基于深度学习的宽带XL-MIMO系统中考虑束流畸变的近场用户定位
信号处理
2024-12-03 v1 信息论
math.IT
摘要
极大规模多输入多输出(XL-MIMO)正日益受到关注，作为 sixth generation(6G)无线网络的重要技术。然而，广阔的天线阵列和巨大的带宽引入了不可忽略的束流畸变效应，导致不同频率的束在不同位置聚焦。为应对此问题，一种采用基于真时延线(TTDs)的波束赋形以控制近场束流畸变范围和轨迹的方法被提出，称为近场可控束流畸变(CBS)效应。本文考察了在束流畸变效应和空间非平稳特性下，宽带近场XL-MIMO系统中的用户定位问题。首先，推导了用于描述角度和距离估计性能的Cram\'er-Rao下界(CRB)表达式。此分析旨在评估利用CBS实现精确用户定位的潜力。其次，提出一种结合CBS和波束训练的用户定位方案。具体而言，我们将多个子载波组织为组，通过CBS将来自不同组的束指向不同的角度或距离，以获取用户角度和距离的估计。此外，我们设计了一种基于卷积神经网络(ConvNeXt)的用户定位方案。该方案利用CBS方案的输入和输出，以生成角度和距离的高精度估计。更重要的是，我们提出的ConvNeXt-based用户定位方案在定位估计中实现了厘米级精度。
引用
@article{arxiv.2412.01029,
title = {Deep Learning Based Near-Field User Localization with Beam Squint in Wideband XL-MIMO Systems},
author = {Hao Lei and Jiayi Zhang and Huahua Xiao and Derrick Wing Kwan Ng and Bo Ai},
journal= {arXiv preprint arXiv:2412.01029},
year = {2024}
}