Till innehåll på sidan
Till KTH:s startsida

Optimization and Learning for Large-Scale MIMO-OFDM Wireless Systems

Theory, Algorithms, and Applications

Tid: Fr 2022-12-02 kl 14.00

Plats: F3, Lindstedtsvägen 26 & 28, Stockholm

Språk: Engelska

Ämnesområde: Telekommunikation Optimeringslära och systemteori Elektro- och systemteknik

Respondent: Shashi Kant , Nätverk och systemteknik, Ericsson AB

Opponent: Prof. Dr. Christoph Studer, ETH Zürich, Department of Information Technology Electrical Engineering

Handledare: Professor Carlo Fischione, Nätverk och systemteknik, ACCESS Linnaeus Centre; Prof. Mats Bengtsson, Teknisk informationsvetenskap; Bo Göransson, Skolan för elektroteknik och datavetenskap (EECS); Gabor Fodor, Reglerteknik

Exportera till kalender

QC 20221103

Abstract

Kraven för nästa generations trådlösa kommunikationsnätverk, särskilt femte gener-ationens (5G) och senare, drivs av minst tre breda användningsfall. Dessa inkluderarförbättrade mobila bredbandstjänster för att stödja extremt höga datahastigheter i formav systemkapacitet eller per användare i både upplänk och nedlänk, kommunikation avmaskintyp för att tillgodose tillgodose storskaliga internet-of-things-applikationer, och kritisk kommunikation av maskintyp för att hantera verksamhetskritiska applikationer somkräver ultrahög tillförlitlighet och låg latens.Dessa nya generationens trådlösa kommunikationssystem använder ortogonal frekvens-delningsmultiplexering (OFDM) med cykliskt prefix och flera antenner vid både sändaren och mottagaren (MIMO). Det finns många attraktiva egenskaper hos OFDM, nämligen robusthet mot de negativa effekterna av tidsspridning på grund av flervägsutbredning,enkelhet i utjämning och flexibilitet när det gäller att stödja både låga och höga symbolhastigheter. OFDM stöder därigenom en mängd olika servicekvalitetskrav.De välkända nackdelarna med OFDM är höga störningsnivåer utanför huvudbandet(OOBE) och högt topp-till-medeleffektförhållande (PAPR). OOBE måste undertryckas eftersom hög OOBE orsakar betydande störningar på de intilliggande kanalerna. Vidarekräver hög PAPR typiskt dyra linjära radiofrekvenskomponenter (RF) och följaktligen kostsam digital för distorsion för att hantera och mildra OOBE som genereras av distorsionfrån icke-linjära sändarkomponenter, t.ex. effektförstärkare. Dessutom finns det praktiska begränsningar i 5G-standarden, som kräver att endast databärande under bärvågor användsför OOBE- och PAPR-reduktion. Därför är det av yttersta vikt att minska OOBE ochPAPR för MIMO-OFDM-baserade system och mildra/minimera signalförvrängningenvid mottagaren/mottagarna för att möta den nya generationens systemkrav för olikaanvändningsfall.I denna avhandling söker vi principiella tillvägagångssätt för att tackla de distor-sionsbaserade OOBE- och PAPR-reduceringsproblemen. Mer specifikt ställer vi uppoptimeringsproblem för dessa välkända problem i storskaliga MIMO-OFDM-baseradesystem såsom 5G NR och framtida vidareutveckling därav. Tyvärr kan dessa problem intelösas via generella optimeringslösare eftersom dessa standardlösare vanligtvis använderinrepunktsmetoder, som har alltför hög komplexitet för moderna radiohårdvarusystem.Därför föreslår vi storskaliga optimeringstekniker för att ta itu med dessa problemvilket resulterar i implementeringsvänliga algoritmer. Närmare bestämt utvecklar vi (nästan) optimala och beräkningseffektiva databeroende lösningar genom att föreslå entyp av multiplikatormetoder (ADMM) med tre operatorer som i huvudsak använderen söndra och härska metod för att lösa de stora och besvärliga OOBE- och PAPR-reduktionsproblemen i storskaliga MIMO-OFDM-baserade system. I den sista delen av avhandlingen undersöker vi dessutom tillämpningen av vår föreslagna ADMM-metod medtre operatorer för federerad inlärning över nätverk som drar nytta av den potentiellt innehållsrika datamängden som genereras i det fysiska lagret och/eller radiokomponenterna hos en basstation som ligger nära en randserver.Sammanfattningsvis utvecklar denna avhandling grundläggande, implementeringsvän-  liga och standardagnostiska algoritmer för distorsionsbaserad reduktion av OOBE ochPAPR, med hjälp av första ordningens optimeringsalgoritmer vilket ger insikter i avvägningen mellan beräkningskomplexitet och prestandan inomband och utomband. I avhan-dlingen presenterar vi en ny men ändå enkel TOP-ADMM första ordningens algoritm lämplig för att hantera centraliserade och distribuerade optimeringsproblem. Dessutomstuderas hur TOP-ADMM-algoritmen kan användas för edge FL med hjälp av datamängder tillgängliga vid basstationen(erna) förutom (privata) data hos användarna. Slutligen kandenna avhandling ge vägledning vid systemisering och implementering av storskaliga MIMO-OFDM-baserade trådlösa kommunikationssystem.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-320905