Sparse beamforming design for network MIMO system with per-base-station backhaul constraints
Notice bibliographique
Résumé
This paper considers the joint beamforming and clustering design problem in a downlink network multiple-input multiple-output (MIMO) setup, where the base-stations (BSs) are connected to a central processor with rate-limited backhaul links. We formulate the problem as that of devising a sparse beamforming vector across the BSs for each user, where the nonzero beamforming entries correspond to that user's serving BSs. Differing from the previous works, this paper explicitly formulates the per-BS backhaul constraints in the network utility maximization framework. In contrast to the traditional utility maximization problem with transmit power constraint only, the additional backhaul constraints result in a discrete ℓ0-norm formulation, which makes the problem more challenging. Motivated by the compressive sensing literature, we propose to iteratively approximate the per-BS backhaul constraints using a reweighted ℓ1-norm technique and reformulate the backhaul constraints as weighted per-BS power constraints. This allows us to solve the weighted sum rate maximization problem through a generalized weighted minimum mean square error (WMMSE) approach. To reduce the computational complexity of the proposed algorithm within each iteration, we propose two additional techniques, iterative link removal and iterative user pool shrinking, which dynamically decrease the potential BS cluster size and user scheduling pool. Numerical results show that the proposed algorithm can significantly improve the system throughput as compared to the naive BS clustering strategy based on the channel strength.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».