The sixth generation networks envision the deployment of terahertz (THz) band as one of the key enabling property thanks to its abundant bandwidth. However, the ultra-wide bandwidth in THz causes beam-split phenomenon due to the use of a single analog beamformer (AB). Specifically, beam-split makes different subcarriers to observe distinct directions since the same AB is adopted for all subcarriers. Previous works mostly employ additional hardware components, e.g., time-delayer networks to mitigate beam-split by realizing virtual subcarrier-dependent ABs. This paper introduces an efficient and unified approach, called beam-split-aware (BSA) hybrid beamforming. In particular, instead of virtually generating subcarrier-dependent ABs, a single AB is used and the effect of beam-split is computed and passed into the digital beamformers, which are subcarrier-dependent while maximizing spectral efficiency. Hence, the proposed BSA approach effectively mitigates the impact of beam-split and it can be applied to any hybrid beamforming architecture. Manifold optimization and orthogonal matching pursuit techniques are considered for the evaluation of the proposed approach in multi-user scenario. Numerical simulations show that significant performance improvement can be achieved as compared to the conventional techniques.


翻译:第六代网络计划利用太赫兹频段作为关键性的开启特性之一,这得益于它的丰富带宽。然而,太赫兹的超宽带在使用单个模拟波束赋型器(AB)时会引起束分裂现象。具体来说,由于所有子载波采用相同的AB,因此束分裂使不同的子载波观察到不同的方向。以前的研究大多采用额外的硬件组件(例如,时间延迟器网络)通过实现虚拟的子载波相关AB来缓解束分裂。本文引入了一种高效而统一的方法,称为束分裂感知混合波束赋型。具体而言,我们计算并传递了束分裂的效应到数字波束赋型器,而这些数字波束赋型器具有子载波相关性,同时又最大化了信道的谱效率,而没有像传统方法那样实现虚拟的子载波相关AB。因此,提出的束分裂感知混合波束赋型方法有效地缓解了束分裂的影响,并且可以应用于任何混合波束赋型架构。我们在多用户场景下采用流形优化和正交匹配追踪技术评估了所提出的方法。数值仿真结果表明,与传统方法相比,可以获得明显的性能提升。

0
下载
关闭预览

相关内容

AAAI2023|图对比学习的模型增强技巧
专知会员服务
35+阅读 · 2023年2月25日
【ICDM2022教程】多目标优化与推荐,173页ppt
专知会员服务
43+阅读 · 2022年12月24日
【2022新书】高效深度学习,Efficient Deep Learning Book
专知会员服务
117+阅读 · 2022年4月21日
专知会员服务
88+阅读 · 2021年6月29日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20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
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【推荐】深度学习目标检测概览
机器学习研究会
10+阅读 · 2017年9月1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
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
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 · 2009年12月31日
Arxiv
0+阅读 · 2023年5月26日
Arxiv
14+阅读 · 2021年3月10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
征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20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
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【推荐】深度学习目标检测概览
机器学习研究会
10+阅读 · 2017年9月1日
相关基金
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
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
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 · 2009年12月31日
Top
微信扫码咨询专知VIP会员