大规模MIMO中粗量化对信道估计与误码率的补偿
大气与海洋物理
2026-05-15 v2
摘要
低分辨率量化对于降低 5G 和 6G 大规模多输入多输出（MIMO）系统的实现成本和功耗至关重要。虽然大多数现有研究假设信道状态信息（CSI）完美，我们建模了粗量化噪声对信道估计和数据传输的影响，从而在更现实的 imperfect CSI 条件下评估系统性能。我们基于线性最小均方误差（LMMSE）信道估计，推导了采用零强制检测的未编码 M-QAM 的误码率（BER）的紧致近似。这些分析结果使得补偿策略能够联合优化量化分辨率、发射功率和导频长度，适用于不同数量的用户和基站天线。我们进一步通过多个设计场景展示了所提出框架的适用性，突出了其在量化约束下优化系统参数和提高能效方面的有效性。例如，在 16-QAM 系统中，将导频序列延长 2.5 倍并将发射功率降低 0.5 dB，可使 3 位量化系统匹配全分辨率情况的 BER。所提出的框架为蒙特卡洛模拟提供了一种快速且准确的替代方案，能够在现实量化约束下实现实际系统优化。
引用
@article{arxiv.2512.14898,
title = {Predicting Forecast Error for the HRRR Using LSTM Neural Networks: A Comparative Study Using New York and Oklahoma State Mesonets},
author = {David Aaron Evans and Kara J. Sulia and Nick P. Bassill and Chris D. Thorncroft and Jay C. Rothenberger and Lauriana C. Gaudet},
journal= {arXiv preprint arXiv:2512.14898},
year = {2026}
}
备注
This manuscript is a preprint and has been submitted for peer review to the Weather and Forecasting journal. The content is subject to change based on the outcome of the peer-review process and should not be considered final or definitive. Copyright in this Work may be transferred without further notice