On rate-optimal MIMO signalling with mean and covariance feedback
Notice bibliographique
Résumé
We consider a single-user multiple-input multiple-output (MIMO) communication system in which the transmitter has access to both the channel covariance and the channel mean. For this scenario, we provide an explicit second-order approximation of the ergodic capacity of the channel, and we use this approximation to show that when the channel has a non-zero mean, the basis of the optimal input covariance matrix depends on the input signal power. (This basis is independent of the signal power in the zero-mean case.) The second-order approximation also provides insight into the way in which the low-signal-to-noise-ratio (SNR) optimal input covariance matrix is related to the optimal input covariance matrix at arbitrary SNRs. Furthermore, we show that the design of the input covariance matrix that optimizes the second-order approximation can be cast as a convex optimization problem for which the Karush-Kuhn-Tucker (KKT) conditions completely characterize the optimal solution. Using these conditions, we provide an efficient algorithm for obtaining second-order optimal input covariance matrices. The resulting covariances confirm our theoretical observation that, in general, the low-SNR optimal signal basis does not coincide with the optimal basis at higher SNRs. Finally, we show how our second-order design algorithm can be used to efficiently obtain input covariance matrices that provide ergodic rates that approach the ergodic capacity of the system.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| 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 ».