Massive MIMO
1 什么是Massive MIMO
Massive MIMO（大规模天线技术，亦称为Large Scale MIMO）是第五代移动通信（5G）中提高系统容量和频谱利用率的关键技术。它最早由美国贝尔实验室研究人员提出，研究发现，当小区的基站天线数目趋于无穷大时，加性高斯白噪声和瑞利衰落等负面影响全都可以忽略不计，数据传输速率能得到极大提高。
从两方面理解：
（1）天线数
传统的TDD网络的天线基本是2天线、4天线或8天线，而Massive MIMO指的是通道数达到64/128/256个。
（2）信号覆盖的维度
传统的MIMO我们称之为2D-MIMO，以8天线为例，实际信号在做覆盖时，只能在水平方向移动，垂直方向是不动的，信号类似一个平面发射出去，而Massive MIMO，是信号水平维度空间基础上引入垂直维度的空域进行利用，信号的辐射状是个电磁波束。所以Massive MIMO也称为3D-MIMO。
参考资料：
[1] http://www.sharetechnote.com/html/5G/5G_MassiveMIMO_Definition.html
2 Massive MIMO优点有哪些
2.1 Massive MIMO的好处在哪里
高复用增益和分集增益：大规模MIMO系统的空间分辨率与现有MIMO系统相比显著提高，它能深度挖掘空间维度资源，使得基站覆盖范围内的多个用户在同一时频资源上利用大规模MIMO提供的空间自由度与基站同时进行通信，提升频谱资源在多个用户之间的复用能力，从而在不需要增加基站密度和带宽的条件下大幅度提高频谱效率。
高能量效率：大规模MIMO系统可形成更窄的波束，集中辐射于更小的空间区域内，从而使基站与UE之间的射频传输链路上的能量效率更高，减少基站发射功率损耗，是构建未来高能效绿色宽带无线通信系统的重要技术。
高空间分辨率：大规模MIMO系统具有更好的鲁棒性能。由于天线数目远大于UE数目，系统具有很高的空间自由度，系统具有很强的抗干扰能力。当基站天线数目趋于无穷时，加性高斯白噪声和瑞利衰落等负面影响全都可以忽略不计。
2.2 Massive MIMO为什么能有这么多优点
从数学原理上来讲，当空间传输信道所映射的空间维度趋向于极限大时，两两空间信道就会趋向于正交，从而可以对空间信道进行区分，大幅降低干扰。
虽然理论上看，天线数越多越好，系统容量也会成倍提升，但是要考虑系统实现的代价等多方面因素，因此现阶段的天线最大也即256个。
参考资料：
[1] https://wenku.baidu.com/view/906431e003d276a20029bd64783e0912a2167ce9.html
3 Massive MIMO挑战有哪些
虽然Massive MIMO作为5G的核心技术之一，但是这并不意味着这项技术已经成熟（完整）。关于这项技术仍有很多事情需要改进或解决。此页面将列出一些通常被列为进一步研究项目的区域。
3.1 如何安排天线
如您所知，在Massive Antenna中，您将拥有大量的天线。现在您会有疑问……我应该如何安排这些天线以达到最佳性能？
下图显示了我从各种技术材料中看到的各种类型的天线布置。什么是最好的安排？会有新的安排方法吗？
这些问题应该从进一步的研究中得到解答。
3.2 如何建模3D频道
如果将天线排列为（B），（C），（D），则可以将光束的方向指向水平方向和垂直方向。如果组合两个方向，则可以将光束指向3D空间中的任何方向（至少几乎是3D球体的一半）。这很好，但也有复杂性。现在您需要考虑所有这些方向的通道因素，并且您需要数学模型来考虑这些3D因素。
这种渠道模型是需要进一步研究的领域之一。
3.3 如何将其应用于FDD操作
我认为这是Massive MIMO的最大缺点（至少截至目前）。为了执行最佳波束成形，您需要获得不断变化的通道的准确（详细）信息。为了获得此类信息，您需要从UE获取有关下行链路信道质量的报告。为此，您需要为下行链路参考信号分配大量资源，这将导致严重的资源浪费。在FDD中，我们没有任何好主意在不使用基于参考信号的这种信道质量报告的情况下获得信道信息。
然而，在TDD中，我们可以使用一些可能不需要这种UE报告的替代技术。在TDD中，我们对下行链路和上行链路使用相同的频带。因此，如果网络可以从UE传输信号估计上行链路信道质量，则可以将该信息用作下行链路信道质量。因此，在TDD中，您可以创建非常优化的波束，而无需从UE获得明确的信道质量报告。
当然，从上行链路信号导出的估计可能与下行链路信号不完全相同，因为上行链路和下行链路的时隙是不同的。因此，在某个时隙的UL的信道估计可能与下行链路时隙不完全相同。然而，这是目前最常被接受和实践的想法。
由于这个原因，大多数Massive MIMO实现都是在TDD模式下完成的。
3.4 如何从大阵列生成宽光束
Massive MIMO背后的关键思想之一是通过将单个波束的多个天线输出建设性地相加来增加天线增益，并且通过该过程，所得波束的宽度趋于变窄。我们可以说这种窄光束在能量密度方面是好的，但它也意味着光束覆盖的区域将非常窄。这意味着波束成形和引导应该非常快速和准确以适当地聚焦在目标UE上，但是这并不总是简单且容易的，尤其是当UE处于快速移动状态时。
因此，有必要在不牺牲大规模MIMO的太多性能的情况下加宽波束宽度。
3.5 如何校准天线系统
任何具有RF / mmWave设计或测试经验的人都会明白，设计/测试的复杂性和难度会随着信号路径的增加呈指数级增长。即使假设设计正确完成，您也必须确保所有信号路径和天线都经过适当校准，以便天线系统按预期工作。校准那些巨大数量的天线路径绝对是一项具有挑战性的任务。
3.6 如何处理调度和预编码的复杂性
如您所知，Massive MIMO的最大动力是增加指定目标设备的方向性和增益。另一个动机（或由波束形成引起的要求）是实现MU-MIMO（多用户MIMO）。然而，随着使用更多天线并且更多用户被瞄准，调度和预编码将变得更复杂。如何处理这种情况将是一个大问题。只是为了增加DSP功率？或者想出一个新的/智能的数学方法来处理这个问题而不会过多地增加DSP的要求？
参考资料：
[1] http://www.sharetechnote.com/html/5G/5G_MassiveMIMO_FurtherStudy.html
4 5G为什么要用Massive MIMO
5G虽然可以使用低于6GHz的低频频段，但是由于低频频段的资源有限，而5G对带宽的需求量又很大，因此大部分5G网络会部署在高频频段，即毫米波频段（mmWave）。在为5G寻找合适的技术时，不能忽略5G的这个特征。
从无线电波的物理特征来看，如果我们使用低频频段或者中频频段，我们可以实现天线的全向收发，至少也可以在一个很宽的扇面上收发。但是，当使用高频频段（如毫米波频段）时，我们别无选择，只能使用包括了很多天线的天线阵列。使用多天线阵列的结果是，波束变得非常窄。为什么在毫米波频段，我们只能使用多天线阵列呢？
在理想传播模型中，当发射端的发射功率固定时，接收端的接收功率与波长的平方、发射天线增益和接收天线增益成正比，与发射天线和接收天线之间的距离的平方成反比。
在毫米波段，无线电波的波长是毫米数量级的，所以又被称作毫米波。而2G/3G/4G使用的无线电波是分米波或厘米波。由于接收功率与波长的平方成正比，因此与厘米波或者分米波相比，毫米波的信号衰减非常严重，导致接收天线接收到的信号功率显著减少。怎么办呢？
我们不可能随意增加发射功率，因为国家对天线功率有上限限制；我们不可能改变发射天线和接收天线之间的距离，因为移动用户随时可能改变位置；我们也不可能无限提高发射天线和接收天线的增益，因为这受制于材料和物理规律。
唯一可行的解决方案是：增加发射天线和接收天线的数量，即设计一个多天线阵列。
3GPPR1-136362对5G引入Massive MIMO的动机做了很好的总结：
随着移动通信使用的无线电波频率的提高，路径损耗也随之加大。但是，假设我们使用的天线尺寸相对无线波长是固定的，比如1/2波长或者1/4波长，那么载波频率提高意味着天线变得越来越小。这就是说，在同样的空间里，我们可以塞入越来越多的高频段天线。基于这个事实，我们就可以通过增加天线数量来补偿高频路径损耗，而又不会增加天线阵列的尺寸。
使用高频率载波的移动通信系统将面临改善覆盖和减少干扰的严峻挑战。一旦频率超过10GHz，衍射不再是主要的信号传播方式；对于非视距传播链路来说，反射和散射才是主要的信号传播方式。同时，在高频场景下，穿过建筑物的穿透损耗也会大大增加。这些因素都会大大增加信号覆盖的难度。特别是对于室内覆盖来说，用室外宏站覆盖室内用户变得越来越不可行。而使用Massive MIMO（即天线阵列中的许多天线），我们能够生成高增益、可调节的赋形波束，从而明显改善信号覆盖，并且由于其波束非常窄，可以大大减少对周边的干扰。
多天线阵列无疑是把双刃剑。很明显，多天线阵列的大部分发射能量聚集在一个非常窄的区域。这意味着，使用的天线越多，波束宽度越窄。
多天线阵列的好处在于，不同的波束之间，不同的用户之间的干扰比较少，因为不同的波束都有各自的聚焦区域，这些区域都非常小，彼此之间不大有交集。
多天线阵列的不利之处在于，系统必须用非常复杂的算法来找到用户的准确位置，否则就不能精准地将波束对准这个用户。因此，我们不难理解，波束管理和波束控制对Massive MIMO的重要性。
参考资料：
[1] http://www.360doc.com/content/18/0703/08/54080910_767270974.shtml
[2] http://www.elecfans.com/tongxin/rf/20180222638103.html
4.1 Massive MIMO的聚焦特性
有一件事是由Massive MIMO自动获得的。事实上，从天线阵发射的大部分能量集中在非常狭窄的区域。这意味着当您使用更多天线时，波束宽度会变窄。下面的图将给出一个示例，说明随着天线数量的增加，波束衰减的影响。
这种效果会同时造成优势和失败。优势在于不同用户的光束之间的干扰会更少，因为每个光束都会聚焦在非常小的区域，缺点是你必须实现非常复杂的算法来找到用户的确切位置并指导光束给用户高精度。
注*：在本例中，我假设每个天线都传输完全相同的功率，无论它是在2个天线阵列还是在4个天线阵列中。所以你看到4个天线阵列的峰值功率更高。但实际上，它们会增加每个天线的发射功率，因为它们会增加天线的数量。关键是即使增加天线数量，也不应增加整个阵列的总传输功率。
以下是另一个玩具程序，它显示了二维天线阵列中的光束模式（这是线性比例，而不是dB比例）。你会注意到随着阵列中天线数量的增加，波束宽度变得越来越窄。
参考资料：
[1] http://www.sharetechnote.com/html/5G/5G_MassiveMIMO_Motivation.html
4.2 Massive MIMO的波束赋形 vs. 传统的波束赋形
波束赋形是指，大规模多天线系统可以控制每一个天线单元的发射（或接收）信号的相位和信号幅度，产生具有指向性的波束，消除来自四面八方的干扰，增强波束方向的信号。它可补偿无线传播损耗。
至于3D Beamforming，是指在三维空间（水平和垂直空间）形成传输信号的分离波束。
需要说明的是，Massive MIMO的波束赋形和我们通常理解的波束赋形是不一样的。它并不是波束直线指向用户终端，而是可以从多个不同方向指向终端。信号预处理算法可以为波束安排最佳路由，它也可以在精确协调下将数据流经由障碍物反射路径发送到指定用户。
天线阵列和用户之间的多路径环境
这里有一个经典的演示。
假设在一个周围建筑物密集的广场边上有一个全向基站（红色圆点），周围不同方向上分布3台终端（红、绿、蓝X）。
未采用Massive MIMO场景下，当红色终端和基站通信时，无线传播路径是这样的，如下图所示：
采用Massive MIMO场景下，并引入精准的波束赋形后，情况就神奇的变成这样了，如下图所示：
Massive MIMO可改善能效，提升频谱效率，也就不难理解了吧！
参考资料：
[1] http://www.elecfans.com/tongxin/rf/20180222638103.html
[2] https://blog.csdn.net/dallin0408/article/details/79425404
5 Massive MIMO 信道模型怎么数学描述
5.1 点对点MIMO的信道模型（PTP MIMO）
信道模型：以下是PTP MIMO信道模型的简要数学描述
可实现的速率：以下是表示可实现的数据速率的数学模型。这是通用形式，您可以在等式中看到所有因素（例如，Tx数，Rx天线，SNR，通道矩阵）。但根据情况，主导因素会有所不同，您可以将此通用近似为各种其他（更简单）形式。
表达这种公式的另一种方式如下。该等式使用通过SVD获得的奇异矩阵的对角线数来表示相同的事物。（SVD是用于MIMO建模的非常重要的数学工具。如果您对此不熟悉，请参阅SVD页面以了解概念并参考LTE MIMO页面查看应用程序）
当SNR在单元边缘中非常低时，该等式可以近似如下。（本文将详细描述原始方程式如何近似。如果您真正了解详细信息，可能需要查找另一篇论文。）
当发射机天线的数量与接收机天线的数量相比变得非常大时，下面的项可以近似为单位矩阵。（本文未描述如何推导出这种近似）
使用此近似值，您可以重写原始等式，如下所示。
当接收天线的数量与发射机天线的数量相比变得非常大时，原始方程可以表示如下。
参考资料：
[1]http://www.sharetechnote.com/html/5G/5G_MassiveMIMO_ChannelModel_ScaleUpMIMO_FredrikRusek.html
5.2 多用户MIMO的信道模型（MU-MIMO）
5.2.1 什么是MU-MIMO
MU-MIMO代表多用户MIMO。这意味着同时为2个以上的UE执行MIMO，如下所示。这不是一个新概念。我们在当前的LTE（TM5）和WLAN（802.11ad）中具有MU-MIMO。然而，MU-MIMO的规模将更大，部署也将更加普遍。据我所知，我还没有看到TM5真正用于当前LTE直播网络的任何情况。在802.11ad的情况下，与5G网络相比，UE和发射机天线之间的距离设计得非常短。因此，针对5G的MU-MIMO的真正实现将更具挑战性。
实施MU-MIMO有多大的挑战性？根据许多因素，答案会有所不同。即使具有相同数量的用户和相同数量的Tx / Rx天线，也可以有不同的天线分配模式，如下所示。在MU-MIMO实现中可以考虑如下几个因素。
- 应该覆盖多少个UE？
- 将使用多少Tx天线和Rx天线？
- 将使用什么样的接收器设计（均衡器设计）？
- 将使用什么样的预编码算法？
5.2.2 MU-MIMO信道模型
假设BTS具有大量天线并且它们与多个UE通信并且每个UE仅具有一个天线。我们假设BTS天线的数量与UE的数量相比非常大。我们也假设这是TDD系统。
信道矩阵可以表示如下。在TDD中，假设信道互易性成立。如果您有上行链路的信道矩阵，您可以通过转置它来获得下行链路信道模型，反之亦然。
反向链接（上行链路）的容量可以描述如下。
前向链路（下行链路）的容量可以描述如下。
参考资料：
[1]http://www.sharetechnote.com/html/5G/5G_MassiveMIMO_ChannelModel_MU_MIMO_FredrikRusek.html
5.3 全维MIMO的信道模型（FD MIMO）
5.3.1 什么是FD-MIMO
FD代表全尺寸。因此，FD-MIMO代表全尺寸MIMO。那么，Full Dimension在这里意味着什么？这意味着天线系统可以在水平和垂直方向上形成光束（光束），以便它可以覆盖（聚焦）3D空间中的任何位置。下图将向您展示FD与传统多天线系统之间的对比图。
5.3.2 FD-MIMO信道模型
本文基于如下所示的情况。我从论文中扩展了插图，使其更接近于论文中的数学表达式。
与任何其他渠道模型一样，本文从系统模型开始。该环境的系统模型描述如下。
参考资料：
6 Massive MIMO 自适应算法怎么做
6.1 信道质量获取
6.1.1 FDD中CSI的获取
当系统采用FDD模式时，上下行所需要的CSI是不同的。基站侧进行的上行信道估计需要所有用户发送不同的导频序列，此时上行导频传输需要的资源与天线的数目无关。然而，下行信道获取CSI时，需要采用两阶段的传输过程:第一阶段，基站先向所有用户传输导频符号，第二阶段，用户向基站反馈估计到的全部或者部分的CSI，此时传输下行导频符号所需要的资源与基站侧天线数目成正比。当采用Massive MIMO系统，基站侧天线数目增加大大增加了 CSI获取时占用的资源量。
在Massive MIMO系统中，系统所需的反馈信息量随着天线数目的增加成正比例增长，由此引发的系统反馈幵销增加以及反馈信息的准确性及时性降低已经成为FDD双工模式发展的瓶颈。因此，针对Massive M1MO系统FDD模式，最关键的问题，在于降低数据传输中反馈占用的资源量。
6.1.2 TDD中CSI的获取
TDD可以利用信道互易性直接利用上行导频估计出信道矩阵，避免了大量的反馈信息需求。对于TDD系统这种消耗则与用户数量成正比。CSI获取的具体过程如下：首先，系统中所有的信道状态信息；接着基站使用估测到的信道状态信息检测上行数据并生成下行传的用户同时发送上行数据信号；随后用户发送导频序列，基站利用这些导频序列估计小区中用户输的波束赋形矢量。然而，由于多用户Massive MIMO系统中，基站侧天线数目及系统中用户数目都很多，使得相邻小区的不同用户对应的导频序列可能不完全正交，从而引入了用户间干扰，及导频污染问题。对于TDD传输模式，导频污染是限制其性能的重要因素之一，因而受到了国内外专家学者的广泛重视。
参考资料：
[1] https://wenku.baidu.com/view/906431e003d276a20029bd64783e0912a2167ce9.html
6.2 信道估计
以下是基于大规模MU-MIMO下行链路系统的线性预编码性能（[1]）。这是为了估计eNB的上行链路信道质量的质量。在直到LTE的大多数情况下，大多数信道估计是由UE侧使用由eNB发送的参考信号完成的，但是在Massive MIMO系统中，如果UE必须对此进行信道估计，则UE的开销将太大。很多天线，更严重的是它需要太多的资源用于下行链路信号的参考信号。因此，对于5G Massive MIMO最常提出的想法之一是使用TDD并且让eNB使用上行链路信道执行信道估计并且应用该信息来配置下行链路信号。本论文的主要内容是UL信号的信道估计。
首先，说明了本文要分析的整体系统。我觉得你现在熟悉这种画。您可能会注意到此插图与您在许多其他渠道模型页面中看到的另一个插图之间的巨大差异。你能猜出这是什么 ？这是箭头的方向。在大多数其他信道估计页面中，箭头的方向是从eNB到UE。但是在这种情况下，方向是从UE到eNB，意味着UE天线是Tx并且eNB天线是Rx。
关于信道估计的另一个重要事项是弄清楚如何在发送的子帧中分配参考信号。在本论文中，上行链路子帧中的参考信号被分配如下。
通过通道矩阵和参考信号，您可以为该系统编写通道模型，如下所示。每当您看到任何通道模式（系统方程）时，首先检查每个矩阵和向量的维度，并尝试理解矩阵的每个列和行的含义。那么你就可以很好地理解系统方程的含义。（在信道矩阵H中，行数对应于Rx天线的数量，列数对应于Tx天线的数量）。
从简化的系统公式中，您可以为每个天线写入接收信号的公式，如下所示。
假设基站正在使用MMSE信道估计，则每个信道矢量（从一个发射机天线到所有接收机天线的矢量）可以描述如下。如果不参考其他参考文献，很难理解如何得出这一点。我只是在撰写结论，并让每个读者参考其他参考资料，以找出推导的细节。这是每个通道路径的估计值。
参考资料：
6.3 MIMO 自适应
步骤1：对信道传输矩阵H进行SVD分解：
对角阵 S 中的元素 s1，s2就是 H 矩阵的奇异值。奇异值的个数，直接反应了信道所支持的“自由度”数目。奇异值的个数，就是该信道矩阵的秩（Rank）。
条件数越接近1，说明信道中各个平行子信道（自由度）的传输条件都很好，很平均；比值越大，说明各个子信道的传输条件好的好，差的差。
步骤2：使用右酉阵 V，可以对发送信号进行“预处理”，将传输过程转化成具有“平行子信道”的对角阵形式；
步骤3：有了信道矩阵秩的信息（奇异值的个数），可以灵活的调整空间流数（自由度），从而提高通信系统效率；
步骤4：知道了奇异值的个数和大小后，可以使用“注水算法”分配发送功率，提升系统容量。
6.4 预编码
预编码技术主要是在发射端对于传输信号进行处理的过程，其主要目的是优化传输信号，简化接收端复杂程度，提升系统容量及抗干扰能力。
线性预编码：匹配滤波器(MF)、迫零预编码(ZF）
非线性预编码：脏纸编码(DPC)、矢量预编码(VP)
线性预编码复杂度低，实现较简单。非线性预编码如脏纸编码计算复杂度较高，但往往会获得更佳的效果。然而，在Massive MIMO系统中，随着基站侧天线数目的增长，—些线性预编码算法，比如匹配滤波器(MF)、迫零预编码(ZF)等将会获得渐进最优的性能。因此，在实际应用中，采用低复杂度的线性预编码算法更为现实。
参考资料：
[1] https://wenku.baidu.com/view/906431e003d276a20029bd64783e0912a2167ce9.html
7 Massive MIMO系统架构及测试怎么进行
7.1 Massive MIMO系统架构
支持Massive MIMO的有源天线基站架构以三个主要功能模块为代表：射频收发单元阵列，射频分配网络和多天线阵列。
射频收发单元阵列包含多个发射单元和接收单元。发射单元获得基带输入并提供射频发送输出，射频发送输出将通过射频分配网络分配到天线阵列，接收单元执行与发射单元操作相反的工作。RDN将输出信号分配到相应天线路径和天线单元，并将天线的输入信号分配到相反的方向。
RDN可包括在发射单元（或接收单元）和无源天线阵列之间简单的一对一的映射。在这种情况下，射频分配网络将是一个逻辑实体但未必是一个物理实体。
天线阵列可包括各种实现和配置，如极化、空间分离等。
射频收发单元阵列、射频分配网络和天线阵列的物理位置有可能不同于下图逻辑表示，取决于实现。
支持MassiveMIMO的有源天线基站架构
7.2 Massive MIMO测试技术
随着天线系统向现代化的发展，尤其是5G的演进，一体化的基站有源天线系统（AAS）形态逐渐成为主流，通道数越来越多，有源天线连接方式也会简化，RU和天线高度集成，射频指标不再局限于传统的RU传导测试，OTA测试将成为未来测试演进的方向，同时也将带来极大的测试挑战。
表 天线系统的演进对测试技术的挑战
|
天线系统 |
天线系统特点 |
测试方式 |
是否支持传导测试 |
测试挑战 |
|
RRU+天线 |
1、天线与RRU相互分离，天线与基站的设计制造可相对独立； |
RRU和天线独立测试 |
是 |
成熟基站型态，测试技术成熟，无挑战。 |
|
一体化 |
1、天线和RRU一体化集成，非标准接口连接，天线设计需要与RF模块设计同步； |
一体化测试+分体测试 |
是，接口非标准 |
1、传导测试接口非标准，RRU RF指标无法反映一体化有源天线的性能； |
|
Massive MIMO天线 |
1、天线与基站深度融合，传统的部件独立测试存在挑战； |
整机测试成为主流 |
取决整机设计 |
主流的整机设计将难以拆卸，存在无对外RF接口形态，需要依赖大量OTA测试，测试标准正在讨论中。 |
参考资料：
[1] http://www.elecfans.com/d/611885.html
[2] https://wenku.baidu.com/view/8cd52348ec630b1c59eef8c75fbfc77da26997f2.html
[3] https://wenku.baidu.com/view/a7e6f61478563c1ec5da50e2524de518964bd32a.html
8 Massive MIMO 商用进展怎样
8.1 中兴
2015年，中兴基于TDD的Pre5G Massive MIMO完成产品开发和外场测试，多家运营商开始商用测试和部署。
2016年2月，在巴塞罗那举行的MWC 2016世界移动通信大会上，该产品荣获 “最佳移动技术突破”（Best Mobile Technology Breakthrough）以及“CTO之选”（Outstanding overall Mobile Technology-The CTO’s Choice 2016）双料大奖，这可是被业界认可的最高荣誉。
TDD Massive MIMO 2.0
随后，在中国、日本、印尼等人口大国的运营商进行了规模商用部署，我们在街头发现了中兴的这个基于TDD的Pre5G Massive MIMO基站。
正是依托于TDD Massive MIMO技术规模商用积累的大量传播特性数据，中兴研发团队创造性地提出FDD制式的Massive MIMO信道测量与估计专利算法，实现了FDD宏观对称性，在无须手机更多配合的情况下大幅提升了频谱效率。
同时，中兴通讯自研的矢量处理芯片MCS2.0提供了强大的信号运算与处理能力，为FDD Massive MIMO复杂的算法实现提供了可能。
闭关修炼，终成正果。2016年12月30日，中兴通讯发布了全球首个基于FDD LTE制式的Massive MIMO解决方案，并与中国联通合作完成外场预商用验证。
今天，短短2个月后，我们又看到了中兴在FDD Massive MIMO上的技术突破。无疑，作为中兴Pre5G的标签技术，Massive MIMO引入FDD制式后，为全球最为广泛部署的FDD-LTE网络解决了频谱效率亟待提升的难题，将进一步拓展了Pre5G的商用空间。据称，中兴通讯Pre5G已经在全球30个国家，超过40个网络中进行了部署。又一个新时代开启，移动通信的发展速度实在令人惊叹！
参考资料：
[1] http://www.elecfans.com/tongxin/rf/20180222638103.html
8.2 华为
业务痛点
在3G时代，还可以根据经验从13种无线参数组合中挑出最优参数组合。 而在4G和5G时代，面对高达几百种乃至成千上万种的参数组合，再依靠过去的经验，通过人工的方式去找出Pattern最优值几乎是不可能的。软银曾经反馈人工尝试调整一种Pattern，因为操作效率低，风险大，单个Pattern调节约一周时间，一般不敢调。
解决方案
本方案采用随机森林算法进行建模和预测，通过对现网数据的采集、分析、整理和标注，送入AI推理平台使用随机森林模型进行计算最优初始值。同时在最优初值的基础上，通过迭代优化的方法，短期内收敛到最优参数组合。
方案价值
该方案在J国S运营商进行现网验证，1天内找出最优初值，一周左右时间进行迭代优化、完成最优配置参数组合。网络流量提升17%左右，用户容量提升18.4%。
参考资料：
[1] https://www.huawei.com/cn/industry-insights/technology/softcom-ai/cases/cases-1
9 参考资料
[1] https://massivemimo.eu/research-library
[2] http://www.sharetechnote.com/left_5G.html
[3] http://www.360doc.com/content/18/0703/08/54080910_767270974.shtml 什么是大规模天线(Massive MIMO)技术，为何5G要用MIMO天线
[4] https://blog.csdn.net/dallin0408/article/details/79425404 Massive MIMO与波束赋形关系及背后的信号处理
[5] http://www.elecfans.com/tongxin/rf/20180222638103.html 解析Massive MIMO大规模天线原理及实现2.61Gbps 峰值速率
[6] http://www.elecfans.com/d/611885.html 基于5G的Massive MIMO定义、系统架构及测试技术的解析
[7]https://wenku.baidu.com/view/906431e003d276a20029bd64783e0912a2167ce9.html Massive-MIMO
[8] http://www.elecfans.com/tongxin/rf/20171229609071.html Massive MIMO测试技术讲解分析
[9] https://www.huawei.com/cn/industry-insights/technology/softcom-ai/cases/cases-1 Massive MIMO 调优