Array Calibration and Digital Predistortion Training Using Embedded Near-Field Feedback Probes and Orthogonal Coding for Enhancing the Performance of Millimeter-Wave Beamforming Arrays
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This letter proposes an active array calibration and digital predistortion (DPD) training method that relies on a series of measurement data captured using near-field (NF) probes embedded within the array to enhance the performance of millimeter-wave (mm-wave) radio frequency (RF) beamforming arrays. These measurements are obtained using phase settings that are based on orthogonal coding to enable the characterization of the linear and nonlinear errors in the array’s RF chains. The use of embedded NF probes in the proposed method makes it suitable for infield testing. Specifically, the proposed theory is formulated to allow for beamforming-phase-dependent error calibration as well as array linearization without resorting to element-wise measurement or far-field (FF)-based feedback. Furthermore, the proposed theory does not impose a flat coupling requirement between the NF probes and the array antenna elements. Experimental results are conducted on a custom-built 16-element RF beamforming array with four embedded NF probes and operated at 37.5 GHz. The measurements revealed that applying the proposed calibration method reduced the imbalance in the radiation pattern side lobes by up to 2 dB and achieved comparable performance to element-wise FF-based calibration. Furthermore, the proposed DPD training method enabled increasing the effective isotropic radiated power (EIRP) from 32 to 34.2 dBm while maintaining an error vector magnitude (EVM) below 3.5%.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle