XiaoMi-AI文件搜索系统
World File Search System波束
卫星通信人工智能：综述
摘要 — 卫星通信提供了在未覆盖和覆盖不足的区域提供服务连续性、服务无处不在和服务可扩展性的前景。然而，要实现这些好处，必须首先解决几个挑战，因为卫星网络的资源管理、网络控制、网络安全、频谱管理和能源使用比地面网络更具挑战性。同时，人工智能 (AI)，包括机器学习、深度学习和强化学习，作为一个研究领域一直在稳步发展，并在包括无线通信在内的各种应用中取得了成功的结果。特别是，人工智能在各种卫星通信方面的应用已经显示出巨大的潜力，包括波束跳跃、抗干扰、网络流量预测、信道建模、遥测挖掘、电离层闪烁检测、干扰管理、遥感、行为建模、天空地一体化和能源管理。因此，本文概述了人工智能、其各种子领域及其最新算法。然后讨论了卫星通信系统各个方面面临的若干挑战，并介绍了基于人工智能的拟议和潜在解决方案。最后，对该领域进行了展望，并提出了未来的步骤。
多功能雷达中的跟踪和控制
5. 1 简介 89 5.2 资源管理和任务调度目标 91 5.3 静态阵列多功能雷达中的任务调度 92 5.3.1 背景 92 5.3.2 MESAR 算法 93 5.3.3 改进的 MESAR 算法 97 5.3.4 仿真架构 98 5.3.5 使用简单的双扇区监视系统进行调度 100 5.3.6 使用 MESAR 监视体积进行调度 104 5.3.7 使用 MESAR 调度程序进行绘图确认延迟 109 5.4 旋转阵列多功能雷达中的任务调度 110 5.4.1 背景 110 5.4.2 旋转多功能雷达系统的任务调度算法 114 5.4.3 旋转多功能雷达的波束搜索模式 118 5.4.4 旋转多功能雷达任务调度算法的结果 119 5.4.5 旋转多功能雷达的其他资源管理问题 123 5.5 用于高效调度的惩罚函数和模糊逻辑 124 5.5.1 模糊逻辑的使用 125 5.6 结论 126
使用 Open RAN 进行实时 AI CSI 反馈实验
摘要 — 学术界和工业界对人工智能 (AI)/机器学习 (ML) 在与蜂窝系统空中接口相关的各种用例中的应用很感兴趣，例如，用于报告信道状态信息 (CSI) 反馈、用于波束管理和定位精度。在本文中，我们开发了一个研究平台，该平台能够使用支持 AI 的 CSI 反馈进行实时推理，该反馈与现实世界的部署场景非常接近。在我们的实验中，我们通过将 CSI 自动编码器集成到 OpenAir-Interface (OAI) 5G 协议栈中来评估所提框架的性能。此外，我们展示了 CSI 压缩框架的实时功能，其中编码器部署在用户设备 (UE) 上，CSI 重建框架的实时功能部署在下一代节点基座 (gNB) 上。实验是在无线 (OTA) 室内测试平台 ARENA 上进行的，以及在使用世界上最大的无线网络模拟器 Colosseum 的模拟环境中进行的。索引词 —AI/ML、CSI 反馈、实时实验、开放式无线接入网络 (Open RAN)
6G时代AI驱动传感与通信融合
摘要 —由于人工智能的快速发展，传感和通信融合 (ISAC) 网络在即将到来的新型移动通信网络中拥抱了人工智能。本文提出了一种用于 ISAC 网络的 FedFog 网络架构，该架构由终端感知层、边缘基站处理层和云数据层组成。在多基站 (BS) 的背景下，BS 和用户设备之间的切换值得研究。参考协调多 BS 的概念，我们设计了 ISAC 网络中的切换程序。同时，设计了一种用户控制的联邦强化学习方案。然而，由于毫米波段和太赫兹波段等新的未授权频谱带，混合波束成形可以降低硬件费用。设计了一种利用混合波束成形的基于学习的干扰管理。同时，我们考虑使用深度神经网络进行自干扰和相互干扰消除。仿真结果展示了AI驱动的ISAC网络在移动性和干扰管理方面的性能，并进一步证明6G网络的服务得到提升。
哥白尼成像微波辐射计 (CIMR) 任务...
更新了 ARA 的定义 36.5 GHz 信道 ARA 放宽至 0.75K，以与总不确定度计算 (MRD-240) 保持一致。MRD 中提供的总体不确定度计算定义 1-sigma 限制适用于稳定性要求 MRD-250、MRD-260、MRD-270 增加了关于极端海风中 L 波段测量操作使用的部分。更新了微波成像任务以包括 COWVR 任务。表 MRD-2 更新了 36.5 GHz 信道的新 ARA 值 0.75 K。完全修订了空间采样要求。MRD-190 和 MRD-200 进行了澄清和相应修改。添加了沿扫描和跨扫描定义 澄清了到海岸的距离定义 添加了瞬时视场 (IFOV) 定义 添加了仰角定义 添加了方位角定义 澄清了足迹和足迹椭圆的定义 添加了全波束定义 添加了旁瓣定义 澄清了宽波束效率定义
电气与计算机工程 - UCSD ECE
然而，反向散射通信的关键挑战是范围：由于物联网设备上没有活动发射器，重新辐射的信号很弱，并且只能传播一段距离，然后就会被噪声淹没（例如，在以前的研究中是 10 米）。在他们最近的研究中，Mercier 教授和 Bharadia 教授的团队开发了利用多根天线（如高端 WiFi 路由器或智能手机中存在的天线）的技术，以及一种称为波束控制的技术，将反射能量集中到所需位置，例如智能手机或路由器。通常，这种 MIMO 技术需要精确控制多 GHz 信号的相位，这会消耗大量功率。在这项最新研究中，他们的团队证明，这仅需微瓦的功率即可实现，从而保持约 1,000 倍的功率降低，同时将范围从 10 米增加到 50 米。他们还展示了实现蓝牙信号反向散射的技术，将功率降低约 100 倍。这些结果代表着向实现背向散射通信以及小型无线物联网设备迈出了重要一步。
使用“azigrams”显示声纳浮标的生物声学方向信息
AN/SSQ-53 定向频率分析和记录 (DIFAR) 声纳浮标是一种消耗性设备，可以沿两个正交水平轴推导出声粒子速度以及声压。通过此信息，只需一个紧凑型传感器便可计算出低频声源的方位角。估算这些传感器方位角的标准方法是通过传统的波束形成（即添加加权时间序列），但得到的“心形”波束模式不精确、计算成本高，并且对于弱信号容易受到方向性噪声污染。这里演示了一种替代乘法处理方案，该方案计算声信号的“有效强度”以获取噪声场作为时间和频率函数的主要方向性。此信息可以方便地显示为“方位图”，类似于频谱图，但使用颜色来表示方位角而不是强度。来自多个位置的数据证明了这种方法，无需对原始信号进行解复用即可进行计算。Azigram 已用于帮助诊断声纳浮标问题、提高可检测性和估计低信噪比信号的方位。Azigram 还可以增强对定向噪声场中嵌入信号的检测和潜在分类。V C 2019 美国声学学会。https://doi.org/10.1121/1.5114810
机载雷达的时空自适应处理 - DTIC
未来的机载雷达将需要在由杂波和干扰组成的干扰背景下检测目标。空时自适应处理 (STAP) 是指多维自适应滤波算法，它同时将来自阵列天线元件的信号和相干雷达波形的多个脉冲组合在一起，以抑制干扰并提供目标检测。STAP 可以改善对被主瓣杂波遮蔽的低速目标的检测、对被旁瓣杂波掩盖的目标的检测以及在杂波和干扰组合环境中的检测。本报告分析了解决 STAP 问题的各种方法。回顾了最佳或完全自适应处理。计算复杂性以及从有限可用数据中估计干扰的需求使完全自适应 STAP 不切实际。因此，需要部分自适应空时处理器。介绍了降维 STAP 算法的分类，其中算法根据所采用的预处理器类型进行分类。例如，波束空间算法使用空间预处理，而后多普勒方法在自适应处理之前执行时间（多普勒）滤波。在某些情况下，可以利用杂波的特殊结构来设计产生最小杂波等级的预处理器。对于每个类，可以采用样本矩阵求逆 (SMI) 或基于子空间的权重计算。仿真结果显示
天线及其应用 - :::::: AEL ::::::
在现代无线通信领域，想要专攻通信领域的工程师需要对电磁辐射、天线和相关传播现象的作用有基本的了解。这些论文讨论了天线在现代无线通信系统中的性能、特性、测试、测量和应用。天线是任何无线通信系统的重要组成部分，因为它可以高效地将电子信号（在射频收发器中传播）转换为电磁波（在自由空间中传播），同时将损耗降至最低。我们在没有其他选择时使用天线，例如与导弹通信或在崎岖的山区地形上，电缆价格昂贵且安装时间长。母系统的性能特征在很大程度上受到天线套件的选择、位置和设计的影响。要理解天线的概念，应该知道电磁波在自由空间中的行为。所以我简要介绍了电磁波的基础知识及其在自由空间中的传播模式。除此之外，我还介绍了天线分类（基于频率、孔径、极化和辐射模式）、其性能参数（增益、方向性、波束面积和波束效率、辐射模式、VSWR/回波损耗、极化、效率）、测量技术（室外和室内测试）及其国防应用（海军天线、空中
4b.3 1 - turbulence kinetic energy and dissipation rate ...
湍流动能 (TKE) 和 TKE 耗散率的值可以通过雷达对速度和多普勒谱宽的估计获得。然而，这些估计通常没有足够的时间分辨率，并会导致滤波结果，而这些结果不能直接进行理论解释。提出了一种使用数值大涡模拟 (LES) 生成的流场评估雷达测量速度分布特性的程序。TKE 估计值是通过在空间上取平均或作为替代/补充，在时间上取平均从 LES 湍流速度场获得的。将这些估计值与嵌入在 LES 中的虚拟雷达的测量值进行比较。研究了获得稳定一致统计数据的最佳平均时间。众所周知，风切变会导致雷达测量的 TKE 估计值产生偏差。还通过分析虚拟雷达数据和 LES 的湍流统计数据来研究这种影响。湍流耗散率的值是通过 LES 数据估计的，该表达式将耗散率与子网格 TKE 和湍流长度尺度联系起来。在考虑了所有其他贡献后，从湍流对谱宽的贡献中获得了虚拟雷达耗散率的估计值。比较了虚拟雷达、垂直和斜波束以及 LES 的耗散率估计值。