mmWave
含有「mmWave」共 20 篇內容
全部內容
發佈日期由新至舊
本單元解析微波電路製造如何決定 5G、6G 與 Starlink 的成敗，說明高頻下 PCB 材料、走線形式、封裝與工藝誤差對阻抗、損耗與相位的巨大影響。透過基地台與相控陣實務，強調毫米波系統仰賴極高精度的微波工藝與製造能力。
本單元說明微波濾波器作為無線系統的頻率守門員，解析低通、高通、帶通與帶阻濾波器原理，以及共振、耦合與阻抗不連續等物理機制。並結合 5G、mmWave、Starlink 與基地台實務，說明插入損耗、隔離度與群延遲對通訊品質與法規合規的關鍵影響。
本單元介紹天線作為無線通訊的能量出口，解析輻射圖、增益、極化、孔徑與阻抗等核心參數，並說明 MIMO 與相控陣如何以相位控制形成波束。透過基地台與 Starlink 實例，說明相控陣是 5G/6G、mmWave 與 LEO 通訊不可或缺的關鍵技術。
本單元說明平面波在遇到不同材料邊界時，會產生反射、折射、穿透與吸收等效應，並解釋頻率越高穿牆能力越差的物理原因。透過實務案例連結 5G、mmWave、LEO 與小型基地台佈建，揭示無線通訊其實是「電波與環境邊界互動」的工程。
本章統整第 4 章 DSP 與基頻處理全流程，從時頻分析、FFT、濾波、取樣與同步、多速率架構，到 LMS/RLS、自適應濾波、Beamforming 與 AI 輔助濾波，完整說明 5G/6G 與 LEO/NTN 基頻鏈。核心精神為：DSP 讓通訊可運算，AI 讓通訊可學習。
本單元說明 AI 輔助濾波如何在 6G、NTN 與 Massive MIMO 中取代傳統 DSP。透過 CNN、LSTM、Transformer 進行等化、降噪、通道估測與 Doppler 補償，AI 能學習非線性與高速時變通道特性，成為 AI-native Receiver 的核心技術。
本單元說明 NLMS 與 RLS 作為 LMS 的進化版，如何解決收斂慢與不穩定問題。NLMS 透過輸入功率正規化，兼顧速度與穩定性，廣泛應用於 OFDM 與通道追蹤；RLS 則利用統計資訊達成極快收斂，最適合 5G/6G、mmWave 與 LEO/NTN 高速時變通道。
本章整合調變、OFDM、多路徑通道、等化與通道編碼，說明 5G/6G 如何在高頻與時變環境中穩定傳輸；從 ZF/MMSE、LDPC/Polar 到 AI-based FEC，完整揭示無線系統逼近香農極限並邁向 6G 的核心工程邏輯。
本單元說明 AI-based Channel Coding 透過神經網路與資料驅動方法，重新設計編碼、解碼與星座結構，在 LEO／NTN 等高多普勒、非理想通道中超越傳統 LDPC／Polar；AI 並非突破香農極限，而是在有限碼長與動態通道下更逼近理論上限。
本單元說明 LDPC 以稀疏奇偶檢查矩陣與 Tanner Graph，透過 Belief Propagation 疊代解碼達成接近香農極限的效能；其高度並行與高吞吐特性，使其成為 5G 下行、Wi-Fi 與衛星通訊的核心編碼，並在 6G 大頻寬系統中扮演骨幹角色。