6G Intelligent Distributed Uplink Beamforming for Transport System in Highly Dynamic Environments
Notice bibliographique
Résumé
In the last decade, MIMO spatial multiplexing and distributed beamforming play a significant role in improving data throughput through cooperative transmission. It has been widely used in wireless communication, especially in 6G. However, the distributed uplink beamforming is still an open problem in highly dynamic environments. However, the proposed 6G technology represents the further integration of deep learning and wireless communication. In this paper, we propose Argute Distributed Uplink Beamforming (ArguteDUB), which uses a feedback algorithm with an offline-trained deep learning model to implement highly dynamic distributed uplink beamforming for the Internet of Vehicles (IoV) in 6G. Specifically, each vehicle enables the base station (BS)/access point (AP) to separate different channel state information (CSI) by inserting orthogonal sequences into the sending data. The BS adopts deep learning to filter the noise and predict the beamforming weight to achieve phase synchronization. Unlike traditional distributed uplink beamforming, ArguteDUB can be adapted to the highly dynamic time-varying channels. The simple network structure ensures the fast response of ArguteDUB. In addition, we make ArguteDUB Orthogonal Frequency Division Multiplexing (OFDM) compatible so that it can be easily deployed in 6G networks. Our evaluation shows that ArguteDUB has an SNR gain of about 5dB to 5.3dB over the single vehicle transmission mode.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».