383.
[4]	陈维兴, 刘清涛, 孙习习, 陈斌.机坪感知网络的快速收敛平均一致性时间同步算法[J] ●●●●。计算机应用, 2020, 40(11): 3407-3412.
[5]	徐栋, 李勇, 刘东东, 鲁亚凯.非理想信道状态信息下权值可调干扰对齐算法[J] ●●●●。计算机应用, 2018，38（8）：2370-2374。
[6]	刘紫燕, 唐虎, 刘世美.基于压缩感知的多小区大规模MIMO信息[J] ●●●●。计算机应用, 2017, 37(9): 2474-2478.
[7]	胡靖, 郑武.D2D型通信蜂窝网络中的比例公平与加权和速率最大化[J] ●●●●。计算机应用, 2017, 37(5): 1321-1325.
[8]	欧阳宁, 曾梦萍, 林乐平.基于并列卷积神经网络的超分辨率重建[J] ●●●●。计算机应用, 2017, 37(4): 1174-1178.
[9]	梁本来, 杨忠明, 秦勇, 蔡昭权.引入梯度下降的蚁群算法求解多约束服务质量路由[J] ●●●●。计算机应用, 2017, 37(3): 722-729.
[10]	樊自甫, 胡敏, 李悦宁.基于图着色的大规模多输入多输出系统中动态导频分配[J] ●●●●。计算机应用, 2017, 37(12): 3356-3360.
[11]	尤心心, 葛檬.基于置信传播的复杂网络社团发现算法[J] ●●●●。计算机应用, 2017, 37(11): 3115-3118.
[12]	彭红星, 胡译雯, 杨雪晴, 李兴旺.K（K）复合衰落信道下3D模拟MIMO和[J] ●●●●。计算机应用, 2017, 37(11): 3270-3275.
[13]	李萌, 秦品乐, 李传朋.基于多新息理论的深度信念网络算法[J] ●●●●。计算机应用, 2016, 36(9): 2521-2525.
[14]	关志艳, 冯秀芳.差分进化融合混合虚拟力的有向传感器网络覆盖算法[J] ●●●●。计算机应用, 2016, 36(12): 3244-3250.
[15]	张斌, 张达敏, 阿明翰.基于模拟退火的果蝇优化算法[J] ●●●●。计算机应用, 2016, 36(11): 3118-3122.