Characterizing Mutual Information of Multistream MIMO-SVD Systems in Heterogeneous Random Networks
Notice bibliographique
Résumé
The main focus of this paper is on multistream multiantenna (multiple-input multiple-output) communications in large-scale heterogeneous random networks. Previous work in this area mainly studies the outage probability from the perspective of a given stream, which is inaccurate as it generally overlooks possible interference-driven cross stream signal-to-interference correlation in each communication link. To tackle this issue, in this paper, we focus on a link-level performance evaluation by characterizing the complementary cumulative distribution function (CCDF) of random mutual information (RMI) under heterogeneous interference. We focus on the scenarios that no coordination among transmitters is persuaded, and the receivers do not attempt to cancel out part of interuser interference. Assume that channel state information is known at both the transmitter and receiver of each communication pair, Rayleigh fading, that the singular value decomposition (SVD) is applied to construct pre-coding/post-coding filters for single-user detection, and that transmitted signals of antennas are i.i.d. Gaussian. We first provide accurate expression for the achievable data rate (ADR) of each link, and show that, regardless of the interference power, when transceivers are equipped with equal number of antennas it grows sublinearly with the number of antennas. We then approximate RMI via Gaussian distribution that its mean is the ADR and its variance is derived based on network's parameters. It is seen that the Gaussian approximation is credible even when two streams of data are transmitted. This paper provides various insights regarding the impact of system parameters, including density of transmitters, path-loss exponent, and the number of antennas, on the ADR and CCDF of RMI. We finally spot tremendous benefits of the SVD scheme over other prominent multiplexing systems, including maximum ratio combining, zero-forcing, and diagonal BLAST superstructure with minimum mean square error receivers.
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 ».