MétaCan
Menu
Retour à la cohorte
Enregistrement W2888412601 · doi:10.1109/tcsii.2018.2866111

Joint Data and Pilot Power Allocation for Massive MU-MIMO Downlink TDD Systems

2018· article· en· W2888412601 sur OpenAlexafffund
O. Saatlou, M. Omair Ahmad, M.N.S. Swamy

Notice bibliographique

RevueIEEE Transactions on Circuits & Systems II Express Briefs · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced MIMO Systems Optimization
Établissements canadiensConcordia University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésTelecommunications linkMIMOPrecodingComputer scienceBase stationTransmitter power outputSpectral efficiencyPower (physics)Coherence timeTransmission (telecommunications)Joint (building)Power budgetUpper and lower boundsMathematical optimizationReal-time computingElectronic engineeringCoherence (philosophical gambling strategy)Computer networkTelecommunicationsMathematicsPower controlTransmitterBeamformingEngineeringStatisticsChannel (broadcasting)Physics

Résumé

récupéré en direct d'OpenAlex

This brief investigates the jointly optimal pilot and data power allocation among the users in a massive multiuser multiple-input multiple-output downlink system, in which the base station is equipped with a massive number of antennas and simultaneously serves single-antenna users in the same frequency band. First, a closed-form lower bound on the achievable rate is derived for each user where maximum-ratio transmission precoding is employed, and this closed form lower bound is used in defining the spectral efficiency (SE). Then, in order to maximize the SE, a method of power allocation among each of the pilot and data symbols of all the users is proposed, given the total power budget per coherence interval for all users. Numerical results show that the proposed power allocation scheme is superior to other existing methods in terms of higher SE.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,038
Tête enseignante GPT0,251
Écart entre enseignants0,214 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Circuits & Systems II Express BriefsMême sujetAdvanced MIMO Systems OptimizationTravaux en français237 207