Channel Optimization Modeling and Hybrid Beamforming for Fifth-Generation Millimeter-Wave V2V Communications
Notice bibliographique
Résumé
Massive multiple-input multiple-output (MIMO) systems combined with beamforming antenna array technologies is playing a vital role in 5G and beyond communication systems. 5G com- munication is characterised by high bandwidth, low latency and high reliable communication and is a key factor to enable Vehicle to Vehicle (V2V) communication. In this thesis project, we simulate one of the applications of V2V ecosystem i.e vehicles com- municating with other vehicles. For brevity, a single scenario where one vehicle is stationary and the other vehicle is either moving towards or away from the stationary vehicle is considered for experiments. Initially, a framework based on single user MIMO-OFDM hybrid beamforming system operating at mmWave frequency of 28 GHz was established. Thereafter a precoding process is established using Orthogonal Matching Pursuit (OMP) Algorithm that enables the transmitter to provide near optimum beamforming gain and directivity to the transmitted signal. Next, a simulated scenario of a receiver moving at a constant speed communicating with a transmitter is implemented. We provide simulation results of the radiation pattern emitted by the transmitter for different receiver trajectory points. Radiation pattern is analysed in terms of E-field, power and directivity. Bit error rate and RMS EVM of the received signal was evaluated and benchmarked together with Doppler frequency shift waveform to show the frequency variation in received signal strength with distance
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 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».