摘要：在5G商用的背景下，用户量与用户数据传输需求的不断增加。极大规模MIMO系统已作为6G的前瞻性研究受到越来越多的重视，随之而来的是大量高维的信道数据需要处理。本文充分考虑极大规模MIMO信道的两种性质即近场特性与空间非平稳特性，搭建极大规模MIMO信道模型，讨论应用机器学习处理信道数据的可行性。本文搭建了BP神经网络模型用以对信道空间可见关系特性进行分析，并检测学习网络的有效性。实例结果显示经过一定维度的信道数据的训练，学习网络可达到70%的空间可见关系识别正确率。由此得出结论，在一定天线维度的情况下，可通过学习网络实现某些信道关键空间特性识别。

关键词：极大规模MIMO；BP神经网络；信道识别

目  录

摘  要

ABSTRACT

第一章  绪论-1

1.1 研究背景及意义-1

1.2 研究现状-1

1.3 论文的研究内容及章节安排-2

第二章  极大规模MIMO模型与问题描述-3

2.1 系统模型-3

2.2 本文研究的问题-5

2.2.1 问题描述-5

2.2.2 技术难点以及研究思路-6

2.3 本章小结-7

第三章  神经网络基本原理-8

3.1 综述-8

3.1.1 机器学习发展过程-8

3.1.2 学习算法分类-8

3.1.3 机器学习在通信中的应用-9

3.2 BP神经网络模型-10

3.2.1 BP神经网络结构-10

3.2.2 BP算法原理-10

3.3 本章小结-12

第四章  基于BP神经网络的信道特性识别实例-13

4.1 实例介绍-13

4.2 仿真结果分析-15

4.3 优化方法-16

第五章  总结与展望-18

5.1 总结-18

5.2 展望-19

参考文献-20

致  谢-21

附  录-22