Highly Efficient 3-D Resource Allocation Techniques in 5G for NOMA-Enabled Massive MIMO and Relaying Systems
Notice bibliographique
Résumé
Non-orthogonal multiple access (NOMA) has been considered as a highly efficient communication technology in the fifth generation (5G) networks by serving multiple users concurrently through non-orthogonal sharing communication resources. NOMA can be combined with both massive multiple input multiple output (MIMO) and relaying technologies to further improve 5G system efficiency at the cost of increased complexity. These combinations rely on the efficient utilization of 3-D communication resources. In the first part of this paper, we investigate highly efficient 3-D resource allocation for massive MIMO-NOMA systems. Due to hardware complexity constraints and channel variation in the massive MIMO-NOMA system, efficient antenna selection and user scheduling algorithms are proposed for sum rate maximization. In the second part of this paper, a collaborative NOMA-assisted relaying (CNAR) system is proposed to serve multiple cell-edge users by 3-D resource utilization. To reduce the relaying complexity in CNAR system, a simplified-CNAR (S-CNAR) system is proposed as an alternative NOMA-enabled relaying strategy. Numerical results show that our antenna selection and user scheduling algorithms achieve similar performance to existing methods with reduced complexity. Under high target rate, CNAR obtains better performance over other transmission strategies and S-CNAR reaches similar performance by simplified relaying scheme.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».