MétaCan
Menu
Retour à la cohorte
Enregistrement W2042919744 · doi:10.1109/spawc.2012.6292869

Feedback-efficient agile scheduling-beamforming for network MIMO OFDMA systems with realistic channel models

2012· article· en· W2042919744 sur OpenAlexaff
Behrouz Khoshnevis, Wei Yu, Yves Lostanlen

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced MIMO Systems Optimization
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésComputer scienceMIMOBeamformingChannel state informationPrecodingOrthogonal frequency-division multiplexingQuantization (signal processing)Telecommunications linkScheduling (production processes)Multi-user MIMOMIMO-OFDMComputer networkChannel (broadcasting)Electronic engineeringReal-time computingWirelessAlgorithmTelecommunicationsEngineering

Résumé

récupéré en direct d'OpenAlex

The acquisition of channel state information is a pressing issue in the implementation of network multi-input multi-output (MIMO) systems, where the base-stations coordinate across multiple cells for intercell interference mitigation. This paper proposes a two-stage channel quantization and feedback mechanism named agile scheduling-beamforming (ASB) for the downlink network MIMO system employing both spatial multiplexing and orthogonal frequency-division multiple-access (OFDMA). The proposed scheme polls the users for their best set of spatial-frequency resource blocks, then schedules the users according to the fairness criterion, and finally asks the selected users to feedback finer channel quantization. This paper utilizes insights derived from the scaling law of the optimal quantization bit allocation for this scheme, and evaluates its performance on realistic channel models. Rate map simulations based on ray-tracing-based wireless propagation models of realistic urban small-cell deployment show that the proposed scheme can already approach the performance of network MIMO with full channel state information with only modest amount of channel feedback.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,919
Score d'incertitude au seuil0,888

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,219
Écart entre enseignants0,200 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced MIMO Systems OptimizationTravaux en français237 207