A Tutorial on Near-Field XL-MIMO Communications Towards 6G【论文阅读笔记】

本文主要是介绍A Tutorial on Near-Field XL-MIMO Communications Towards 6G【论文阅读笔记】,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

此系列是本人阅读论文过程中的简单笔记,比较随意且具有严重的偏向性(偏向自己研究方向和感兴趣的),随缘分享,共同进步~

论文主要内容:

  1. 建立XL-MIMO模型,考虑NUSW信道和非平稳性;

  2. 基于近场信道模型,分析性能(SNR scaling laws,波束聚焦、速率、DoF)

  3. XL-MIMO设计问题:信道估计、波束码本、波束训练、DAM

XL-MIMO信道特性变化:

  1. UPW ➡ NUSW
  2. 空间平稳–>空间非平稳(可视区域)
  3. 耦合现象+极化差异
  • 远场UPW模型,所有阵元经历相同的信号幅度和AoA。此外,阵列响应向量仅与θ有关,阵元间的相位变化与天线指数m呈线性关系。

  • 通常情况下,相邻阵元之间采用半波长间隔,以规避阵元间互耦的影响,从而获得空间分集增益。

  • 信道模型的增益和相位信息都依赖距离,远场中是进行了三种近似。ULA再近似简化。

  • 作为分离近场和远场区域的经典准则,瑞利距离对应于最小链路距离,因此,如果使用阵列接收,通过假设正入射,阵元间接收信号的最大相位差不大于π / 8。瑞利距离只考虑了阵元间的相位变化,而忽略了幅度变化。

  • 近场阵列响应向量建模涉及近场相位和幅度建模。细致四分:UPW、NUPW、USW、NUSW,文中提出可简化三分:UPW、USW、NUSW。近场近场信道建模后分析Los/多径XL-MIMO模型。

  • 随着阵列规模的显著增加,空间非平稳性在整个阵列中出现,即阵列的不同部分可能经历不同的传播环境,如簇集和/或障碍物。因此,VR可以用来表征这种空间非平稳性。

  • 信道模型:LoS、多径、基于空间相关性、UPA、模块化XL-MIMO

XL-MIMO类别:

  • 离散(本文)与连续孔径XL-MIMO(全息MIMO)(根据实现方式划分)

  • 排列(部署问题)、稀疏(部署+栅瓣问题)、模块化(部署+栅瓣问题)和分布式XL-MIMO(大区域+同步/信息交互)(根据阵元间距不同划分)

XL-MIMO的性能分析

  • Scaling laws描述了模型尺寸与其能力的关系。

  • 在无线通信中,DoF,也称为空间复用增益,被定义为容量对SNR的渐近斜率。一般来说,DoF被用来表示信道可以同时支持的独立数据流的数目,较大的DoF可以获得较高的系统容量性能。对于传统的基于UPW信道建模的大规模MIMO通信,DoF受限于信道路径的数量,而LoS场景下只有一条路径。然而,在近场XL - MIMO通信中,得益于同时具有角度和距离分辨能力的NUSW特性,可以获得优越的DoF性能。

  • 基于码本的近场波束训练方法,其目的是选择最佳波束,以便在BS和用户之间建立高质量的链路,而不需要显式的CSI。信道估计,目的是获得完整的信道矩阵,这有利于实现进一步的信号处理设计和性能分析。

未来方向

  1. 多小区近场XL-MIMO通信(小区间干扰、导频污染)

  2. 多路径近场波束训练与波束跟踪

  3. 采用XL-MIMO实现近场主被动混合通信(RIS)

  4. 近场ISAC与XL-MIMO

疑问:

  • 模块化XL-MIMO和不改变距离的子阵列划分方案的异同?

  • 稀疏转换矩阵和波束码本异曲同工?

注:
有序标号1. 2. 3. 一般为章节目录/主要内容;无序标号 · 一般为个人主观意愿(想要记录的);水平有限,难免有误,敬请指正!

原文链接

END
2024年9月2日20点09分

这篇关于A Tutorial on Near-Field XL-MIMO Communications Towards 6G【论文阅读笔记】的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1131765

相关文章

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟 开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚 第一站:海量资源,应有尽有 走进“智听

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear

数学建模笔记—— 非线性规划

数学建模笔记—— 非线性规划 非线性规划1. 模型原理1.1 非线性规划的标准型1.2 非线性规划求解的Matlab函数 2. 典型例题3. matlab代码求解3.1 例1 一个简单示例3.2 例2 选址问题1. 第一问 线性规划2. 第二问 非线性规划 非线性规划 非线性规划是一种求解目标函数或约束条件中有一个或几个非线性函数的最优化问题的方法。运筹学的一个重要分支。2

【C++学习笔记 20】C++中的智能指针

智能指针的功能 在上一篇笔记提到了在栈和堆上创建变量的区别,使用new关键字创建变量时,需要搭配delete关键字销毁变量。而智能指针的作用就是调用new分配内存时,不必自己去调用delete,甚至不用调用new。 智能指针实际上就是对原始指针的包装。 unique_ptr 最简单的智能指针,是一种作用域指针,意思是当指针超出该作用域时,会自动调用delete。它名为unique的原因是这个

查看提交历史 —— Git 学习笔记 11

查看提交历史 查看提交历史 不带任何选项的git log-p选项--stat 选项--pretty=oneline选项--pretty=format选项git log常用选项列表参考资料 在提交了若干更新,又或者克隆了某个项目之后,你也许想回顾下提交历史。 完成这个任务最简单而又有效的 工具是 git log 命令。 接下来的例子会用一个用于演示的 simplegit

记录每次更新到仓库 —— Git 学习笔记 10

记录每次更新到仓库 文章目录 文件的状态三个区域检查当前文件状态跟踪新文件取消跟踪(un-tracking)文件重新跟踪(re-tracking)文件暂存已修改文件忽略某些文件查看已暂存和未暂存的修改提交更新跳过暂存区删除文件移动文件参考资料 咱们接着很多天以前的 取得Git仓库 这篇文章继续说。 文件的状态 不管是通过哪种方法,现在我们已经有了一个仓库,并从这个仓