Optimized beamforming and backhaul compression for uplink MIMO cloud radio access networks
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
This paper studies the optimization of transmit beamforming and backhaul compression strategies for the uplink of cloud radio access networks (C-RAN), in which multi-antenna user terminals communicate with a cloud-computing based central processor (CP) through multi-antenna base-stations (BSs) serving as relay nodes. The BSs perform compress-and-forward strategy to quantize the received signals and send the quantization bits to the CP via capacity-limited backhaul links for decoding. In contrast to the previous works on the uplink C-RAN, which mostly focus on the backhaul compression strategies only, this paper proposes the joint optimization of the transmit beamformers and the quantization noise covariance matrices at the BSs for maximizing the benefit brought by the C-RAN architecture. A weighted sum-rate maximization problem is formulated under the user power and backhaul capacity constraints. A novel weighted minimum-mean-square-error successive convex approximation (WMMSE-SCA) algorithm is developed for finding a local optimum solution to the problem. This paper further proposes a low-complexity approximation scheme consisting of beamformers matching to the strongest channel vectors at the user side along with per-antenna scalar quantizers with uniform quantization noise levels across the antennas at each BS. This simple separate design strategy is derived by exploring the structure of the optimal solution to the sum-rate maximization problem under successive interference cancellation (SIC) while assuming high signal-to-quantization-noise ratio (SQNR). Simulation results show that with optimized beamforming and backhaul compression, C-RAN can significantly improve the overall performance of wireless cellular networks. With SIC, the proposed separate design performs very close to the optimized joint design in the SQNR regime of practical interest.
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 | 0,000 |
| 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 découle