关闭
浙大通行证登录

刘安

性别:男
职称:百人计划研究员(自然科学B类)
单位:信息与电子工程学学院
通信地址:杭州市西湖区浙大路38号浙江大学玉泉校区教11-201 办公电话:0571-87952307 电子信箱:anliu@zju.edu.cn

最近访问您主页的用户IP地址

序号 访问时间 IP地址 所在区域

序号 时间段 URL地址
浙江大学信息与电子工程学院 刘安

链接

研究课题

本课题组致力于未来无线通信、随机优化理论与算法、复杂稀疏信号处理、机器/深度学习等前沿交叉领域的基础理论与应用研究。近期研究的部分课题介绍如下。


课题1:Beyond 5G未来通信系统的关键技术

image.png

Beyond 5G的未来无线通信还将不断增加天线数量和基站密度以提升系统容量,并采用低成本非线性器件以降低硬件成本和功耗。在此背景下,高维混合预编码和资源优化、以及高维非线性稀疏信号处理将成为未来无线通信的关键技术。


子课题1:大规模天线系统中多尺度自适应混合预编码的设计与优化

大规模天线(Massive MIMO)是提高5G移动无线通信系统频谱效率的关键技术之一,已经成为无线通信领域学术界和工业界的共同研究热点。在大规模天线系统中,基站将配备比现有系统多一个数量级的天线(比如上百根天线),因而可以极大地提高无线系统的频谱效率。但在实际系统中部署大规模天线基站,将面临以下两大关键技术难题。

关键技术问题一:如何降低大规模天线基站的硬件成本?

大规模天线采用了混合预编码技术以降低基站所需的射频链路数和功耗。传统的混合预编码直接利用高维信道状态信息进行设计,而在宽带系统中,不同子载波的瞬时信道状态信息不相同,因而需要为每一个子载波设计一个独立的模拟预编码,这将大大增加宽带系统中模拟预编码的实现复杂度和硬件成本。因此迫切需要设计一种新的适用于宽带系统的低成本混合预编码技术。

关键技术问题二:如何提高大规模天线基站的能效?

大规模天线基站需要大量的射频链路和功率放大器,都将大大增加基站的功耗。即使采用了混合预编码技术,由于模拟预编码中采用了大量的移相器,其功耗也较大。因此迫切需要设计一种高能效的混合预编码技术,以降低模拟预编码的功耗。

image.png

多尺度混合预编码示意图

为了解决上述关键技术问题,课题组突破现有直接利用高维信道状态信息进行混合预编码设计的传统思路,利用无线信道的多尺度随机衰落特性,提出了一种多尺度混合预编码技术。该技术仅根据信道统计信息设计射频预编码,因而可大大降低射频预编码的实现复杂度。我们进一步提出了基于多级随机交替优化等方法的多尺度混合预编码优化算法。与传统的混合预编码相比,多尺度混合预编码除了大大降低实现复杂度外,还可以在实际系统信道状态信息时延较大时,取得高吞吐量增益。

相关研究成果在IEEE SCI期刊上发表了多篇论文,研究成果被该领域多个著名学者关注和引用。

  1. An Liu, Vincent K.N. Lau and Min-Jian Zhao, "Stochastic Successive Convex Optimization for Two-timescale Hybrid Precoding in Massive MIMO”, accepted by IEEE Journal of Selected Topics in Signal Processing, 2018.

  2. Y. Teng, M. Wei, A. Liu, V. K. N. Lau and Y. Zhang, "Mixed-Timescale Per-Group Hybrid Precoding for Multiuser Massive MIMO Systems," accepted by IEEE Signal Processing Letters, 2018.

  3. An Liu and Vincent K.N. Lau, "Impact of CSI Knowledge on the Codebook-Based Hybrid Beamforming in Massive MIMO", IEEE Trans. Signal Processing, vol. 64, no. 24, pp. 6545-6556, Dec.15 2016.

  4. An Liu and Vincent K.N. Lau, "Two Stage Constant-Envelop Precoding for Low Cost Massive MIMO Systems", IEEE Trans. Signal Processing, vol. 64, no. 2, pp. 485-494, Jan.15, 2016.

  5. An Liu and Vincent K.N. Lau, "Hierarchical Interference Mitigation for Massive MIMO Cellular Networks", IEEE Trans. Signal Processing, vol.62, no.18, pp.4786-4797, Sept.15, 2014. 

  6. An Liu and Vincent K.N. Lau, "Phase Only RF Precoding for Massive MIMO Systems with Limited RF Chains", IEEE Trans. Signal Processing, vol.62, no.17, pp.4505-4515, Sept.1, 2014.


子课题2:无人机协助的内容中心网络

image.png

无人机由于其高机动性,可充当移动小基站,实现灵活的网络部署,因而越来越受到业界的重视。但无人机小站无法配备高速回程链路,因而无人机小站回程链路有限的容量将成为系统的主要性能瓶颈。我们提出了一种适用于无人机的缓存技术,可消除回程链路容量有限这个性能瓶颈。同时基于非凸随机优化框架,设计一种缓存、无人机位置和无线资源的联合优化算法。最后与依托团队工程师合作,搭建硬件验证系统,测试所提方案的实际性能。

课题组在该方向有深厚的研究基础,尤其在无线缓存技术方面,由课题组所提出物理层缓存技术已成为内容中心无线网络的重要研究方向,受到同行的广泛引用和后续的追踪研究。

  1. An Liu, Vincent K.N. Lau and Giuseppe Caire, "Cache-induced Hierarchical Cooperation in Wireless Device-to-Device Caching Networks”, accepted by IEEE Trans. Information Theory, 2018.

  2. Wei Han, An Liu and Vincent K.N. Lau, "Degrees of Freedom in Cached MIMO Interference Networks With Asynchronous User Requests", IEEE Trans. Wireless Communications, vol. 16, no. 4, pp. 2195-2204, April 2017.

  3. An Liu and Vincent K.N. Lau, "How Much Cache is Needed to Achieve Linear Capacity Scaling in Backhaul-Limited Dense Wireless Networks?", IEEE/ACM Transactions on Networking, vol. 25, no. 1, pp. 179-188, Feb. 2017.

  4. Wei Han, An Liu and Vincent K.N. Lau, "PHY Caching in 5G Wireless Networks -- Design and Analysis", IEEE Communications Magazine, vol. 54, no. 8, pp. 30-36, August 2016.

  5. An Liu and Vincent K.N. Lau, "Asymptotic Scaling Laws of Wireless Adhoc Network with Physical Layer Caching", IEEE Trans. Wireless Commun., vol. 15, no. 3, pp. 1657-1664, March 2016.

  6. Wei Han, An Liu and Vincent Lau, "Degrees of Freedom in Cached MIMO Relay Networks", IEEE Trans. Signal Processing, vol. 63, no. 15, pp. 3986-3997, Aug.1, 2015.

  7. An Liu and Vincent K.N. Lau, "Exploiting Base Station Caching in MIMO Cellular Networks: Opportunistic Cooperation for Video Streaming", IEEE Trans. Signal Processing, vol.63, no.1, pp.57-69, Jan.1, 2015

  8. An Liu and Vincent K.N. Lau, "Cache-Enabled Opportunistic Cooperative MIMO for Video Streaming in Wireless Systems", IEEE Trans. Signal Processing, vol.62, no.2, pp.390-402, Jan.15, 2014.

  9. An Liu and Vincent K.N. Lau, "Mixed-Timescale Precoding and Cache Control in Cached MIMO Interference Network", IEEE Trans. Signal Processing, vol.61, no.24, pp.6320-6332, Dec.15, 2013.


课题2:压缩感知与高维非线性稀疏信号恢复技术

该技术在未来无线通信、无线定位技术、智能城市等领域具有广泛应用。但现有非线性稀疏信号估计技术尚未成熟。本课题组将利用稀疏贝叶斯学习理论、近似消息传播理论及随机优化理论,设计性能优异的高维非线性稀疏信号估计算法。


子课题1:大规模天线信道估计

为了支持空分复用(多用户MIMO传输),基站需要知道本小区用户的信道状态信息(Channel State Information,CSI)。但是系统中可用的导频数量受限于无线信道的信道相干时间的长度。在频分双工大规模多天线系统中,传统的信道估计方法要求导频数量不小于基站天线数,才能获得较为准确的信道估计。但在大规模多天线系统中,基站天线数通常远大于一个信道相干时间内可用的导频数量,这意味着采用传统的信道估计方法获得的CSI的估计误差将会很大。因此迫切需要设计一种所需导频数远小于天线数的新型信道估计方法。

image.png

现有基于压缩感知的信道估计技术虽然可利用大规模天线信道的稀疏特性压缩测量样本数降低大规模天线系统信道估计的开销,但没有有效利用多用户大规模天线信道的特殊稀疏结构,因而是次优的,且缺乏自适应性,即无法自适应地以最少测量样本数达到目标性能。如上图所示,我们利用了多用户大规模天线信道的联合稀疏性和簇稀疏性大大提高了压缩感知信道估计技术的性能,并采用闭环随机控制方法自适应地调整测量样本数以达到目标性能。该技术可有效降低信道估计与回程链路信令开销,同时由于采用了闭环随机控制,可增强系统鲁棒性。

相关研究成果在IEEE SCI期刊上发表了多篇论文,该研究方向还受到华为重大项目和国家自然科学基金面上项目的资助。

  1. Jisheng Dai, An Liu and Vincent K.N. Lau, "FDD Massive MIMO Channel Estimation with Arbitrary 2D-Array Geometry", accepted by IEEE Trans. Signal Processing, 2018.

  2. Lei Chen, An Liu, Xiaojun Yuan, “Structured Turbo Compressed Sensing for Massive MIMO Channel Estimation Using a Markov Prior”, accepted by IEEE Transactions on Vehicular Technology, 2017.

  3. An Liu, Feibai Zhu and Vincent K.N. Lau, "Closed-Loop Autonomous Pilot and Compressive CSIT Feedback Resource Adaptation in Multi-user FDD Massive MIMO Systems", IEEE Trans. Signal Processing, vol. 65, no. 1, pp. 173-183, Jan. 2017.

  4. An Liu, Wei Dai and Vincent K.N. Lau, "Exploiting Burst-Sparsity in Massive MIMO with Partial Channel Support Information", IEEE Trans. Wireless Communications, vol. 15, no. 11, pp. 7820-7830, Nov. 2016.

  5. Vincent K. N. Lau, Songfu CAI and An Liu, "Closed-Loop Compressive CSIT Estimation in FDD Massive MIMO Systems with 1 bit Feedback", IEEE Trans. Signal Processing, vol. 64, no. 8, pp. 2146-2155, April 15, 2016.


子课题2:智能水管中基于压缩感知的泄露检测和定位技术

image.png

全球每年由于水管泄露浪费的水量极大,造成了巨大的经济损失和水资源浪费。智能水管通过在水管中加入声信号传感器,可以自动检测和定位水管中的泄露位置,并通过物联网自动传到控制中心,实现水管泄露的实时监测与维修,从而避免由于水管泄露造成的损失。智能水管的关键技术之一是如何实现准确的泄露检测与定位。课题组将基于压缩感知和稀疏信号处理技术,实现高精度的鲁棒泄露检测和定位。目前已经取得了一些初步研究成果,发表于IEEE Internet of Things Journal

  1. Bingpeng Zhou, An Liu, Xun Wang, Yechao She, Vincent Lau, “Compressive Sensing-Based Multiple-Leak Identification for Smart Water Distribution Systems”, accepted by IEEE Internet of Things Journal, 2018


子课题3:5G系统协助下的无人驾驶定位技术

image.png

5G系统将采用大规模天线和毫米波通信技术。大规模天线角度分辨率高,而毫米波系统时延分辨率高,因而采用5G大规模天线毫米波系统,可利用高精度的AoA和ToA信息,实现更加准确的定位。该定位技术可用于无人驾驶,机器人定位等多个重要应用场景。课题组正在基于稀疏贝叶斯学习理论研究鲁棒性好且精度高的大规模天线毫米波定位技术。

课题组还利用压缩感知与稀疏信号恢复理论解决了其它一些重要应用问题,如干扰消除和多用户检测等,主要相关发表刊物如下。

  1. Lixiang Lian, An Liu and Vincent K.N. Lau, “Weighted LASSO for Sparse Recovery with Imperfect Prior Support Information”, accepted by IEEE Trans. Signal Processing.

  2. Feibai Zhu, An Liu and Vincent K.N. Lau, “Joint Interference Mitigation and Data Recovery for Massive Carrier Aggregation via Non-linear Compressive Sensing”, accepted by IEEE Trans. Wireless Communications, 2017.

  3. Jiachang Liu, An Liu and Vincent K.N. Lau, "Compressive Interference Mitigation and Data Recovery in Cloud Radio Access Networks with Limited Fronthaul", IEEE Trans. Signal Processing, vol. 65, no. 6, pp. 1437-1446, March 2017.

  4. An Liu and Vincent K.N. Lau, "Joint Interference Mitigation and Data Recovery in Compressive Domain: A Sparse MLE Approach", IEEE Trans. Signal Processing, vol.62, no.19, pp.5184-5195, Oct.1, 2014.


课题3:基于逐级凸优化近似的多级非凸随机优化理论与算法


未来无线通信将与压缩感知、大数据及深度学习等领域紧密结合,这些领域相关应用都需要求解大型(非凸)随机优化问题。但现有随机优化理论和算法尚未成熟:比如无法处理随机非凸约束函数,同时缺乏通用的分布式随机优化算法,因而无法求解大型非凸随机优化问题。

image.png

针对现有随机优化算法无法满足上述重要应用需求的现状,课题组将在分布式非凸随机优化理论、算法与应用方面做一些突破性的研究。在理论研究方面,我们将基于逐级随机优化设计一种分布式非凸随机优化算法框架。同时,我们将利用所提理论与算法框架,解决无线通信、压缩感知、大数据及深度学习研究中遇到的关键技术问题,从而将该核心理论与算法框架转化为一系列应用成果。

目前我们已经在该研究方向取得了初步研究成果。

  1. An Liu, Vincent K.N. Lau and Min-Jian Zhao,“Online Successive Convex Approximation for Two-Stage Stochastic Non-Convex Optimization”, submitted to IEEE Trans. Signal Processing, 2018.

  2. An Liu, Vincent K.N. Lau and Borna Kananian,“Stochastic Successive Convex Approximation for Non-Convex Constrained Stochastic Optimization ”, submitted to IEEE Trans. Signal Processing, 2017.

  3. An Liu, Vincent K.N. Lau and Min-Jian Zhao, "Stochastic Successive Convex Optimization for Two-timescale Hybrid Precoding in Massive MIMO”, accepted by IEEE Journal of Selected Topics in Signal Processing, 2018.

  4. An Liu and Vincent K.N. Lau, "Two-timescale User-Centric RRH Clustering and Precoding Optimization for Cloud RAN via Local Stochastic Cutting Plane", accepted by IEEE Trans. Signal Processing, vol. 66, no. 1, pp. 64-76, Jan.1, 1 2018.

  5. An Liu, Vincent K.N. Lau, Fuxin Zhuang and Junting Chen, "Two Timescale Joint Beamforming and Routing for Multi-antenna D2D Networks via Stochastic Cutting Plane", IEEE Trans. Signal Processing, vol.63, no.18, pp.4854-4865, Sept.15, 2015.

  6. An Liu, Vincent K.N. Lau, Liangzhong Ruan, Junting Chen, and Dengkun Xiao, "Hierarchical Radio Resource Optimization for Heterogeneous Networks with Enhanced Inter-cell Interference Coordination (eICIC)", IEEE Trans. Signal Processing, vol.62, no.7, pp.1684-1693, Apr., 2014.




Go To Top