近些年,随着无线通信技术的高速发展,尤其是4G通信广泛使用以来,系统的传输速度比以往更快,用户的体验效果更佳,这也刺激了人们对无线业务的需求,从而使人们对服务体验、大数据承载以及移动宽带接入等提出了更高的要求。预计未来的无线数据流量将呈现爆炸式的增长情形。因此,5G无线通信系统已经成为学者和专家研究的重点。大规模MIMO(Multiple-Input Multiple-Output)技术通过配置大量的天线可以提升系统的频率效率、数据传输速率以及链路可靠性,已成为5G关键技术之一,是近几年来研究的热点。大规模MIMO系统中,随着天线数量的增多,基于码本的有限反馈预编码系统中的码字数量也会增多,这样会增加系统的反馈开销,使系统的成本和设计复杂度增加。本文重点研究的内容是利用无监督学习的聚类算法结合码本中码字的数据特征,将相似的码字聚在一起,用类簇中的中心点码字代替整个簇中的码字,减少整个码本空间的码字数量,从而减少了系统的反馈开销。具体的工作内容如下所示:1.对大规模MIMO系统基本原理及其关键技术进行了概念性介绍以及公式的推导分析,给出了三种检测算法的仿真图;并对有限反馈预编码技术和码本的构造方法作了概念和原理上的详细介绍。根据毫米波的有限散射特性,利用射线追踪模型方法,分别建立了系统的单用户和多用户信道模型。2.对机器学习中的无监督聚类算法的相关概念性知识以及聚类的过程做了简单介绍,同时简单描述了五种聚类算法基本思想和具体的典型算法,着重研究了K-medoids聚类算法的基本思想和聚类过程。通过研究码本中码字的数据特征,利用K-medoids聚类算法根据码字的数据特征将相似的码字聚类,来减少了系统的反馈开销。根据仿真图对比证明,经过聚类算法处理后的码本与没有处理过的码本相比较,在同反馈开销的情况下,前者的性能要好于后者。