Fast and low complexity algorithms for compressed training based massive MIMO

Kör denkleştirmede dışbükey bir maliyet fonksiyonu olarak l∞ normun gücü, çıktının l∞ -normunu minimize etmenin, kombine kanal-denkleştirici dürtü yanıtı icin seyrek bir çözüm seçmesinden kaynaklanır. Şıkıştırılmış Öğrenme Uyarlamalı Den- kleştirme yaklaşımı, l∞ normu ve kare maliyet fonksiyonlarını kullanarak, sıkıştırılmış algılama yaklaşımını ISI kanaldenkleştirme problemine bağlar. [Yilmaz and Erdogan, 2017], Masif MIMO sistemleri icin, öğrenme sembollerinin log2(K) civarında sıkıştırılabileceğini kanıtlar, ki burada K kullanıcı sayısıdır. Bu tezde, Sıkıştırılmış Öğrenme Tabanli Masif MIMO için hızlı ve düşük karmaşıklıklı çözümler incelenmiştir. Bu amacla, l∞ -normun proksimal operatörünün dogrudan türetilmesi sunuldu ve kırpma özelligi gösterildi. Daha sonra, l∞ -norm ile duzenlenmiş kare maliyet fonksiyonlu optimizasyon problemleri için proksimal algoritmalar araştırılır. Spesifik olarak, Sıkıştırılmış Öğrenme Tabanli Masif MIMO Gürültüsüz Optimizasyon Problemi icin ADMM yontemi sunulur. Ayrica, Sıkıştırılmış Ögrenme Tabanli Masif MIMO Gürültülü Ayar icin hızlandırılmış bir projeksiyon tabanlı algoritma onerilmistir. Ileriki araştrmalar için, K normun proksimal operatörü turetilmiştir. Ayrica, K-norm ile l∞ -norm ve l1 -normun proksimal operatörleri arasındakı ilişki analiz edilir.