Joint Relay Beamforming and Receiver Processing for Multi-Way Multi-Antenna Relay Networks
Notice bibliographique
Résumé
We consider a multi-way relay network with multiple users exchanging information with each other via a multi-antenna relay. The multi-way relaying strategy consists of one multiple access phase and multiple broadcast phases. We jointly design relay beamforming matrices and users' linear processing receivers in the broadcast phases to maximize the minimum signal-to-interference-and-noise ratio (SINR) under the relay power budget. For the non-convex joint optimization problem, we propose to solve it by iteratively optimizing the relay beam matrices and receiver processing matrices in two sub-problems. For the receiver processing, both maximum-ratio-combining (MRC) receiver and zero-forcing (ZF) receiver are designed. We show that our iterative approach with the MRC receiver leads to a local maximum for the original joint optimization problem, while the ZF receiver has the computational advantage with a lower complexity. To further improve the performance, we design the successive interference cancellation at each user's receiver based on the SINR criterion to sequentially decode symbols from other users. Simulation shows that our proposed algorithm for joint design provides substantial improvement in the sum rate than the existing methods that use the sum rate as the design objective. Finally, we investigate the performance of our proposed algorithm under partial channel state informations (CSIs). We show in simulation that using quantized CSIs at each receiver only incurs a small performance loss for the typical range of relay channel quality.
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 | 0,001 | 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 | 0,006 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».