基于AI的5G网络的大规模MU-MIMO下行自适应预编码优化算法

摘要

为满足5G网络对高容量、低干扰与高频谱效率的需求，提出一种自适应正则化迫零预编码A-RZF(Adaptive RZF)方法。根据系统用户数与噪声水平自适应设置正则化系数，在不显著增加计算复杂度的前提下提升频谱效率与边缘用户速率。基于下行MU-MIMO(Multi-User Multiple-Input Multiple-Output)系统模型，构建与MRT(Maximum Ratio Transmission)、ZF(Zero-Forcing)、固定RZF(Regularized Zero-Forcing)等基线方案的可复现实验对比，从总频谱效率、天线规模增益、边缘用户速率与复杂度等维度实现仿真分析。结果表明，在典型参数设置下，A-RZF在中低信噪比区间较ZF与固定RZF表现出更稳健的性能优势，并能保持与大规模天线增长相匹配的容量增益。

关键词

5G网络 / 大规模MIMO / 线性预编码 / 正则化迫零 / 频谱效率 / 人工智能