Analysis of collaborative beamforming designs in real-world environments
Notice bibliographique
Résumé
Three main collaborative beamforming (CB) designs based on different channel models could be applied in real-world environments where local scattering and implementation imperfections might exist: the optimal CSI-based CB (OCB), the conventional or monochromatic (i.e., single-ray) distributed CB (M-DCB), and the recently developed bichromatic (i.e., two-ray) distributed CB (B-DCB). In this paper, we perform an analytical comparison, under practical constraints, between these CB designs in terms of achieved signal-to-noise ratio (SNR) as well as achieved throughput. Assuming the presence of local scattering in the source vicinity and accounting for implementation errors incurred by each CB design, we derive for the first time closed-form expressions of their true achieved SNRs. At a low angular spread (AS) where both designs nominally achieve the same SNR in ideal conditions, we show that the B-DCB always outperforms OCB, more so and at larger regions of AS values when errors increase. Excluding exceptional circumstances of unrealistic low quantization levels (i.e., very large quantization errors) hard to justify in practice, we also show that the new B-DCB always outperforms the M-DCB as recently found nominally in ideal conditions. This work is also the first to push the performance analysis of CB to the throughput level by taking into account the feedback overhead cost incurred by each design. We prove both by concordant analysis and simulations that the B-DCB is able to outperform, even for high AS values, the OCB which is penalized by its prohibitive implementation overhead, especially for a large number of collaborating terminals and/or high Doppler frequencies.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».