Hibrit Kirişme Ulusalometre Dalga Mimo Sistemleri için Stratejileri

Millimeter Wave MIMO ve Hybrid Beamform için gerekli

Millimeter dalgası (mmWave) çoklu-input çoklu- ⁇ (MIMO) sistemleri, güçlü yol kaybı ve atmosferik bir absürtücük için telafi edilen çok yönlü veri oranlarına ulaşmak için temeldir. Ancak, o zaman antenlerin sayısı 24 GHz'den 100 GHz'ye kadar çalışır: her bir anten cihazını özel bir şekilde çözerek (CDC)

Bu makale, temel stratejileri, algoritmaları ve mmWave MIMO için modern hibrit kirişlerin tanımlanmasını içeren gerçek dünya göz önüne alır.

Hibrit Kirişme Mimarisi Anlamak

Bir karma bilgilendirme sistemi ön kodlamayı ve operasyonlarını analog RF aşamasına ve dijital bir temel bant aşamasına birleştirir.Sağlama sistemleri genellikle bir dizi faz kayması ve muhtemelen anahtarları ile çalışır: ”Dönetici sinyali doğrudan RF zincirine bağlanır.

Analog Beamform

Analoglama, faz geçişlerini kullanarak fark edilir, ancak pasif olabilir (düşük gücü ancak 0-360° aşama kontrolü ile sınırlıdır) veya aktif (prodüktif olarak inşa edilmiş olan tüm antenler ile RF zinciri başına sabit bir kiriş modeli oluşturur.Bu, RF zincirlemelerinin sayısını sınırlandırır, ancak ilk erişim veya yüksek çözünürlükte belirtilen kodlar için çok genişleyen kodlar için çok genişleyen bir anahtarlama modeli uygular.

Baseband'da Dijital Kirişleme

Dijital alanda, kirişler düşük maliyetli ve analog- sayısal dönüşümden sonra yapılır. Dijital precoder, eigenbeform (ya da kanal durumu bilgilerine dayalı olarak), sıfır kullanıcı müdahalesi için sayısal olarak sınırlandırılabilir ve minimum denge hatası (MMSE) resepsiyonu uygular. Çünkü dijital bölüm, yüksek çözünürlükteki tüm MIMO yeteneklerine sahiptir.

Core Hybrid BeamITY Strategiess

Son on yılda, araştırmacılar ve endüstri mühendisleri analog ve dijital kirişler işbirliği yapmak için zengin bir strateji geliştirdiler. En belirgin yaklaşımlar kodbook tabanlı yöntemlere kategorize edilebilir, iteratif optimizasyon ve makine öğrenimine dayalı tekniklere göre farklı donanım, kanal değişkenliği ve hesaplama bütçelerine göre sınıflandırılabilir.

Kodbook-Based Beamform

Kodbook-basedform kiriş, önceden tanımlanmış bir analog kiriş kalıplarına dayanır, genellikle bir DFT matrisinin sütunlarından türetilen (tek lineer diziler için) veya ayrı prolate spheroidal serileri (örneğin, koarse kirişler için) test edilir, sonra iyi ayarlanmış bir şekilde ayarlanan kodlamalar için kodlanmış en iyi kirişler ile çalışır.

• [FONT=0)Advantages:[[Dönetici: [Dönetici:0) Low hesaplama karmaşıklığı, anlık kanal bilgisi, donanım dostu (e.g., switch network).
• [FONT:0]Drawbacks:[DFLT:1), özellikle zengin saçılma ile performans boşlukları; sabit çözünürlük sınırları uzaysal çokluxing.

Iterative Optimizasyon Algorithms

Kanal durumu bilgisi (CSI) temel istasyonda mevcut olduğunda (örneğin, TDD sistemlerinde açık geri bildirim veya kanal reciprocity), iteratif algoritmaları, düşük boyutlu dijital matris ve sürekli olarak analog bir matris analizi ile ortak bir şekilde optimize edebilir. (2014).

• [FONT=0)Orthogonal eşleştirme (OMP): ), sözcülerin lineer bir kombinasyon olarak eş zamanlı olarak ön plana çıkar.(e.g., DFT kirişleri). OMP açgözlülüklülükleri, kanal yaygaraları yaydığı zaman iyi bir şekilde seçer.
• [0]Alternating minimization (AltMin): [Dönetici: 1) Dijital bölümü optimize ederken ( sürekli modulusa göre) ve tersi. Converges yerel ve sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık.
• [FONT=0)Gradient projeksiyon yöntemleri: [Döneticiler için, manifold optimizasyonu (örneğin, oblique manifoldda) sürekli olarak kısıtlanabilir.

Bu algoritmaları genellikle 10-100 iterasyon gerektirir ve temel bant işleme birimlerinde uygulanabilir. Temel meydan okuma gerçek zamanlı adaptasyondur: hızlı-fading kanalları için (< 1 ms coherence süresi), iteratif yöntemler çok yavaş olabilir. Suboptimal kapalı-form çözümleri (e.g., fazlı sıfır-forcing) pratikte kullanılır.

Makine Öğrenme-Driven Beamform

Derin öğrenme, her iki kod kitabının sınırlamalarını aşmak için güçlü bir araç olarak ortaya çıktı ve iteratif yöntemler. Neural ağlar kanal kovarians veya ham pilot sinyalleri kanal uyumlu analog / sayısal kirişler, açık CSI tahminlerini ve iteratif optimizasyonunu öğrenebilirler: Anahtar ML tabanlı stratejiler şunları içerir:

• [FONT:0) Şaşırtıcılık seçimi için öğrenme: Ajan, son derece alınan sinyal gücüne dayanan kiriş çiftlerini seçen bir politika öğrenir, mobil senaryolarda eğitim yükünü azaltır.
• [FONT:0) CSI sıkıştırma ve kiriş tahmini için süpervizör:[Dönetici:0) Bir convolutional sinir ağı (CNN) geniş bir kanal snapshot'ından en iyi kiriş indeksini tahmin edebilir, büyük ölçüde geri bildirim yükünü kesebilir.
• [FONT:0)Autoencoder-based ortak tasarım: Tüm hibrit kirişli sinyal zinciri ( Rx'te, Rx'de decoder) sürekli mod ve faz geçişleri gibi optimize edilmiş donanım kısıtlamaları kullanılarak optimize edilmiştir.

ML yaklaşımları, yalnızca 2-4 RF zincirle tamamen dijital sistemlerin spektral verimliliğini, hatta non-parse kanallarında bile derinlemesine incelemelerini sağladılar. Ancak, kapsamlı eğitim verileri ve çevrimdışı hesaplamaları gerektirir; online yeniden eğitim de, etiketlenmemiş ve kendi kendini kontrol eden bir araştırma da, etiketlenen verileri azaltma ihtiyacını araştırıyor.

Sistem Model ve Performans Metrikleri

[FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=[FONT=)[[değiştir | kaynağı değiştir] [Düzerede]

Anahtar performans ölçümleri şunları içerir:

• [FONT:0]Spectral verimliliğini (SE))[FONT/Hz'de kullanılabilir bir oran, Gaussian sinyalinin varsaydığı karşılıklı bilgi ifadesiyle sık sık değerlendirilebilir.
• [FONT=0)Zizmet karmaşıklığı[Dönetici: 3.)[Dönetici: 1 )[Dönetici, ve güç tüketimi. Tam bağlantılı bir mimari için, faz değiştiricileri sayısı [FONTD:2)N_{)[FLT[FLT[FLT][/FONT][/FONT][/FONT][/FONT][/FONT][/FONT][/FONT][/FONT][/FONT][/FONT][/FONT][/FONT][/FONT][/FONT][/FONT][/FONT)[FONT][/FONT][/FONT][/FONT][/FONT][/FONT][/FONT][/FONT][/FONT][/FONT][/FONT][/FONT][/FONT=))))))))))}
• [FONT=0)Eğitim yükü [DÜDÜDÜDÜDÜDÜDÜDÜSÜŞÜNÜ: 0)[DÜye Olmayanlar İçindekiler veya pilot semboller, bunu bir keredetme yöntemiyle otomatik olarak azaltabilir.
• [FONT:0]Outage olasılık ve kapsama[[Dönetici: Güvenilirlik için önemli, özellikle blokajların varlığında.

Hibrit Mimarlıkların Karşılaştırması

Tablo 1 (konceptual) ticaret çıkışları özetliyor. Tam bağlantılı mimariler bazı kazanımlara (topraklar için eşit hale gelir) ancak güç ve karmaşıklığı önemli ölçüde azaltır.[Dönetici:2][DDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDD) ancak, kodbook yöntemleri kısmen bağlantılı mimariler için daha doğaldır.

Uygulamada, birçok 5G üssü istasyonları, 64 anten ve 2-4 RF zincirle kutuplaşma için bir DFT kodubook'u ilk erişim için kullanıyor ve veri iletimi için sabit sistemler için 64 adet RF zincire kadar genişletilebilir.For user equipment (UE), maliyet ve güç, bazı frekans gruplarında daha da kısıtlanmış, bu nedenle kodbook tabanlı analog kirişler ile yaygın.

Uygulama Challenges ve Donanım Imperfections

Gerçek dünya mmWave hibrit kirişi birkaç kişi olmayanlarla uğraşmak zorundadır:

• [FONT=0)Phase değişimleyici ölçümleme[Dönetici: 1) 3-6 bit faz çözünürlüğü. Coarse niceleştirme degrads kirişi 1-2 dB tarafından kazanılır ve kenarlar algoritmalar sonlu kod defteri kısıtlaması gerekir.
• [FONT:0) Antenler arasında Mutual darbe ([Döneticiler): Kompakt dizilerde güçlü, etkili direksiyon vektörünü değiştirir ve kiriş kalıplarının ortogonalliğini azaltabilir. Kalibrasyon ve karşılıklı darbeleme-aware kod defteri tasarımı aktif araştırma alanlarıdır.
• [FONT=0) Güç yükselticileri doğrusal olmayanlar[Dönler: Faz değişimleri genellikle PA'dan sonra yerleştirilir; onların eklenme kaybı ve doğrusal olmayanlar, it-pull PA topolojileri veya dijital predistorasyon ile radyönemli sinyalleri etkiler.
• [FONT=0) Hareketlilikte yanlış algılanır (Dönetici: Yüksek hızda araçlar için (örneğin, tren senaryolarında 500 km/h), kiriş yönü, bir eş zamanlı sinir ağları ve Kalman filtreleri kullanarak önemli ölçüde değişir.
• [FONT=0)Hardware kalibrasyon[Dönetici: Faz ve RF zincirleri arasındaki amplifikasyon süresine ihtiyaç duyar. Bazı ticari mmWave dizileri pilot döngüler kullanarak yerleşik kendini-kalibrasyon devreleri sunar.

Future Yol ve Açık Sorunlar

Hibrit bilgi kirişinin evrimi, alt-THz (100-300 GHz) iletişim ve son derece büyük MIMO (XL-MIMO) Bu frekanslarda, antenler küçültülebilir ve daha fazla dizi ve daha fazla dijital kirişler tamamen düşünülemez hale getirebilir.

• [FONT:0) Güvenilir akıllı yüzeyler (RIS))[değiştir | kaynağı değiştir]: RIS-assisted hibrit kirişli kirişler sinyalleri istenen yönlere yansıtmak için büyük bir pasif yüzey kullanır, gerekli aktif RF zincirlerini azaltır. RIS faz geçişlerinin Ortak optimizasyonu ve karma kiriş problemi zor değildir.
• [[Dönetici:0) Çok kullanıcı için bilgilendirici MIMO): Hibrit stratejiler farklı imza uzayları ile eş zamanlı kullanıcıları desteklemeli. Algorithms like hybrid block Diagonalization and common user scheduling/beam Selection are used.
• [FONT:0)Hardware-in-the-loop learning[[Dönetici:0))[tr|Döntgenlik-öpücük öğrenme, sadece pilotlar kullanarak uçta uyum sağlayan, açık kanal tahminleri olmadan. Meta-öğrenme ve birkaç indirme öğrenme hızlı bir şekilde adaptasyon için umut vericidir.
• [FONT:0]Dual-function radar-iletişim (DFRC)[Dönetici: 1 ): mmWave, aynı dizi radar algılama ve iletişim için kullanılabilir. Hybrid kirişlerin zaman veya frekans paylaşımı, ortak dalgaformu ve precoder tasarımını gerektiren.

Pratik dağıtım için standartlaşma kritiktir. 3GPP, NR'de hiyerarşik kiriş yönetim prosedürlerini belirlemiştir ve gelecekteki sürümler ince kirişli çözünürlük ve MIMO geliştirmeleri içerecektir. Endüstri liderleri Qualcomm, Samsung ve Nokia, entegre hibrit kiriş mimarisi ile aktif olarak gelişmektedir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Hibrit sistemler, maliyet etkin, enerji verimli mmWave MIMO sistemleri için anahtar etkinleştiricidir.Rezersiz olarak analog faz geçişlerini küçük bir dizi dijital RF zincirle birleştirerek, bu mimariler mobil ortamlardaki donanım kısıtlamaları ile ilgili olarak elde eder.Demokrat tabanlı, iteratif optimizasyon veya makine öğrenimine dayalı olarak - senaryoda daha ayrıntılı olarak giriş yapan bu algoritmaları ve daha ayrıntılı bilgi aktarımı için kod kitaplarının oluşturulmasına devam edecektir.

Daha fazla okuma: Temel teori için, bakınız:0)El Ayach et al., "Spatially Sparse Precoding in Millimeter Wave MIMO Systems", IEEE Transurd. Kablosuz Commun., 2014[Felt: 1) 5G NR kiriş yönetimine genel bakış için, danışmanlık:2.3GPP TS 38.214)[16|2020|Demokratlı kiriş için, EED.