官术网_书友最值得收藏!

1.6 THz與其他技術結合

1.6.1 THz與RIS

由于傳統的THz通信技術在傳播損耗、LoS阻塞和硬件成本方面面臨挑戰,將RIS集成到THz通信中可以緩解THz通信短程問題,并且建立可靠的無線連接。在RIS輔助下,可以在THz通信中實現聯合主動和被動波束形成,以提高頻譜和能量效率,并提供虛擬LoS路徑以降低阻塞概率。RIS系統在THz波段尤其有利。在THz波段,通過控制信號的散射來擴大可實現通信距離并實現多播。RIS可以通過多徑信號提高多徑受限THz系統的性能。

工作在THz頻率下,常規相干大天線陣列很難用非常小的天線實現,THz的中繼技術也不成熟,此時RIS可以作為解決方案。在THz頻率下,可以很容易地實現短程通信的密集THz波段RIS部署。除了常規的RIS功能,在THz頻率下,反射陣列還可以在發射機處用于產生和引導由近距離THz源激發的THz波束。

在微波室內通信中,微波具有較強的繞射能力,能夠較好地避開障礙物,因此微波通信環境不能發揮RIS的優勢。自由空間光通信中的RIS可以克服LoS阻塞,但是實現過程具有挑戰性。相比之下,THz-RIS可以通過將波導向完全定制的方向來有效克服障礙物的干擾。

1.THz-RIS的應用場景

1)高速全傳與回程

6G無線網絡希望使用蜂窩小區的密集部署來滿足超高的數據速率要求。THz超高速無線通信可以用于靈活部署全傳和回程鏈路,從而解決有線光纖連接引起的復雜問題和成本問題。THz通信可以使用廣泛部署的、用于聯合波束形成的RIS來提供高吞吐量的前端與后端傳輸。RIS輔助的THz無線全傳/回程信道不僅通過RIS的無源波束形成額外的孔徑增益,還通過建立多條傳播路徑減少中斷。

2)蜂窩連接無人機

無人機可以被視為虛擬基站或移動中繼,支持靈活部署,為6G網絡提供了可調整的大規模覆蓋。為了充分利用無人機的潛力,6G將使用THz波段來支持無人機和基站及用戶之間的繁重通信。然而,由于空域的開放性,使得依靠大功率波束對抗衰落的THz通信容易產生干擾,進而影響傳輸性能。作為調整電磁波反射角的簡單方法,RIS可以智能調整來自基站的波束方向,以提供無人機連接。在城市地區,通常建議將RIS部署在建筑物的外墻或屋頂上。在空域BS波束形成場景中引入RIS,可以在避免多機干擾的同時,提高空地通信的互聯能力。

3)增強室內覆蓋

RIS已成為一種有效的THz室內覆蓋解決方案,主要原因為:①RIS可以通過控制反射角度來提供虛擬無線LoS鏈路;②RIS不需要復雜的硬件電路,厚度小,重量輕。這些物理特性使RIS能夠容易地被安裝在無線傳輸環境中,包括墻壁、天花板和家具上。由于頻率高、波長短,THz通信的高傳輸損耗導致覆蓋距離短,而有限的衍射能力導致THz傳輸依賴于LoS路徑。室內THz的LoS鏈路很容易被墻壁或人體阻擋,導致高速通信中斷。為了人類的健康和通信節能,室內THz無線鏈路不能簡單地通過增加傳輸功率或設置更多接入點來填補覆蓋漏洞。因此,在THz通信中擴大無處不在的高速室內覆蓋是一項艱巨的任務。

4)車輛通信

在智能交通系統中,車輛通信網絡提供高數據速率、低延遲和可靠的通信。在無線互聯智能汽車時代,THz通信是未來車載通信的潛在支持技術。然而,多變擁擠的交通和密集的人員移動會損害THz光束的連接穩定性和對準速度。為此,無人機攜帶的移動RIS可以跟隨交通流,在擁擠的交通區域協助THz波束訓練和跟蹤過程;車輛可根據不同位置的障礙物情況選擇協同RIS,保證高速、實時、穩定的THz連接。

2.THz-RIS模型

K DoveLoS等人指出,在THz頻段的RIS輔助信道中,要考慮THz信道的分子吸收,通過第(nm)個反射單元的信道的路徑損耗為:

其中,κabsf)是載頻f下的分子吸收系數,LxLy分別是每一個反射單元沿x軸和y軸的長度,GtGr分別是發射天線與接收天線的增益,分別為從發射機與接收機到第(nm)個反射單元的距離。其中,Fθt?rθr)?cos2θt(cos2θrcos2?r+sin2?r),θtθr分別為發射機與接收機的極角,?r為接收機方位角。當RIS反射單元個數為100×100時,發射機距RIS 0.67 m。圖1.8所示為路徑損耗模型仿真分析結果,可以看出對于同一個RIS經過不同反射單元信號,路徑損耗變化不大。這是因為在THz波段RIS的物理尺寸很小,可以通過計算坐標(0,0)位置的路徑損耗來替代整個表面的路徑損耗。

圖1.8 100×100個單元RIS的路徑損耗

RIS單元個數與面積的關系(f=300 GHz)見表1.3。

表1.3 RIS單元個數與面積的關系(f=300 GHz)

由表1.3可以看出,THz-RIS的物理尺寸較小,但是菲涅爾面積大。此時發射和接收視為在RIS近場中。在近場中,不能忽略撞擊RIS的入射波的球面波。

3.THz-RIS波束形成

THz通信在實際應用中面臨許多挑戰,如傳播損耗、信號阻塞和硬件成本等問題。在RIS輔助THz通信中,可以利用聯合主動和被動波束形成來提高通信質量和降低開銷,并且解決上述問題。波束形成是THz通信中的關鍵研究問題,其核心在于如何將信號能量導向目標。

石墨烯具有豐富的物理性質和柵極可調特性,非常適合調制THz波。目前已驗證,在基于石墨烯的RIS上,可以實現THz波束控制。基于石墨烯的RIS結構中,反射陣列安裝在印刷電路板上并引線鍵合,其中襯底包括反射導電接地面和介電間隔物。每個元件可以通過兩個不同的偏置電壓,表現出相反的反射相位。結果表明,通過在這些元件上設置不同的相位組合,偏轉角度的轉向范圍可以達到25°。

利用液晶的雙折射效應,可以動態改變液晶分子的取向來改變相位延遲,因此基于液晶的RIS實現了THz波束偏轉的動態控制。基于液晶的THz頻段的RIS由單元排列組成,單元采用金屬—絕緣體—金屬諧振器結構。當電場作用于兩個金屬層之間時,液晶分子會發生再取向,折射率也會發生相應的變化。因此,通過使用兩個不同的偏置電壓來控制每個元件上的反射相位,可以實現波束控制。基于這種反射陣列,可以獲得32°的最大偏轉角。

在RIS輔助的THz通信中,使用波束訓練策略可以建立可靠通信。由于RIS系統不能產生和解碼波束,RIS系統中的波束訓練比傳統場景中的波束訓練更具挑戰性。為了實現RIS的聯合波束形成方案,需要以下3步來實現不同組的波束對準。

第一步需要獲得最佳碼字以確定最佳反射模式。首先,以連續的間隔測試一些寬波束對,基站使用發射模式,用戶使用接收模式。在每個間隔中,RIS在不同的時隙中連續搜索預定義的碼字。對于RIS來說,只有一個寬波束對同時覆蓋基站—RIS鏈路和RIS—用戶鏈路。在此間隔期間,當RIS使用最佳碼字時,用戶將在時隙中檢測到能量脈沖。因此,用戶可以利用脈沖時隙來識別RIS的最佳碼字。

第二步需要關閉RIS,通過以下步驟獲得基站用戶窄波束對。首先,測試一些寬波束對的對準情況。用戶比較不同間隔中的接收能量,并確定具有最大功率的寬波束對。對齊的寬波束對將在兩側進行標記。其次,基站發送標記的寬波束,用戶使用快速分層搜索找到最佳的窄波束。最后,用戶發射該窄波束,基站使用快速分層搜索在基站獲得最佳窄波束。

第三步通過類似于第二步的步驟來獲得基站—RIS—用戶窄波束對,用獲得的最佳碼字使用RIS。從基站到用戶存在兩條傳播路徑,即基站—RIS—用戶路徑和基站—用戶路徑。請注意,基站—用戶路徑已在第二步確定。因此,只要減少基站—用戶路徑上的接收信號,就可以通過快速分層搜索找到反射路徑的窄波束對。通過這種方式,可以獲得最佳的窄波束對:基站—RIS—用戶路徑。

4.未來研究方向

用于RIS輔助THz通信的壓縮傳感和機器學習技術很有前途。通過假設表面的稀疏信道傳感器配置,信道估計的訓練開銷和基帶硬件復雜度都降低了。在這種體系結構中,RIS中的一些元件保持活動(沒有射頻資源,常規反射元件不能發送用于信道估計的導頻符號),并且使用壓縮感測來獲取其他無源元件上的信道響應。然后,可以在基于深度學習的解決方案中利用這些知識設計反射矩陣,消除訓練開銷。對于不完全信道狀態信息的RIS,分布式強化學習技術也被用于信道估計領域。

1.6.2 THz與OAM

THz有豐富的頻譜資源與應用潛力,OAM技術也可以通過多路復用幾個正交模式來增加通信系統的容量。融合這兩種技術,即THz-OAM,在下一代通信中具有很大的開發潛力與應用前景。

1.THz-OAM波束的產生方法

在生成THz-OAM波束時,應同時考慮THz波束與OAM的生成特點。產生THz波的方法包括基于光學方法、基于電子方法和基于光電混合的方法。在THz波段,OAM波束生成方法主要包括螺旋相位板、超表面、全息方法與Q板。下面將介紹這幾種方法的優缺點。

SPP是產生OAM光束最簡單和最直接的結構。與光學頻段相比,THz-SPP對加工精度要求不高,現有的3D打印技術和機械加工可以滿足其精度的要求,但是由于受材料的吸收系數和反射系數的影響,SPP厚度會產生變化,從而引起THz-OAM波束振幅不均勻的問題。另外SPP波只能在特定波長下產生電磁波,無法在寬帶上工作。

1967年,拉赫曼等人提出了計算全息圖。隨著THz技術的興起,計算全息技術也可以用來產生THz-OAM波束。全息圖是用于在光學區域內產生OAM波束的方法。光學全息記錄過程復雜,需要理想的實驗環境。目前在THz頻段使用全息方法生成OAM波束時,缺乏成熟的空間調制器,THz全息圖的復雜生成過程增加了整個系統的復雜性。

近幾年,超表面的快速發展形成了生產OAM波束簡單的方法。超表面可以在較寬的范圍內同時產生多模OAM波束,一些特殊的相位分布可以控制THz-OAM波束的傳播方向,為OAM復用和解復用提供了基礎。超表面中元單元的插入損耗是一個重要參數。為了保證插入損耗的波束具有均勻的振幅和增益,元單元的插入損耗應該盡可能小。超表面可以提供較高的模式純度,另外基于超表面的方法有更大的可擴展性和更高的性能,具有較大的發展潛力。

Q板作為一種新興的光學元件,為產生THz-OAM波束提供了新的思路。由于液晶的可調諧性,Q板法可以實時任意操縱THz-OAM波束。Q板法相位精度較高,因此也具有較高的模式純度。然而,因為對輸入波束的要求越來越嚴格,對Q板法的進一步推廣也面臨許多挑戰。

2.THz-OAM波的探測方法

THZ-OAM波的探測方法分為有效區分波的模式與解調Sub-6 GHz波攜帶信息兩種。為了獲得更高的數據傳輸速率,解調Sub-6 GHz波攜帶信息方法更為有效。

坐標變換法作為解調THz波攜帶信息的一種代表方法,在THz-OAM的探測上具有較大優勢。坐標變換法是一種基于光學原理對不同模式的OAM波束進行分離和檢測的方法。坐標變換方法需要使用折射元件與聚焦透鏡將OAM波束從一個坐標轉換到另一個坐標。折射元件能夠實現坐標的轉換,不僅能在光學和微波波段工作,而且能在THz波段工作。C.Liu和X.Wei等人找到了可以在0.3 THz波段工作的折射元件,并證明了坐標變換法能夠在THz波段分離和檢測出OAM波束。與反向螺旋相位法和平面波干涉法不同,坐標變換法可以同時實現多種不同模式的OAM波束的分離和檢測。但是由于相位分布與距離相關,使得折射元件需要更大的空間,并且不容易被集成。

電光晶體既可以用來探測THz波,也可以用來探測THz-OAM波。電光晶體法可以同時高速檢測THz波的相位和振幅分布。然而,由于電光晶體對THz電場的低響應性,這種方法通常用于檢測具有大瞬時功率的THz脈沖,而不能用于檢測連續的THz波。

3.THz-OAM用于通信

作為一種新的通信維度,OAM技術不僅可以提高通信容量,其模式也可以作為通信的信息符號。傳統的通信編碼通過對電磁波的幅度、頻率、相位和極化進行高速調制來實現數據傳輸。在OAM移位鍵控通信系統中,OAM模式被用作數據傳輸的參數。受旋轉級電機速度的限制,OAM移位鍵控暫時不能用于高速通信。OAM模式復用是利用不同OAM模式的正交特性,實現多通道信息的同時傳輸。因此,基于OAM模式復用的通信系統已經成為通信領域的研究熱點。受目前THz技術發展現狀的限制,基于OAM模式復用的THz通信系統尚未被提出。與微波相比,THz波可以提供更寬的帶寬,因此,預計THz-OAM模式復用的數據傳輸速率將會更高。

4.未來研究挑戰

THz-OAM技術是無限正交模和寬帶的結合,在無線通信領域有巨大的發展潛力。OAM移位鍵控和OAM模式復用都為THz通信提供了新的發展方向。對于THz-OAM波束而言,模式純度和工作帶寬有助于提高THz-OAM通信的數據傳輸速率。前者保證了正交性,后者保證了頻譜的有效利用。對于通信系統來說,THz器件成本、大型OAM產生和檢測元件限制了THz-OAM技術的發展。開發用于產生、檢測和復用THz-OAM波束的新型器件將是關鍵研究方向,未來可以對分立元件進行集成以降低元件的制作成本與尺寸。另外,THz具有高損耗、受環境影響大、NLoS明顯等特點,需要結合THz的特點研究THz-OAM的實際傳輸情況。

Helal等人使用多種機器學習方法,在THz頻譜對材料、固體和氣體成分進行了區分,并比較了這些技術的分類成功率。通過測量測試集的校準均方根誤差,獲得了分類模型的性能曲線。

從圖1.9可以看出,在低信噪比和低處理時間的情況下,線性判別分析能夠準確區分固體材料,LDA適用于處理線性可分THz頻譜數據問題。高斯樸素貝葉斯給出了類似的理想的分類結果,因為THz物質具有連續的特征和近似的高斯分布。結果中GNB分類器沒有很好地表示NMF數據,主要是由于其簡單假設函數的不準確性。此外,由于噪聲特征數據和大樣本量,鄰近算法的精度降低,導致計算最近鄰居距離成本較高。此外,支持向量機分類器精度的相對下降可能是由過擬合引起的。

圖1.9 不同分類器在固體信噪比方面的性能

圖1.9 不同分類器在固體信噪比方面的性能(續)

圖1.9 不同分類器在固體信噪比方面的性能(續)

對于BP神經網絡來說,最好的性能是通過10臺電腦、10個隱藏節點和0.01學習率實現的。然而,最佳的廣義回歸神經網絡性能是用5個脈沖實現的,徑向基函數的擴展值為10,實現了更平滑的函數逼近。廣義回歸神經網絡模型結果表明,與BPNN模型相比,廣義回歸神經網絡更有利于預測THz頻譜數據,主要是因為廣義回歸神經網絡具有計算復雜度低、流量估計間歇和計算速度快的特點。每個廣義回歸神經網絡在單程學習中訓練速度很快,而BPNN在向前和向后通過時平均花費的時間很多。與BPNN不同,廣義回歸神經網絡只需要幾個訓練樣本就能進一步收斂THz數據的基本函數。此外,廣義回歸神經網絡由于其處理輸入數據中噪聲的能力,導致分類誤差小。廣義回歸神經網絡在固體和氣體材料數據集的高分類精度和速度之間取得了良好的平衡。多元判別模型的線性判別分析和廣義回歸神經網絡,結合THz頻譜,提供了一個低時間消耗的模型。

主站蜘蛛池模板: 临洮县| 舒城县| 平湖市| 墨玉县| 江孜县| 延庆县| 巴彦淖尔市| 景东| 曲靖市| 阿克陶县| 库伦旗| 大埔县| 田阳县| 昭平县| 井冈山市| 绍兴县| 南宁市| 翁源县| 夹江县| 鸡西市| 左云县| 永德县| 潜山县| 深泽县| 枞阳县| 阿瓦提县| 保靖县| 长丰县| 温宿县| 镇江市| 黑水县| 沁水县| 达州市| 新河县| 定日县| 东乌珠穆沁旗| 和田县| 无为县| 湄潭县| 桐庐县| 米林县|