2023.8.28-9.1

1. 《Joint Active User Detection, Channel Estimation, and Data Detection for Massive Grant-Free Transmission in Cell-Free Systems》

       无小区通信有可能显著改善大规模机器类型通信中的无授权传输，其中多个接入点联合服务于大量用户设备，以提高覆盖率和频谱效率。在本文中，我们提出了一种新的框架，用于在无小区系统中进行大规模无授权传输的联合主动用户检测（AUD）、信道估计（CE）和数据检测（DD）。我们通过考虑由间歇性用户活动引起的数据矩阵的稀疏性和由间歇性用户行为和大规模衰落引起的有效信道矩阵的稀疏度，来制定AUD、CE和DD的联合优化问题。我们使用盒约束的前向-后向分裂算法近似地解决了这个优化问题，该算法显著提高了AUD、CE和DD的性能。我们通过仿真实验验证了该框架的有效性。

2. 《How much Training is Needed in Downlink Cell-Free mMIMO under LoS/NLoS channels?》

      无线接入点（AP）和用户设备（UE）之间不存在LoS信道的假设在无小区大规模多输入多输出MIMO（CF-mMIMO）系统的最新发展背景下变得值得怀疑。在CF-mMIMO系统中，接入点密度被假设为与用户密度相当或远大于用户密度，从而导致在UE和AP之间存在LoS链路的可能性，这取决于本地传播条件。在本文中，我们比较了CF-mMIMO系统在概率LoS/NLos信道下，在获取和不获取快衰落分量的信道状态信息的情况下可实现的速率。我们表明，在足够大的AP密度下，不需要关于信道的快衰落分量的知识的统计波束成形，利用关于快衰落信道系数的信息，几乎与全波束成形不相上下，从而潜在地避免了在每一帧期间训练的需要。我们通过详细的蒙特卡罗模拟验证了我们的结果，并详细说明了在具有LoS/NLoS信道的大规模MIMO系统中可以成功使用统计波束形成的条件。

3. 《Pilot Power Allocation for Channel Estimation in a Multi-RIS Aided Communication System》

       可重构智能表面（RIS）是一种很有前途的技术，能够在下一代无线网络中定制电磁传播环境。在本文中，我们研究了在信道估计阶段的最优导频功率分配，以提高RIS辅助系统在实际不完全信道状态信息（CSI）下的遍历信道增益。具体来说，我们首先推导了考虑信道估计误差的多RIS辅助通信系统的遍历信道增益的显式闭式表达式。然后，在平均导频功率约束下，我们提出了导频功率分配问题，以最大化不完美CSI下的遍历信道增益。然后，利用拉格朗日乘子方法得到了最优导频功率分配解，这表明在不完全CSI情况下，为估计弱反射信道的导频分配更多的功率能够有效地提高遍历信道增益。最后，大量的仿真结果证实了我们的理论分析。

4. 《A Comparison of Neural Networks for Wireless Channel Prediction》

       现代无线通信系统的性能主要取决于发射机和接收机处的可用信道状态信息（CSI）的质量。先前的几项工作已经提出了即使在存在高移动性和信道老化的情况下也有助于保持高质量CSI的概念和算法，例如使用神经网络的时间预测方案。然而，目前尚不清楚哪种基于神经网络的方案在预测质量、训练复杂性和实际可行性方面提供了最佳性能。为了研究这样一个问题，本文首先概述了适用于信道预测的最先进的神经网络，并比较了它们在预测质量方面的性能。接下来，对四种具有不同预测范围的有前景的神经网络提出了一种新的比较分析。第三代合作伙伴计划推荐的众所周知的抽头延迟信道模型用于神经网络之间的标准化比较。基于这种比较评估，讨论了每种神经网络的优缺点，并给出了在信道预测应用中选择最适合的神经网络的指南。

5. 《Joint Band Assignment and Beam Management using Hierarchical Reinforcement Learning for Multi-Band Communication》

       无线网络中的多频带操作可以通过利用在不同频率范围内传播的好处来提高数据速率。不同频带中的不同波束管理过程使频带分配复杂化，因为它们不仅需要考虑信道质量，还需要考虑相关的波束管理开销。强化学习（RL）是一种很有前途的多波段操作方法，因为它使系统能够通过环境反馈来学习和调整其行为。在本文中，我们提出了一个顺序决策问题，以联合执行频带分配和波束管理。我们提出了一种基于层次RL（HRL）的方法，通过分离频带选择和波束管理策略来处理问题的复杂性。我们在基于光线跟踪模拟器生成的真实通道上评估了所提出的基于HRL的算法。我们的结果表明，在现实的车辆信道下，所提出的方法在减少波束训练开销和提高数据速率方面优于传统的RL方法。