Simplified transmit covariance optimization and user ordering algorithm for successive zero-forcing precoding
Notice bibliographique
Résumé
In this paper we consider transmit covariance matrix optimization and user ordering problem for successive zero-forcing (SZF) precoding for multiuser multiple-input multiple-output (MIMO) downlink, where base station as well as the mobile receivers are equipped with multiple antennas. With SZF, an optimization of sum rate maximizing transmit covariance matrices is necessary. A dirty paper coding (DPC) based transmit covariance matrix optimization algorithm has been recently proposed in [1]. The algorithm involves three steps: the dual multiple access channel (MAC) covariance optimization using sum power iterative water-filling [2], the MAC to broadcast channel (BC) covariance transformation [3] for DPC, and transformation of the DPC downlink covariance matrices to SZF matrices. Hence, that algorithm is computationally very complex, and may not be realizable in practice. In this paper, we propose a suboptimal but much simplified algorithm, which employs an iterative procedure similar to the MAC covariance optimization technique of [2], but does not involve multiple levels of covariance matrix transformations. Additionally, the optimized algorithm requires the optimization to be applied to all possible user orders. Hence, we propose a heuristic user ordering algorithm based on previously proposed user selection algorithms, so that the exhaustive search through all possible user orders is avoided without significant performance penalty. Simulation results show that proposed algorithm performs very close to the algorithm of [1] in low SNR regime.
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) | 0,002 | 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 ».