Cognitive Beamforming in Underlay Two-Way Relay Networks With Multiantenna Terminals
Notice bibliographique
Résumé
This paper studies an underlay cognitive network consisting of a two-way amplify-and-forward (AF) relay and two multiantenna terminals (SU1and SU2). Despite enhanced spectral efficiency and spectrum utilization, the underlay network is limited by low power transmissions and short coverage owing to secondary-to-primary (S2P) and primary-to-secondary (P2S) interference. To alleviate these, we consider beamforming at SU1and SU2. However, concurrent bidirectional transmissions with the two-way relay complicates beamforming and power allocation. Nevertheless, we use the performance criterion of maximizing the worse received signal-to-interference-and-noise ratio (SINR) at SU1and SU2. The resulting maximization problem for the optimal beamforming vectors and power allocation is a nonconvex quadratically constraint quadratic program (QCQP), which is NP-hard. Thus, we develop an iterative bisection search, but determining its feasibility at each iteration is still a nonconvex NP-hard QCQP. We thus generate two equivalent interference minimization problems, which we solve by semidefinite relaxation (SDR). Simulation results show that our proposed optimal design improves SINR by as much as 20 dB. We also propose suboptimal maximal-ratio-transmission (MRT) and zero-forcing beamforming and maximal-ratio-transmission (ZFB-MRT), and develop their optimal power allocations. Importantly, the performance loss due to these suboptimal strategies is modest (e.g., as low as 1 dB for ZFB-MRT with optimal power allocation).
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 | 0,001 |
| 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) | 0,001 | 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 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 ».