User Association in Cloud RANs with Massive MIMO
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper studies a resource allocation problem where a set of users within a specific region is served by cloud radio access network (C-RAN) structure consisting of a set of base-band units (BBUs) connected to a set of radio remote heads (RRHs) equipped with a large number of antennas via limited capacity front-haul links. User association to each RRH, BBU and front-haul link is essential to achieve high rates for cell-edge users under network limitations. We introduce two types of optimization variables to formulate this resource allocation problem: (i) C-RAN user association factor (UAF) including RRH, BBU and front-haul allocation for each user and (ii) power allocation vector. The formulated optimization problem is non-convex with high computational complexity. An efficient two-level iterative approach is proposed. The higher level consists of two steps where, in each step, one of these two optimization variables is fixed to derive the other. At the lower level, by applying different transformations and convexification techniques, the optimization problem in each step is broken down into a sequence of geometric programming (GP) problems to be solved by the successive convex approximation (SCA). Simulation results reveal the effectiveness of the proposed approach to increase the total throughput of network, specifically for cell-edge users. It outperforms the traditional user association approach, in which, each user is first assigned to the RRH with the largest average value of signal strength, and then, based on this fixed user association, front-haul link association and power allocation are optimized.
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.
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 | 0,001 |
| 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) | 0,000 | 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 découle