Efficient User Selection and Ordering Algorithms for Successive Zero-Forcing Precoding for Multiuser MIMO Downlink
Notice bibliographique
Résumé
In this paper we consider user scheduling problem for linearly preceded multiuser multiple-input multiple-output (MIMO) downlink, where base station as well as the mobile receivers are equipped with multiple antennas. Optimal precoding involves dirty paper coding (DPC) technique, and it is highly nonlinear and complex. On the other hand, complete inter-user interference cancellation using linear zero-forcing or block diagonalization precoding are suboptimal. Hence, we consider successive zero-forcing precoding, which achieves improved system throughput compared to block diagonalization by allowing users to work under limited interference. Due to the dimensionality constraint of linear precoding techniques user scheduling is required. The optimal user scheduling involves exhaustive search, which becomes very complex for realistic numbers of users and transmit antennas. In addition, for successive zero-forcing precoding the order in which users are precoded successively is important for sum rate maximization, which further increases the complexity of exhaustive search. In this paper we develop a low complexity greedy user scheduling algorithm for successive zero-forcing precoding, which incorporates various user ordering techniques. Simplified heuristic scheduling metrics are proposed, which are shown to perform close to the exhaustive search method. A suboptimal user ordering technique that is similar to the order, in which the proposed greedy user selection selects users, is proposed. Further simplification of regular greedy scheduling algorithm is obtained with the proposed intermediate user grouping technique. The proposed algorithm is of low complexity, but provides performance close to the highly complex exhaustive search algorithm.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».