RISTA前沿大讲堂第二季第十九期圆满结束

.2023年10月23日智能超表面技术联盟主办的RISTA前沿大讲堂第二季第十九期线上研讨讲座在东南大学（智能超表面技术联盟理事长单位）潘存华教授的主持下圆满结束。

本期讲座嘉宾东南大学（智能超表面技术联盟理事长单位）王正副教授为我们带来了“基于等价概率模型的低复杂度大规模MIMO上下行信号处理”主题的报告。资料下载密码：1025。

基于等价概率模型的低复杂度大规模MIMO上下行信号处理

为了让大家能温故知新，特提供官网回放链接。大家可以点击文末左下角的“阅读原文”或者识别下面二维码直接访问。

本期讲座采用腾讯会议+直播方式进行，线上观看近2万人次（根据电子与信息学报、蔻享学术、VTC云直播和科研云直播提供的数据统计）。

问题1.sigma是根据指标固定的，还是会随着搜索动态变化的？如果是动态变化的，跟传统的变步长搜索有什么区别？

王正老师回答：感谢提问。在我们设计面向非线性检测问题的等价概率模型中，sigma的取值是针对于具体算法设计来优化选取的，但其在选取后不是变的。具体来说，我们基于概率分布的搜索算法中，我们会首先推导出搜索算法对应的解码半径(decoding radius)，并以此为检测性能评价指标，而此时sigma正是包含在解码半径表达式中的系统参数，因此可以以最大化解码半径为目标对sigma的取值进行优化。

王正老师回答：感谢提问。不太类似，模拟退火是一开始提高温度让状态空间的取值变化比较激烈，这样增加取值的多样性，方便跳出局部最小值，然后再降低温度锁定大致的取值范围。我们的方法无论是采样还是搜索，sigma(类比模拟退火中的温度)在优化选取之后都是不变的。

问题3.非线性问题里面，sigma的选取有没有一个下界呢?比如说CRLB？

王正老师回答：感谢提问。sigma的定义域是大于零的数，我们的研究思路是首先基于方法设计推导出其对应的性能指标表达式，例如解码半径或复杂度，然后尝试最大化解码半径或最小化复杂度，在这个过程中来对sigma的取值进行优化。在这个过程中我们发现sigma的取值也并不是想象中的越小越好，需要结合实际的方法进行优化选取，但我们没有发现有明确的sigma下界约束。

王正老师回答：感谢提问。MCMC在实际工作中经常使用，适用性很广。但是长期以来MCMC也被作为一种启发性的算法存在，相关的工作很难落地。这是因为MCMC存在是否收敛、以什么样的形式收敛、收敛速率是什么这三个层面逐渐递进的问题，一般应用MCMC工作都是仅在第一个问题解决的情况下就投入使用，使得MCMC类方法无法做到真正落地。因为不知道收敛速率的话是无法有效估计出mixing time的，那么MCMC方法性能和复杂度之间的折中就无法明确。

我们在面向MIMO检测问题的MCMC方法研究中，设计的IMHK方法顺利解决了第二和第三个问题，明确的收敛速率使得MCMC检测方法具有具体的解码半径以及复杂度。这样MCMC方法就可以和其它检测方法放在一个系统框架下进行比较，我们对于MCMC检测的性能和复杂度之间的折中也有了明确的估计。一般来说，从MCMC的收敛速率来看，系统维度越高，收敛速率会相应降低，但这又不是绝对的，因为涉及到收敛速率的大小还有其它指标，比如系统矩阵的条件数越小，收敛速率对于系统维度的增长越不敏感，具体内容可以参见我们分别于2018,2019发表在TIT上面的论文。

已邀请嘉宾名单

注：按嘉宾姓名拼音字母顺序

–本文完–

本次系列讲座是持续性的分享和互动活动，欢迎联盟所有成员积极报名自荐或推荐专家老师进行分享，有意者请联系秘书处secretariat@risalliance.com。每次讲座信息都将通过RISTA公众号发布，请大家长按识别二维码关注。