Beamforming for Multiuser MIMO-OFDM Interference Channels With Multipath Diversity
Notice bibliographique
Résumé
This paper presents three beamforming designs for multiuser multiple-input and multiple-output with orthogonal frequency-division multiplexing, where the transmit and receive beamformers are obtained iteratively with closed-form steps. In the first case, the transmit (Tx) beamformers are set and the receive (Rx) beamformers are calculated. It works by projecting the Tx beamformers into a null space of appropriate channels. This eliminates one interference term for each user. Then the Rx beamformer for each user maximizes its instantaneous signal-to-noise ratio (SNR) while satisfying an orthogonality condition to eliminate the remaining interferences. The second case is jointly optimizing the Tx and Rx beamformers from constrained SNR maximization. It uses the results from the first case. The third case is also for joint optimization of Tx-Rx beamformers but combines constrained SNR and signal-to-interference-plus-noise ratio maximization. The minimum number of antennas required is derived as part of the formulation. All cases can include a linear constellation precoder for extracting multipath diversity. Finally, the required feedback rates are derived and compared to existing beamforming methods. Using the standardized statistical channel model for IEEE 802.11n, our simulations demonstrate faster beamforming, improved error performance, and the ability to extract multipath diversity which is not possible in the least-square approach.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».