Massive MIMO计数作为一种新的多天线技术，它的主要优势在可以体现在四个方面：第一， Massive MIMO的空间分辨率很高，可以在同一频段和时间上服务多个用户，大大提高了频谱效率。第二：Massive MIMO可以大大降低发射功率，减少系统的能源消耗，提高了功率效率。第三，Massive MIMO 中用户之间信道可以近似认为是正交的，用户之间的辐射干扰功率大大降低。第四，由于Massive MIMO中引入的大规模天线阵列，一些简单的线性预编码和数据检测方法趋向于最优，同时不相关的噪声和干扰都可以消除。
近年来，关于大规模 技术的研究集中于信道模型和容量分析、无线传输理论、信道信息获取、协作多用户联合资源调配方法等方面，但是还有许多问题亟待解决：第一，由于大规模 信道的空间分辨率显著增强，信道是否具有新的特性，还没有广泛认可的系统模型被提出来。由于导频污染效应，我们假设的模型都是基于TDD模式的，难以用于FDD模式以及高速移动中的通信；第二，由于收发两端天线个数的显著增加，信道信息获取成为瓶颈问题，需要很长的导频序列才能获得期望的信道信息，这意着大规模 传输理论将不同于现有的 传输；第三，为有效支持大规模 传输，提高整个通信系统资源利用率和能耗效率，我们需要研究新的协作多用户联合资源调配方法。第四，由于导频数量与用户数成线性增长，用于获取导频的时隙将会变得不可承受，需要我们研究新的联合信道估计和数据检测的方法。
虽然Massive MIMO存在如此多的挑战，但是以其极高的频谱效率和功率效率受到越来越多的学者关注。可以预测，Massive MIMO 技术将会成为5G 的核心技术之一。本课题主要研究在大规模MIMO系统接收机中使用混合精度模数转换器（Analog-to-Digital Converter, ADC）。
由于大规模MIMO系统中基站配置天线数量非常大，若采用高精度的模数转换器，基站的成本将变得难以承受。接收端通过减小ADC的量化精度（极端情形是采用1-bit的ADC）可以显著的降低基站的能量和硬件实现开销。然而，这带来了两个新的问题。第一个问题是在大规模MIMO中，是否可以采用低精度的ADC。从信息论的角度来看，不精确的量化给MIMO信道的系统容量带来的损失是非常小的，例如在4 4的MIMO（QPSK调制）中，系统容量的损失只有1.5793bit/s[3]。在信噪比SNR很低的条件下，1-bit MIMO系统的互信息量是未经量化的MIMO系统的2/π倍[3]。第二个问题是基站如何实现基于低精度基带数据的多用户检测。虽然对于量化MIMO，目前已经提出了很多种检测方法，例如最大似然检测（Maximum Likelihood，ML）、反馈平均（ ，DFE）检测、最小均方误差（ ， ）检测等等，但是在大规模MIMO系统下，它们的性能都有所下降[4]。在较低的量化精度下，需要探索更为合适的信号重建算法，最近有学者提出近似消息传递算法（ ，AMP）[5][6]，而如何将AMP算法应用在低精度量化的大规模MIMO系统中也是本文研究的主要内容。
1.3 国内外研究现状
1.4 论文的组织结构
本文考虑大规模MIMO接收机中使用低精度ADC，主要比较了简单的接收算法在低精度量化情况下的性能，同时将新的信号重建算法GAMP算法应用在大规模MIMO量化系统中，本文主要结构如下：
第一章：主要概述本课题研究背景和意义，并对大规模MIMO技术进行简要讨论，最后介绍了国内外发展现状；
第二章：概述了大规模MIMO系统模型；同时研究了四种经典的数据检测方法：MF，MMSE，AMMSE，ZF，并给出仿真结果；
第三章：主要讨论近似消息传递算法，首先介绍了压缩感知的相关概念，通过消息传递和压缩感知的结合，以及相应的近似和推导，我们可以得到GAMP算法。本章后半部分引入了GAMP的迭代过程，并应用到大规模MIMO系统中； 利用混合精度模数转换器的大规模MIMO系统设计(3):http://www.751com.cn/tongxin/lunwen_30652.html