Beam Refinement for THz Extremely Large-Scale MIMO Systems Based on Gaussian Approximation
Notice bibliographique
Résumé
Beam refinement is a key technology to overcome the problem of limited resolution in beam training. However, most existing works on beam refinement are not suitable for the emerging extremely large-scale multiple-input-multiple-output (XL-MIMO) due to the differences in the channel characteristics. To fill in the gap, in this paper, beam refinement for XL-MIMO systems is investigated. Inspired by the similarities between the Taylor series of the Gaussian function and that of the beam gain, we propose to approximate the beam gain by the Gaussian function. Then, a low-complexity beam refinement based on the Gaussian approximation (BRGA) scheme, which quantizes the narrowed intervals after beam training into several samples and performs additional channel tests on the quantized grids, is proposed to improve the estimation accuracy of the beam training. Based on the measurements in the beam refinement stage, the BRGA-based least square (BRGA-LS) estimator is developed for high-resolution channel parameter estimation. To avoid the noise amplification effects of the BRGA-LS, the BRGA-based weighted least square (BRGA-WLS) estimator is further developed. Simulation results verify the effectiveness of the proposed scheme and show that the proposed BRGA scheme can greatly improve the accuracy of beam training with only a few additional channel tests.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».