MARC

 008260126s2022        us                              c    eng  d
■001000017360505
■00520260202105538
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263394448
■035    ▼a(MiAaPQ)AAI32314911
■035    ▼a(MiAaPQ)GeorgiaTech66626
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3822
■1001  ▼aYao,  Shuang.
■24510▼aFiber-Wireless  Integration  with  Enhanced  Adaptability  for  Next  Generation  Radio  Access  Networks
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2022
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2022
■300    ▼a164  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Ma,  Xiaoli.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2022.
■520    ▼aIn  next  generation  radio  access  networks  (RANs),  there  will  be  no  "one-size-fits-all"  solution.  A  wide  range  of  applications  have  to  be  supported  and  they  have  been  classified  into  three  usage  scenarios  with  diverged  requirements,  enhanced  mobile  broadband  (eMBB)  for  high  data  rates,  ultra-reliable  and  low-latency  communications  (URLLC)  for  low  latency  and  high  reliability,  and  massive  machine  type  communications  (mMTC)  for  high  connection  density.  Diverse  deployment  options  are  expected,  with  both  newly  installed  RANs  and  the  existing  infrastructure  utilized  for  service  delivery.  A  new  RAN  architecture  has  emerged,  where  eight  function  split  options  are  defined  to  redistribute  signal  processing  functions  between  central  unit  (CU),  distributed  unit  (DU)  and  remote  radio  unit  (RRU),  and  flexible  function  split  is  supported  as  well.  At  the  physical  layer,  frequency  range  1  (FR1)  and  FR2  have  been  standardized  and  scalable  numerology  has  been  adopted.  To  this  end,  RANs  with  enhanced  adaptability  are  highly  desirable.Fiber-wireless  integration  combines  the  high  bandwidth  of  optical  fibers  with  the  ubiquitous  coverage  of  wireless  links.  It  has  been  successfully  employed  in  the  fourth  generation  (4G)  mobile  communications  and  will  continue  to  underpin  next  generation  RANs.  This  dissertation  focuses  on  advanced  techniques  applied  to  fiber-wireless  integration  for  adaptability  enhancement  in  RANs.  Considering  different  characteristics  of  analog  radio-over-fiber  (RoF)  and  digital  RoF  systems,  techniques  applied  to  these  two  systems  are  investigated  separately.  In  addition,  a  hybrid  system  that  supports  co-delivery  of  analog  RoF  and  digital  RoF  signals  is  also  studied,  so  that  the  benefits  of  each  format  can  be  utilized  to  carry  different  services.Analog  RoF  preserves  the  waveform  of  the  radio  frequency  (RF)  signal  in  the  optical  domain  and  offers  the  simplest  RRU  configuration.  The  transparency  nature  indicates  that  the  resources  in  the  optical  domain  and  RF  domain  have  to  be  managed  cooperatively.  The  quality  of  transmission  (QoT)  estimation,  which  predicts  the  received  signal  quality  before  service  provision  and  enables  resource  allocation  to  adapt  to  channel  conditions,  also  needs  to  take  the  impairments  in  both  fiber  and  wireless  links  into  account.  This  poses  a  challenge  to  accurate  QoT  estimation  that  is  critical  to  low-margin  network  operation.  In  this  dissertation,  artificial  neural  networks  (ANNs)  are  employed  to  achieve  high  accuracy  QoT  estimation,  whose  expressiveness  can  capture  the  complicated  channel  model  in  analog  RoF  systems.  An  experimental  demonstration  is  completed  in  a  fiber-millimeter  wave  (mmWave)  testbed  where  two  user  equipments  (UEs)  access  the  same  frequency  resources  through  power-domain  non-orthogonal  multiple  access  (PD  NOMA).  The  ANN  presents  high  prediction  accuracy  even  if  there  is  interference  between  UEs.  Furthermore,  the  data  efficiency  of  ANN-based  QoT  estimation  is  promoted  via  active  learning.  A  data  selection  framework  is  proposed  that  selects  unlabeled  training  samples  with  high  model  uncertainty.  It  can  be  incorporated  into  the  original  ANN  training  with  minimal  modifications.  The  proposed  framework  is  experimentally  verified  and  the  number  of  training  samples  can  be  reduced  without  sacrificing  model  accuracy.  An  analysis  is  also  conducted  that  inspects  the  distribution  of  the  training  samples  selected  by  active  learning  and  interprets  the  improvement  of  active  learning.Digital  RoF  transmits  the  digitized  RF  signal  over  the  fiber.  The  adoption  of  massive  multiple-input  multiple-output  (MIMO)  and  large  channel  bandwidth  demands  high-capacity  digital  RoF  systems.  This  dissertation  looks  into  issues  that  would  occur  as  digital  RoF  systems  migrate  to  high-speed  operation.  In  intensity-modulation  and  direct-detection  (IM/DD)  schemes,  the  bandwidth  limitation  becomes  increasingly  severe  with  the  increase  of  symbol  rate  and  digital  signal  processing  (DSP)  based  channel  equalization  is  compulsory.  Least-mean  squares  (LMS)  algorithm  is  widely  used  in  equalizer  training  due  to  its  computational  simplicity,  but  it  suffers  from  slow  convergence  if  there  is  severe  channel  distortion.  The  convergence  issue  is  approached  by  transmitter-side  spectral  shaping.  Specifically,  a  first-order  Markov  chain  (MC)  is  utilized  to  generate  a  sequence  with  correlated  samples.  The  comparison  between  the  traditional  sequence  with  independent  and  identically  distributed  (i.i.d.)  samples  is  made  through  both  simulations  and  experiments.  A  faster  rate  of  convergence  is  observed  in  both  tap  coefficients  and  mean-squared  error  (MSE)  compared  with  the  i.i.d.  sequence.  It  gives  rise  to  lower  pre-forward-error-correction  (pre-FEC)  bit  error  rate  (BER)  under  a  fixed  sequence  length  when  both  MC  sequence  and  i.i.d.  sequence  are  used  for  training.  As  a  result,  significant  reduction  in  training  sequence  length  is  attained.  Moreover,  adjusting  the  hyperparameter  of  the  first-order  MC  can  change  the  spectral  shaping  of  the  MC  sequence,  which  can  be  used  to  adapt  to  various  system  bandwidths.Coherent  communication  systems  that  can  further  increase  the  data  rate  of  mobile  fronthaul  are  also  studied  and  the  laser  phase  noise  tolerance  is  enhanced  by  probabilistic  shaping  (PS).  An  angular  distance  directed  (ADD)  distribution  is  proposed  where  constellation  points  in  the  quadrature  amplitude  modulation  (QAM)  with  larger  angular  distances  are  assigned  higher  probabilities  of  transmission.  This  is  based  on  the  observation  that  constellation  points  with  larger  angular  distances  are  more  robust  against  phase  noise.  The  ADD  distribution  is  added  on  top  of  the  conventional  Maxwell-Boltzmann  (MB)  distribution  to  get  an  MB/ADD  distribution  that  attains  improved  laser  phase  noise  tolerance  and  SNR  tolerance  at  the  same  time.  The  performance  of  the  MB/ADD  distribution  is  investigated  with  simulations  and  experiments  and  it  achieves  lower  pre-FEC  BER  and  higher  generalized  mutual  information  (GMI)  under  large  laser  phase  noise,  compared  with  uniform  distribution  and  the  MB  distribution.  The  MB/ADD  distribution  thus  relaxes  the  requirement  on  laser  linewidth  and  enables  low-cost  distributed  feedback  (DFB)  lasers  to  be  used  for  coherent  communications.  Besides,  both  MB  part  and  ADD  part  in  the  MB/DD  distribution  has  its  own  shaping  parameter,  and  they  can  be  agilely  selected  according  to  channel  SNR  and  laser  linewidth.
■590    ▼aSchool  code:  0078.
■650  4▼aWave  division  multiplexing
■650  4▼aRadio  frequency
■650  4▼aVirtual  reality
■650  4▼aNeural  networks
■650  4▼aSignal  processing
■650  4▼aElectrical  engineering
■650  4▼aInformation  technology
■650  4▼aOptics
■690    ▼a0800
■690    ▼a0544
■690    ▼a0489
■690    ▼a0752
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2022
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360505▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books