Massive MIMO (mMIMO) antenna with phase shifter and radio signal phase synchronization
PulseAugur coverage of Massive MIMO (mMIMO) antenna with phase shifter and radio signal phase synchronization — every cluster mentioning Massive MIMO (mMIMO) antenna with phase shifter and radio signal phase synchronization across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架利用LiDAR和AI实现高效海量MIMO波束管理
研究人员开发了一种新颖的海量MIMO系统环境感知波束管理框架，旨在减少波束训练开销并在多用户场景下提高协调效率。这种几何驱动的方法利用多模态环境数据（如3D LiDAR点云和位置信息）来构建离线虚拟基站（VBS）数据库。该系统对主导反射路径进行建模，并利用这些几何信息重建粗略信道估计，然后通过最小化的在线训练进行精炼。提出了一种分层深度强化学习框架DD3QN-CBS来管理波束选择和用户间干扰，与现有方法相比显示出显著的优势。
-
新的去斜率技术提高了Massive MIMO系统中AI的准确性
一篇新论文提出了一种称为“去斜率”（deramping）的方法，以提高FDD Massive MIMO系统中基于学习的协方差转换的准确性。该技术通过分别估计和映射由到达角均值引起的相位斜率，解决了天线数量增加时出现的性能下降问题。去斜率方法可以作为现有基于学习的转换技术的预处理和后处理步骤，从而增强下行链路信道估计，并在更大的阵列尺寸下使基于插值的方法的学习器与基于模型的方法的基准保持竞争力。
-
FedCritic-MIMO框架通过联邦学习增强6G网络资源控制 · 跟踪2个来源
研究人员开发了FedCritic-MIMO，一个面向6G网络通信高效联邦学习的新框架。该系统使小区级控制器能够在没有集中式训练的情况下管理用户调度和功率分配等资源。通过点对点交换兼容的共享评论参数，该框架显著降低了通信开销，同时保持了性能并改善了用户速率分布和QoS满意度等关键指标。
-
认知雷达利用AI在未知干扰下跟踪飞机
研究人员开发了一个认知雷达框架，利用大规模MIMO系统在未知干扰下跟踪多架飞机。该系统采用由部分可观察蒙特卡洛规划（POMCP）驱动的自适应波形设计来优化功率分配，优先处理较弱的目标。与传统方法相比，这种方法显著提高了低信噪比目标的检测概率，并提高了跟踪精度。
-
研究人员提出LPWTNet用于海量MIMO中的统计信道指纹构建
研究人员开发了一个用于海量MIMO通信系统中统计信道指纹（sCFs）构建的新框架。该方法利用统一的张量表示来存储统计信道状态信息（sCSI），并通过利用特征值分解来降低其维度。提出的LPWTNet架构包含一个拉普拉斯金字塔分解和一个基于小波变换的卷积机制，用于高效的特征提取和重建。