Optimum scheduling based on beamforming for the fifth generation of mobile communication systems
Notice bibliographique
Résumé
In this paper, we present a novel approach for using the smart antennas (SA) to exploit the space diversity for the next generations of mobile communication systems. We propose a combination of the MUltiple SIgnal Classification (MUSIC) and the Least Mean Squares (LMS) algorithms in one algorithm named MLMS. We propose the MUSIC algorithm for finding the direction of the users in the cell while we consider the LMS algorithm for enhancing the accuracy of the obtained Direction of Arrival (DOA) angles, performing the beam generation process, and keep tracking of the users in the cell. Furthermore, we propose a scheduling algorithm that performs the scheduling in terms of the generated beams. The space diversity, together with the time and frequency diversities of LTE (Long Term Evaluation) provide a large capacity enhancement to the next generations of wireless mobile communication systems. Our simulation results show that our novel approach has the capability to converge and completely follow the desired user signal with a very high resolution. The convergence and the accurate tracking of the desired user signal take place after 13 iterations while in the traditional LMS, the convergence needs 85 iterations to take place. This means 84.7% improvement over the traditional LMS algorithm for the same number of calculations in each iteration. In addition, our proposed scheduling scheme based on beamforming shows a gain of around 15% in the total aggregated data rate for each 10° decrease in the beam size.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».