In this paper, we propose a novel approach for downlink transmission from a satellite swarm towards a ground station (GS). These swarms have the benefit of much higher spatial separation in the transmit antennas than traditional satellites with antenna arrays, promising a massive increase in spectral efficiency. The resulting precoder and equalizer have very low demands on computational complexity, inter-satellite coordination and channel estimation. This is achieved by taking knowledge about the geometry between satellites and GS into account. For precoding, each satellite only requires its angles of departure (AoDs) towards the GS and it turns out that almost optimal rates can be achieved if the satellites transmit independent data streams. For the equalizer, the GS requires only knowledge about the angles of arrival (AoAs) from all satellites. Furthermore, we show that, by choosing a proper inter-satellite distance, the proposed low-complexity approach achieves the theoretical upper bound in terms of data rate. This optimal inter-satellite distance is obtained analytically under simplifying assumption and provides a heuristic for practical scenarios. Furthermore, a novel approach to increase the robustness of the proposed precoder and equalizer against imperfect AoD and AoA knowledge is proposed by exploiting the statistics of the estimation error.


翻译:在本文中,我们提出了从卫星群群向地面站(GS)进行下行传输的新办法。这些群群群的好处是,传输天线的空间分离远大于使用天线阵列的传统卫星,其空间分离率远高于使用天线阵列的传统卫星,从而有望大幅提高光谱效率。由此形成的预编码和平衡器对计算复杂程度、卫星间协调和频道估计的需求非常低。这是通过考虑到卫星和GS之间的几何学知识实现的。在预先编码方面,每颗卫星只需从离岸角度(AoDs)向地面站(GS)进行下行传输。这些群群群的惠益是,如果卫星传输独立的数据流,则几乎可以达到最佳的速率。对于均衡器而言,全球只需要了解所有卫星的抵达角度(AoAAs),因此,由此产生的对计算复杂程度的要求非常低。此外,我们表明,通过选择适当的卫星间距离,拟议的低兼容度方法达到了数据率的理论上限。这种最佳的卫星间距离是在简化假设下分析获得的,并且为实际情景提供了一种超度。此外,提高Adder-Areadder-A的拟议认识是利用Asizervial-A的拟议方法,而不是利用Adest-Adrodealsizervial。

0
下载
关闭预览

相关内容

通过学习、实践或探索所获得的认识、判断或技能。
专知会员服务
39+阅读 · 2020年9月6日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
175+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
国家自然科学基金
0+阅读 · 2016年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
20+阅读 · 2021年9月22日
Arxiv
45+阅读 · 2019年12月20日
VIP会员
相关资讯
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
相关基金
国家自然科学基金
0+阅读 · 2016年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员