Gram-Schmidt precoding for two-tier cellular networks with massive MIMO
Notice bibliographique
Résumé
The uplink in a cellular network where the base station (BS) and an advanced user equipment (UE) that is not the traditional mobile device is investigated. This is proposed as a method of antenna offloading for the typical UE which suffers from size constraints. The Gram-Schmidt (GS) precoding algorithm is used to design novel precoding solutions when the receiver and transmitter can have a large antenna array (e.g. N <sub xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">r</sub> = 64, N <sub xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">T</sub> = 32), as expected to be the case for deploying wireless backhaul links. Using the QR-decomposition on the Zero-Forcing (ZF) receiver, the proposed scheme is shown to essentially perform channel inversion with the help of the transmitter and receiver. With a moderate number of receive antenna elements, the matched filter (MF) was observed to incur inter-stream interference, while the ZF and minimum mean squared error (MMSE) receiver were more susceptible to transmitter side correlation compared to the GS precoding algorithm. When there is only channel correlation information (CCI) at the transmitter side, the GS precoding matrix is shown to be approximated by inverting the Cholesky decomposition of the CCI transmit matrix and outperforms the MF. Finally a block successive interference cancellation (SIC) detection scheme for the K-User MIMO channel is presented. It is shown for N <sub xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">T</sub> = 2 the GS precoder has a higher sum rate than the ZF receiver in the high signal to noise ratio (SNR) regime.
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 ».