MétaCan
Menu
Retour à la cohorte
Enregistrement W2154446674 · doi:10.1109/spawc.2005.1506302

Downlink beamforming with per-antenna power constraints

2005· article· en· W2154446674 sur OpenAlexaff
Wei Yu, Tian Lan

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced MIMO Systems Optimization
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésTelecommunications linkBeamformingDuality (order theory)Antenna (radio)Transmitter power outputComputer scienceMathematical optimizationStrong dualityBase stationOptimization problemElectronic engineeringMathematicsControl theory (sociology)TelecommunicationsChannel (broadcasting)EngineeringTransmitterDiscrete mathematics

Résumé

récupéré en direct d'OpenAlex

This paper addresses the problem of linear beamformer design for a multiuser downlink channel in which the base-station is equipped with multiple antennas and the remote users are equipped with a single-antenna each. The design objective is to minimize the maximum transmit power on each transmit antenna while satisfying an SINR constraint for each user. This per-antenna power optimization is more realistic than the usual sum-power criterion because in practice each transmit antenna has its own power amplifier. The main contribution of this paper is a uplink-downlink duality result for this new setting. We prove that the optimal downlink transmit beamformers with per-antenna power constraints are identical to the optimal receive beamformers of a dual uplink channel with a uncertain noise. This mirrors our previous result on the capacity region duality with per-antenna power constraints, and it extends the previously known beam-forming duality for sum-power constrained channels. The per-antenna beamforming duality derived in this paper is based on a new interpretation of beamforming duality based on Lagrangian duality. Duality is useful in practice because the uplink problem is typically easier to solve. In the final part of this paper, we propose efficient numerical algorithms to solve the per-antenna problem.

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 enseignants0,854
Score d'incertitude au seuil0,577

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)0,0010,000

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 Opus0,005
Tête enseignante GPT0,196
Écart entre enseignants0,191 · 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

Citations15
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced MIMO Systems OptimizationTravaux en français237 207