Achieving Capacity Gains in Practical Full-Duplex Massive MIMO Systems: A Multi-Objective Optimization Approach Using Hybrid Beamforming
Notice bibliographique
Résumé
This paper presents a novel approach to full-duplex (FD) massive multiple-input multiple-output (mMIMO) systems using hybrid beamforming (HBF) architecture, enabling simultaneous uplink (UL) and downlink (DL) transmission within the same frequency band. The proposed solution aims to mitigate strong self-interference (SI) and maximize the total achievable rate based on over-the-air (OTA) measurements of the SI channel. Our objective is to leverage the spatial degrees of freedom (DoF) in mMIMO systems to enhance FD capacity without the need for expensive analog SI-cancellation circuitry. To address this challenging issue, we employ a sub-array configuration for transmit and receive antennas at the base station (BS) and design the RF stages using non-orthogonal beamforming (NOBF) in both UL and DL user directions. Additionally, sub-array selection (SAS) is utilized to identify the optimal Tx-Rx antenna pair. To solve the non-convex multi-objective optimization problem (MOOP), we propose a swarm intelligence-based algorithmic solution to determine the optimal perturbations in user directions jointly with Tx-Rx sub-array indices while satisfying directivity degradation constraints. The illustrative results show that the proposed NOBF scheme with SAS can achieve an SI suppression of -78 dB. Furthermore, in FD mMIMO systems, this approach can effectively double the capacity compared to half-duplex (HD) transmissions.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».