香港中文大学（深圳）理工学院林圳同学的论文Minimax Design of Constant Modulus MIMO Waveforms于2018年7月被 IEEE-ACSSC会议接收，并获邀在该会议上进行演讲。林圳是理工学院统计科学专业的本科生，是该论文的第一作者。

       在美国加州Pacific Grove召开的Asilomar会议（ACSSC）是一个专注于信号，系统以及计算机的年度会议，是该领域最顶级的国际会议之一。该会议由IEEE信号处理协会 (The IEEE Signal Processing Society) 协力举办。作为数据通信的重要会议，ACSSC 每年都能汇集来自信号处理与通信系统领域的权威专家和专业人士，提供论坛讨论和分享有关信号处理理论和应用的新想法。会议通常持续四到五天，相关领域的顶级专家将会展示最新的研究成果。

       林圳同学多次获得学院Dean’s list Award（院长嘉许）、一等学业奖学金、优秀学生奖以及逸夫书院Master’s List Award（院长嘉许）等，并多次担任理工学院Undergraduate Student Teaching Fellows（本科生教学助理），同时还在深圳市大数据研究院学习和参与研究。

林圳（左一）、罗智泉教授（中）、丘成桐教授（右一）

作者档案

       林圳

       学院：理工学院

       书院：逸夫书院

       专业：统计科学

       高中：深圳实验学校高中部

导师简介

       罗智泉教授

       罗智泉教授于1984年在北京大学数学系获学士学位。同年他经美国数学学会以及美国工业与应用数学学会联合选拔（又称陈省身项目），获赴美攻读博士资格，进入美国麻省理工学院电子工程与计算机科学系以及运筹学中心学习，并于1989年获得博士学位。1998年成为加拿大麦克马斯特大学终身教授。2000年至2003年，任加拿大麦克马斯特大学电子与计算机工程系主任以及加拿大国家科研讲席教授。2003年至2014年，任美国明尼苏达大学电子与计算机工程系终身教授以及ADC讲席教授。自2014年5月，罗智泉教授被聘为香港中文大学（深圳）副校长，主管学术和科研。自2016年3月起，罗智泉教授兼任深圳大数据研究院院长。

论文介绍

发表会议

       2018 IEEE Asilomar Conference on Signals, Systems and Computers (ACSSC 2018) 

会议简介

       在美国加州Pacific Grove召开的Asilomar会议（ACSSC）是一个专注于信号，系统以及计算机的年度会议，是该领域最顶级的国际会议之一。该会议由IEEE信号处理协会 (The IEEE Signal Processing Society) 协力举办。作为数据通信的重要会议，ACSSC 每年都能汇集来自信号处理与通信系统领域的权威专家和专业人士，提供论坛讨论和分享有关信号处理理论和应用的新想法。会议通常持续四到五天，相关领域的顶级专家将会展示最新的研究成果。

       该会议主要内容涵盖：机器学习、数据分析、多传感器系统、架构与实施、阵列信号处理、生物医学信号与图像处理、通信系统、（MIMO）多输入多输出通信与信号处理、网络、信号处理与自适应系统、语音，图像和视频处理。近期会议涉及领域更加广泛，从盲源分离，随机网络，MIMO通信，低维信号模型的结果到控制中的信号处理应用，无线通信，金融工程，智能电网，生物系统，医学成像和大数据等等。

论文题目

       Minimax Design of Constant Modulus MIMO Waveforms

论文摘要

       多输入多输出（Multiple Input Multiple Output, MIMO） 阵列系统是现代无线电信号处理领域的一个主要研究方向， 其以灵活的空间、时间信号处理自由度， 而广泛地使用在雷达、 无线遥感、 通信等众多应用领域。对于 MIMO 系统而言， 其同时使用的多组 MIMO 时域波形之间的自相关、互相关性与最终系统的信号处理性能直接相关， 如定位精度、检测性能、 参数分辨力等。 因此， 实际中往往需要预先设计具有尽可能低自、 互相关性的 MIMO 波形以保证后续信号处理性能。

       本研究针对大规模 MIMO 系统， 聚焦于设计具有低自、 互相关性的 MIMO 波形和失配(或匹配)接收滤波器。 所面临数学难点不仅在于优化问题规模大（超过十万级优化变量数，超过一百万个非线性约束条件），同时为保证所设计的 MIMO 波形组之间的低相关性， 所求解的优化问题为高度非线性且非光滑的非凸优化问题。为同时保证求解过程的计算效率和 MIMO 波形的低相关性性能， 本研究基于原始-对偶（Primal-Dual） 方法设计了一种并行计算的迭代算法。 每次迭代过程所涉及的子问题不仅求解计算复杂度低同时计算过程可并行化，大大提高了波形设计的整体计算效率。 数值仿真实验表明所设计的波形相较于现有基于l2范数的方法能进一步降低峰值旁瓣 4-5dB。

对话

       Q1: 该论文关注现代无线电信号处理领域的多输入多输出（MIMO）阵列系统，聚焦于设计具有低自、互相关性的 MIMO 波形，其研究方法和数学算法高度相关。为什么会选择这个研究问题？作为统计科学专业的学生，在研究过程中肯定会碰到很多大大小小的专业的以及非专业的难点，面对这两种情况，你是怎么解决的？

       A1: 选择这个题目不仅是因为它是一个重要而且热门的主题，更因为它需要非常深的数学知识和很强的编程能力，是一个很难的题目。我对数学特别感兴趣，选这个题目可以让我学会灵活运用学过的数学知识，找出自己的不足之处，通过自学来弥补这些不足。同时还可以自己编程来实现自己研究出的数学算法。

       其实这个研究题目本身跟统计并没有很大的联系。并没有用到很专业的统计知识。很强的数学和编程能力是关键。但是我发现统计课上学到的知识是可以很巧妙地运用到研究中来的。举个例子，算法的效率在研究中是很关键的一点。尤其是处理这种大规模且高度复杂的问题的时候，算法效率显得更为重要。起初，我的算法在处理大规模问题的时候效率不够高，使得我在有限的时间内不能做足够多次的实验。后来统计课里的discrete Fourier transform（离散傅里叶变换）给了我启发，于是我自学和拓展了其它相关知识，并以此为基础，通过编程重新写了MATLAB自带的函数。结果我自己重写的函数用在我的程序中，比MATLAB自带函数效率高出许多，成功将我的程序的效率提高了几百倍。我在研究过程中还遇到很多困难的问题，需要花大量时间，不断思考，尝试，学习新知识，来解决这些问题。

林圳获理工学院Dean’s list Award（院长嘉许）

       Q2: 你现在在深圳大数据研究院，很多人对研究院颇为好奇，能说一下当初进入研究院的契机是什么？平时的工作日常又是什么？在研究院的研究任务，和你的专业知识，有什么相互影响吗？

        A2: 当时进深圳大数据研究院是因为我感觉做研究可以学到很多课堂里学不到的知识和技能。更重要的是，可以跟着罗智泉教授这样的大师学习。同时，研究院里还有许多优秀的同学和有趣的项目。

       做研究跟平时的课堂学习有很大的不同。平时上课，老师会告诉你这周要学哪些知识，做哪些作业。你也可以很清楚你会在这学期之内完成这门课的学习。可是做研究并没有特别清晰的路标，也不像作业和考试那样有固定的问题数量以及知识范围。做研究工作，最大的特点就是要花大量的时间和精力，非常辛苦。也许在解决一个问题的时候又会出现多个其他的问题。每个问题也不保证一定有可行的方法。需要自己去摸索和尝试。一个问题可能好几个月也找不到好的方法去解决。这些带给我最直接的好处就是克服困难的能力，这对我平时的专业学习是有帮助的。

资料来源：理工学院

文案：刘浩翔（2017级理工学院学生）