Full Duplex Transmit and Receive Beamforming With Block-Sparse Antenna Selection for Multi-User Massive MIMO
Notice bibliographique
Résumé
Through simultaneous downlink and uplink transmission on the same frequency slot, in-band full duplex has the potential to double the spectral efficiency of communication systems, however the potential is difficult to realize due to the strong self interference (SI). The great number of antenna elements in massive MIMO has made spatial SI suppression a promising solution to SI suppression but this approach is challenged by the coupling of the transmit and receive beamforming problems. This paper applies a combined beamforming and reduced connectivity antenna selection approach to suppress SI while maintaining user directivity and reduce switching complexity. To solve the non-convex beamforming problem, Regularized Joint Linearly Constrained Minimum Variance (RJLCMV) is proposed which leverages disappearing regularization to provide deep SI nulling while avoiding the self-nulling problem. To solve the non-convex joint group antenna selection, we pose the problem as a block-sparse recovery problem and propose Hard-Thresholding Pursuit-based Joint Group Antenna Selection (HTPJGAS), an iterative method based on compressed sensing. Using measured SI channel data, RJLCMV decreases the probability of deep self-nulling by 49% compared to a standard alternating approach. By leveraging HTP-JGAS with RJLCMV, the probability of deep nulling is nearly eliminated compared to a sub-connected approach while the run-time is over two orders of magnitude faster than existing nature inspired approaches. Furthermore, it is demonstrated that the proposed partial switching connectivity does not substantially reduce performance while providing a great reduction in hardware complexity.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,007 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».