XiaoMi-AI文件搜索系统
World File Search SystemMimo
WiFi 6 中的多用户 MIMO
从图中可以看出，在第二种情况下，由于 STA3 支持 2 个流的探测，因此只有当流总数为 2 时，它才能参与 MU-MIMO 传输。因此，探测能力更佳的 STA4 在与 STA3 分组进行 MU-MIMO 传输时也只能使用一个空间流。这也促使需要根据用户的 MIMO 能力对其进行智能分组，以最大限度地发挥 MU-MIMO 的优势。在 UL MU-MIMO 的情况下，限制与 DL MU-MIMO 中的限制大致相同。参与 UL MU-MIMO 传输的客户端可以传输的最大 STS 数量不能超过 4，并且必须小于或等于客户端支持的 UL SU-MIMO 的最大 STS 数量。此外，STS 的总数（所有用户的总和）小于或等于 8。对于 UL，触发帧包含与客户端相关的流的信息。
大规模 MIMO 中可实现的能源效率
引言大规模MIMO被认为是在现代无线通信系统（如5G NR及更高版本）中实现所需数据速率、带宽和可靠性的关键技术[1][2]。在基站（BS）中使用大型天线阵列（NT>64）可以显著提高信噪比（SNR），并通过指向特定位置的窄波束实现空间分集传输[3]。这两个特性使得在24至52 GHz的较高频带上进行毫米波通信变得可行[4]。事实上，它们是克服频谱较高部分传播路径损耗增加的有效方法[5][6]。然而，由于射频（RF）链数量的增加，大量天线也意味着更严格的硬件要求，从而导致更高的功耗[5]。从这个意义上讲，提高系统能源效率（EE）已成为主要关注点和活跃研究的重点。一般而言，大规模 MIMO 系统中的 EE 可以通过降低信号处理复杂度及其相关功耗，或通过提高硬件资源利用率 1 [7] 来改善。根据这一标准，[8] 和 [9] 提出了一种联合优化时域波束控制和峰均功率比 (PAPR) 降低的方法，其中计算复杂度显著降低，同时提高了功率放大器效率。然后，
量子MIMO通道中的多样性和多路复用
在多输入多输出（MIMO）通信中，发射机和接收器之间多个通道的抽象表征和开发带来了经典通信系统的范式转移。围绕MIMO通信系统开发的技术不仅带来了前所未有的通信速率进步，而且还基本上提高了通过低错误率来衡量的通信的可靠性。我们开发了一个使用离散可变量子系统的MIMO量子通信的框架。我们提出了一个在多个通道之间结合噪声，损失和串扰的MIMO量子通道的通用模型。我们利用近似量子克隆在此通道设置上传输输入状态的不完美克隆。我们证明，与由于MIMO设置的多样性，传输多个不完美的克隆可以实现更好的沟通性能。我们还证明了实力和沟通速率之间的实际交易，并将其称为量子多样性多重交易（DMT），因为它与经典MIMO设置中众所周知的DMT相似。
面向 6G 的大规模 MIMO 技术趋势
摘要 — 在下一代无线系统和网络的曙光中，大规模多输入多输出 (MIMO) 已被设想为使能技术之一。随着在 5G 及更高版本的应用中不断取得成功，大规模 MIMO 技术已显示出其优越性、可集成性和可扩展性。此外，近年来，大规模 MIMO 的几种演进特征和革命性趋势逐渐显现，有望重塑未来的 6G 无线系统和网络。具体而言，未来大规模 MIMO 系统的功能和性能将通过结合其他创新技术、架构和策略来实现和增强，例如智能全向表面 (IOS)/智能反射面 (IRS)、人工智能 (AI)、THz 通信、无蜂窝架构。此外，基于大规模 MIMO 的更多不同的垂直应用将会出现并蓬勃发展，例如无线定位和传感、车载通信、非地面通信、遥感、行星间通信。
用于下一代 MIMO 设计的生成式 AI 代理
摘要 — 下一代多输入多输出 (MIMO) 有望实现智能化和可扩展性。在本文中，我们研究了基于生成人工智能 (AI) 代理的下一代 MIMO 设计。首先，我们概述了下一代 MIMO 的发展、基础和挑战。然后，我们提出了生成 AI 代理的概念，该代理能够借助大型语言模型 (LLM) 和检索增强生成 (RAG) 生成定制和专业化的内容。接下来，我们全面讨论了生成 AI 代理框架的特点和优势。更重要的是，为了应对下一代 MIMO 的现有挑战，我们从性能分析、信号处理和资源分配的角度讨论了基于生成 AI 代理的下一代 MIMO 设计。此外，我们提出了两个引人注目的案例研究，证明了在复杂配置场景中利用生成 AI 代理进行性能分析的有效性。这些示例强调了生成 AI 代理的集成如何显著增强下一代 MIMO 系统的分析和设计。最后，我们讨论了未来重要的潜在研究方向。
空间MIMO：直接未修改的手持到多卫星通信
摘要 - 该论文研究了单个握手用户向卫星群的上行链路传输，重点是利用卫星间链接以实现合作信号检测。研究了两例：一个案例具有完整的CSI，另一个具有卫星之间的部分CSI。用容量，开销和位错误率进行比较两种情况。此外，在两种设计中都分析了通道估计误差的影响，并提出了强大的检测技术将通道不确定性处理到一定水平。显示了每种情况的性能，并与传统的卫星通信方案进行了比较，其中只有一个卫星可以连接到用户。我们的研究结果表明，轨道上总共有3168颗卫星的拟议星座可以通过与12个卫星与500 MHz的带宽合作并占据800 Mbits/sec的容量。相比之下，对于最近的卫星，具有相同系统参数的常规卫星通信方法的容量明显低于150 mbits/sec。
从 SISO 到 MIMO – 充分利用空中的一切优势...
为了在接收机上测试真实场景，将调制干扰源（同信道和相邻信道干扰源）和加性高斯白噪声 (AWGN) 的不同组合应用于移动无线电话的两个输入。这些组合分布在两个天线之间（图 5）。同信道干扰源在同一频率上叠加下行链路信号，而相邻信道干扰源在紧邻此频率的一个信道（100 kHz）上可用。就时间而言，两个干扰源都与下行链路信号相匹配。
基于扩散的生成剂先验低复杂性mimo通道估计
I。在学习复杂的数据分布方面，导致g能量模型已取得了巨大的成功，并随后将此先前的信息用于无线通信。此成功是基于推断出通过代表性数据集的基础站（BS）环境的未知且通常复杂的频道分布的重要性的重要性。因此，已经进行了高级通道估计方法的发展，主要依赖于最新的生成模型，例如高斯混合模型（GMMS）[1]，因子分析仪（MFAS）[2]的混合物[2]，生成的对抗网络（GANS）[3]或变异的自动化自动化器（VAAS）[4] [4] [4] [4]。最近，在最强大的生成模型中已经确定了DMS [5]和基于得分的模型[6]。通过通过添加（高斯）噪声损坏干净的样本并学习反向过程以从纯噪声中生成新样本，从而通过学习数据分布密切相关。但是，与这些模型相关的巨大计算开销，即，在反向过程中每个步骤后，大量的神经网络（NN）向前通过重新采样，这使得在实时应用程序中的直接应用程序（如通道估计）中很困难。然而，DMS已用于无线通信，例如用于通道编码[7]和联合源通道编码[8]。[9]中的工作提议利用基于得分的模型通过后采样执行通道估计。但是，该方法有几种缺点，可以阻碍其在实际应用中的用法，例如高
针对短期子THZ无线链接的Los Mimo的研究
Carrier Frequency 240 GHz Distance 1 m Bandwidth 5 GHz 15 GHz 25 GHz 35 GHz Transmit Power 5 dBm TX/RX Antenna Gain 7 dBi TX/RX Lens Gain 14 dB Path Loss -80 dB Implementation Loss -8 dB Received Level -41 dBm Thermal Noise -77 dBm -72.2 dBm -70 dBm -68.5 dBm Noise Figure 15 dB RX SNR 21 DB 16.2 DB 14 DB 12.5 DB调制64-QAM 16-QAM 16-QAM 8-PSK SNR @ ber