OFDM modulation and OTFS modulation have demonstrated their efficacy in mitigating interference in the time and frequency domains, respectively, caused by path delay and Doppler shifts. However, no established modulation technique exists to address inter-Doppler interference (IDI) resulting from time-varying Doppler shifts. Additionally, both OFDM and OTFS require supplementary precoding techniques to mitigate inter-user interference (IUI) in MU-MIMO channels. To address these limitations, we present a generalized modulation method for any multidimensional channel, based on Higher Order Mercer's Theorem (HOGMT)[1][2] which has been proposed recently to decompose multi-user non-stationary channels into independent fading subchannels (Eigenwaves). The proposed method, called multidimensional Eigenwaves Multiplexing (MEM) modulation, uses jointly orthogonal eigenwaves decomposed from the multidimensional channel as subcarriers, thereby avoiding interference from other symbols transmitted over multidimensional channels. We show that MEM modulation achieves diversity gain in eigenspace, which in turn achieves the total diversity gain across each degree of freedom(e.g., space (users/antennas), time-frequency and delay-Doppler). The accuracy and generality of MEM modulation are validated through simulation studies on three non-stationary channels.


翻译:OFDM调制和OTFS调制已经证明了它们在缓解路径延迟和多普勒变化导致的时间和频率域干扰中的有效性。然而,尚不存在一个既能处理时变多普勒干扰(IDI)的现有调制技术,也能在MU-MIMO信道中减少用户间干扰(IUI)的补充预编码技术。为解决这些限制,我们提出了一种基于Higher Order Mercer's Theorem (HOGMT)[1][2]的通用多维信道调制方法,该定理最近被提出用于将多用户的非恒定信道分解为独立衰落子信道(特征波)。所提出的方法称为多维特征波复用(MEM)调制,使用从多维信道中分解的联合正交特征波作为子载波,从而避免来自其他符号的干扰。我们展示了MEM调制在特征空间中实现了增益,进而在每个自由度(例如,空间(用户/天线)、时频和延迟-多普勒)上实现了总增益。MEM调制的准确性和通用性通过对三个非恒定信道的模拟研究得到了验证。

0
下载
关闭预览

相关内容

专知会员服务
76+阅读 · 2021年3月16日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17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
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
【泡泡一分钟】用于评估视觉惯性里程计的TUM VI数据集
泡泡机器人SLAM
11+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014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 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013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 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2023年5月25日
Arxiv
13+阅读 · 2021年5月25日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
【泡泡一分钟】用于评估视觉惯性里程计的TUM VI数据集
泡泡机器人SLAM
11+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014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 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013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 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012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