Learning-Based Beam Steering for Long-Range Orbital Angular Momentum Mode Multiplexing
Notice bibliographique
Résumé
The utilization of Orbital Angular Momentum (OAM) mode multiplexing offers a promising solution to alleviate the signal processing overhead in line-of-sight communication systems. However, concerns regarding the divergence of OAM beams have raised doubts about its practicality over long transmission distances. In this paper, we propose a novel beam steering strategy aimed at mitigating this issue by ensuring the successful reception of all OAM modes. To accomplish this objective, we present an unsupervised learning-based beam steering approach designed to individually steer each mode, thereby facilitating their reception at the receiver. We refer to this approach as Steered OAM (S-OAM). To mitigate inter-mode interference (IMI) from the steering process, we incorporate an equalizer into both the receiver and the training process. This ensures that our proposed S-OAM system is IMI-aware, improving its performance across steered OAM modes. Using S-OAM provides the flexibility of choosing the number of transmitted modes to accommodate low-capacity scenarios in low signal-to-noise ratio or long transmission distances, where a large number of modes lead to weak streams. Furthermore, the proposed approach leverages codebook-based phase shifters at the transmitter, eliminating the need for real-time calculation of phase shifter values and thereby maintaining a low level of signal processing burden at the transmit side, akin to traditional OAM transmission. Simulation results validate the efficacy of S-OAM, demonstrating its capability to generate multiple equally robust streams at the receiver with a total spectral efficiency reaching up to $0.5 \mathrm{bits} / \mathrm{sec} / \mathrm{Hz}$ from the theoretical upper bound.
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 ».