这篇博士论文主要探讨了在多输入多输出(MIMO)移动通信系统中,如何通过人工智能和机器学习技术来优化功率控制方法,以提升系统性能。论文重点研究了以下几个方面:
1. **天线功率控制(PAPC)**:针对排序串行干扰抵消检测器(OSICD)的子流误比特率(BER)性能差异,论文提出了一种最小化最大子流BER的天线功率控制策略。这种方法旨在在保持信息速率和总发送功率不变的情况下,改善OSICD的最差子流BER,从而提高平均BER性能。
2. **功率控制的OSICD(P-OSICD)**:论文引入了对各天线不等功率的考虑,提出了功率控制的OSICD。通过采用最小均方误差(MMSE)准则的P-OSICD,可以在较小的功率反馈开销下达到与最大似然检测器(MLD)相近的BER性能,同时保持较低的计算复杂度。
3. **排序判决反馈检测器(SDFD)与PAPC**:由于OSICD的数值稳定性问题,论文转而研究了SDFD。为提升SDFD的BER性能,提出了一种基于最小化SDFD误块率(BLER)的PAPC方法,使得QR分解后的R矩阵具有等对角线元素,从而最大化自由距离的下限。
4. **集中式功率控制(CPC)**:为解决同信道干扰(CCI)问题,论文提出了一种蜂窝MIMO系统中的集中式功率控制方法。这种方法通过调整每个用户发送端的总功率,并在不同天线间均分功率,简化了SIR表达式,实现了信道矩阵归一化,并确保非负不可约性。通过求解归一化信道矩阵的特征值和特征向量,可以得到平衡的SIR值和发送功率,最大化系统中最小SIR值,提高SIR中断性能和BER性能。
5. **分布式功率控制(DPC)**:鉴于CPC方法需要大量信道信息,论文进一步提出了不需要全系统信道信息的DPC方法。DPC算法1针对干扰受限系统,优化目标是最小化平均SIR中断概率;DPC算法2则在满足目标SIR前提下最小化平均发送功率。这两种算法都具有迭代收敛性,能接近CPC方法的最优解。
6. **性能分析与反馈量**:论文强调,所提出的功率控制方法能够在不显著增加反馈量和计算复杂度的情况下,有效提高系统的BER性能。
论文的研究对理解MIMO移动通信系统的功率控制理论及其实用化具有重要意义。通过人工智能和机器学习的运用,这些方法有助于实现更高效、更稳健的通信系统,降低误码率,增强系统的抗干扰能力,同时减少了系统开销。