Massive MU-MIMO (Multiuser-Multiple Input and Multple Output) is a promising technology for 5G wireless communications because of its spectrum and energy efficiency. To combat the distortion from multipath fading channel, the acquisition of channel state information is essential, which generally requires the training signal that lowers the data rate. In addition, coarse quantization can reduce the high computational energy and cost, yet results in the loss of information. In this thesis, an iterative decision feedback receiver, including iterative Channel Estimation (CE) and equalization, is constructed for a Massive MU-MIMO uplink system. The impact of multipath distortion and coarse quantization can be gradually reduced due to the iterative structure that exploits extrinsic feedback to improve the CE and data detection, so that the data rate is improved by reducing training signals for CE and by using low precision quantization. To observe and evaluate the convergence behaviour, an Extrinsic Information Transfer (EXIT) chart method is utilized to visualize the performance of the iterative receiver. / Graduate

[pt] O emprego conjunto de Redes de Acesso por Rádio em Nuvem (CRANs) e sistemas de múltiplas entradas e múltiplas saídas (MIMO) de larga escala é uma solução chave para atender aos requisitos da quinta geração (5G) de redes sem fio. No entanto, alguns desafios ainda precisam ser superados como a redução do consumo de energia do sistema, a capacidade limitada dos links fronthaul e a redução dos custos de implantação e operação. Embora seja prejudicial para o desempenho do sistema, a quantização em baixa resolução é proposta como uma solução para estes desafios. Portanto, técnicas que melhoram o desempenho de sistemas quantizados grosseiramente são necessárias. Em sistemas móveis, os ADCs geralmente são precedidos por um controle de ganho automático (AGC). O AGC trabalha moldando a amplitude do sinal recebido dentro do intervalo do quantizador para usar eficientemente a resolução. A fim de solucionar esses problemas, esta dissertação apresenta uma otimização conjunta do AGC, que funciona nas cabeças de rádio remotas (RRHs), e um filtro de recepção linear de baixa resolução consciente (LRA) baseado no mínimo erro quadrático médio (MMSE), que funciona na unidade de nuvem (CU), para sistemas quantizados grosseiramente. Desenvolvemos receptores de cancelamento de interferência lineares e sucessivos (SIC) com base na proposta conjunta de AGC e LRA MMSE (AGC-LRA-MMSE). Uma análise da soma das taxas alcançáveis juntamente com um estudo de complexidade computacional também são realizadas. As simulações mostram que o projeto proposto fornece taxas de erro reduzidas e taxas alcançáveis mais altas do que as técnicas existentes. / [en] The joint employment of Cloud Radio Access Networks (C-RANs) and large-scale multiple-input multiple-output (MIMO) systems is a key solution to fulfill the requirements of the fifth generation (5G) of wireless networks. However, some challenges are still open to be overcome such as the high power consumption of large-scale MIMO systems, which employ a large number of analog-to-digital converters (ADCs), the capacity bottleneck of the fronthaul links and the system cost reduction. Although it often affects the system performance, the low-resolution quantization is a possible solution for these problems. Therefore, techniques that improve the performance of coarsely quantized systems are needed. In mobile applications, the ADCs are usually preceded by an automatic gain control (AGC). The AGC works shaping the received signal amplitude within the quantizer range to efficiently use the ADC resolution. Then, the optimization of an AGC is especially important. In order to present possible solutions for these issues, this thesis presents a joint optimization of the AGC, which works in the remote radio heads (RRHs), and a low-resolution aware (LRA) linear receive filter based on the minimum mean square error (MMSE), which works in the cloud unit (CU), for coarsely quantized large-scale MIMO with CRAN systems. We develop linear and successive interference cancellation (SIC) receivers based on the proposed joint AGC and LRA MMSE (AGCLRAMMSE) approach. An analysis of the achievable sum rates along with a computational complexity study is also carried out. Simulations show that the proposed design provides improved error rates and higher achievable rates than existing techniques.

[pt] As redes da Internet das Coisas (IdC) incluem dispositivos inteligentes que contêm muitos sensores que permitem interagir com o mundo físico, coletando e processando dados de streaming em tempo real. O consumo total de energia e o custo desses sensores afetam o consumo de energia e o custo dos dispositivos IdC. O tipo de sensor determina a precisão da interface analógica e a resolução dos conversores analógico-digital (ADCs). A resolução dos ADCs tem um compromisso entre a precisão de inferência e o consumo de energia, uma vez que o consumo de energia dos ADCs depende do número de bits usados para representar amostras digitais. Nesta tese, apresentamos um esquema de aprendizado distribuído com eficiência energética usando sinais quantizados para redes da IdC. Em particular, desenvolvemos algoritmos de gradiente estocástico com reconhecimento de quantização distribuído (DQA-LMS) e de mínimos quadrados recursivos com reconhecimento de quantização distribuído (DQA-RLS) que podem aprender parâmetros de maneira eficiente em energia usando sinais quantizados com poucos bits, exigindo um baixo custo computacional. Além disso, desenvolvemos uma estratégia de compensação de viés para melhorar ainda mais o desempenho dos algoritmos propostos. Uma análise estatística dos algoritmos propostos juntamente com uma avaliação da complexidade computacional das técnicas propostas e existentes é realizada. Os resultados numéricos avaliam os algoritmos com reconhecimento de quantização distribuída em relação às técnicas existentes para uma tarefa de estimação de parâmetros em que os dispositivos IdC operam em um modo ponto a ponto. Também apresentamos um esquema de aprendizado federativo com eficiência energética usando sinais quantizados para redes de IdC. Desenvolvemos o algoritmo federated averaging LMS (QA-FedAvg-LMS) com reconhecimento de quantização para redes IdC estruturadas por configuração de aprendizado federativo em que os dispositivos IdC trocam suas estimativas com um servidor. Uma estratégia de compensação de viés para QA-FedAvg-LMS é proposta junto com sua análise estatística e a avaliação de desempenho em relação às técnicas existentes com resultados numéricos. / [en] Internet of Things (IoT) networks include smart devices that contain many sensors that allow them to interact with the physical world, collecting and processing streaming data in real time. The total energy-consumption and cost of these sensors affect the energy-consumption and the cost of IoT devices. The type of sensor determines the accuracy of the analog interface and the resolution of the analog-to-digital converters (ADCs). The ADC resolution requirement has a trade-off between sensing performance and energy consumption since the energy consumption of ADCs strongly depends on the number of bits used to represent digital samples. In this thesis, we present an energy-efficient distributed learning framework using coarsely quantized signals for IoT networks. In particular, we develop a distributed quantization-aware least-mean square (DQA-LMS) and a distributed quantization-aware recursive least-squares (DQA-RLS) algorithms that can learn parameters in an energy-efficient fashion using signals quantized with few bits while requiring a low computational cost. Moreover, we develop a bias compensation strategy to further improve the performance of the proposed algorithms. We then carry out a statistical analysis of the proposed algorithms along with a computational complexity evaluation of the proposed and existing techniques. Numerical results assess the distributed quantization-aware algorithms against existing techniques for distributed parameter estimation where IoT devices operate in a peer-to-peer mode. We also introduce an energy-efficient federated learning framework using coarsely quantized signals for IoT networks, where IoT devices exchange their estimates with a server. We then develop the quantization-aware federated averaging LMS (QA-FedAvg-LMS) algorithm to perform parameter estimation at the clients and servers. Furthermore, we devise a bias compensation strategy for QA-FedAvg-LMS, carry out its statistical analysis, and assess its performance against existing techniques with numerical results.