基于UCA样本学习的射频多模态OAM检测
信号处理
2021-12-01 v1 机器学习
摘要
射频轨道角动量（OAM）提供了一种在同一频道上复用一组正交模态以实现高频谱效率的新途径。然而，经典的基于相位梯度的OAM模态检测方法要求收发天线完美对齐，这极大挑战了OAM通信的实际应用。本文首先展示了非平行失配对OAM相位结构的影响，随后针对更普遍的平行或非线性失配情况，提出基于均匀圆阵（UCA）样本学习的OAM模态检测方法。具体地，我们应用三种分类器：K近邻（KNN）、支持向量机（SVM）与反向传播神经网络（BPNN），进行单模态与多模态OAM检测。仿真结果验证了所提基于学习的OAM模态检测方法对失准误差具有鲁棒性，且BPNN分类器泛化性能最佳。
引用
@article{arxiv.2111.15638,
title = {Radio-Frequency Multi-Mode OAM Detection Based on UCA Samples Learning},
author = {Jiabei Fan and Rui Chen and Wen-Xuan Long and Marco Moretti and Jiandong Li},
journal= {arXiv preprint arXiv:2111.15638},
year = {2021}
}