Distributed collaborative beamforming designs for real-world applications in relayed and cooperative communications
Notice bibliographique
Résumé
Three main distributed collaborative beamforming (DCB) designs based on different channel models could be employed in real-world applications where scattering and implementation imperfections might exist: the monochromatic (i.e., single-ray) DCB (M-DCB), the bichromatic (i.e., two-ray) DCB (B-DCB), and the polychormatic (i.e., multi-ray) DCB (P-DCB). In this paper, we perform an analytical comparison, under practical constraints, between these DCB designs in terms of achieved signal-to-noise ratio (SNR) as well as achieved throughput. Assuming the presence of scattering and accounting for implementation errors incurred by each DCB design, we derive closed-form expressions of their true achieved SNRs. Excluding exceptional circumstances of unrealistic low quantization levels (i.e., very large quantization errors) hard to justify in practice, we show that B-DCB always outperforms M-DCB as recently found nominally in ideal conditions. We also show that for low AS B-DCB and P-DCB achieve almost the same SNR while for high AS the latter outperforms the first. Furthermore, this work pushes the performance analysis of DCB to the throughput level by taking into account the feedback overhead cost incurred by each design. We prove both by concordant analysis and simulations that the P-DCB's throughput gain against B-DCB reduces as the channel Doppler frequency increases.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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) | 0,002 | 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 ».