Resource Allocation Optimization in Multi-User Multi-Cell Massive MIMO Networks Considering Pilot Contamination
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we study the joint pilot assignment and resource allocation for system energy efficiency (SEE) maximization in the multi-user and multi-cell massive multi-input multi-output network. We explicitly consider the pilot contamination effect during the channel estimation in the SEE maximization problem, which aims to optimize the power allocation, the number of activated antennas, and the pilot assignment. To tackle the SEE maximization problem, we transform it into a subtractive form, which can be solved more efficiently. In particular, we develop an iterative algorithm to solve the transformed problem where optimization of power allocation and number of antennas is performed, and then pilot assignment optimization is conducted sequentially in each iteration. To tackle the first sub-problem, we employ a successive convex approximation (SCA) technique to attain a solvable convex optimization problem. Moreover, we propose a novel iterative low-complexity algorithm based on the Hungarian method to solve the pilot assignment sub-problem. We also describe how the proposed solution approach can be useful to address the sum rate (SR) maximization problem. In addition to the algorithmic developments, we characterize the optimal structure of both SEE and SR maximization problems. The numerical studies are conducted to illustrate the convergence of the proposed algorithms, impacts of different parameters on the SR and SEE, and significant performance gains of the proposed solution compared the conventional design.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle