MétaCan
Menu
Retour à la cohorte
Enregistrement W2889358071 · doi:10.1109/spawc.2018.8445781

Low-Complexity Design of Decode-Forward Relaying in Massive MIMO Heterogeneous Networks

2018· article· en· W2889358071 sur OpenAlexaff
Ahmad Abu Al Haija, Min Dong, Ben Liang, Gary Boudreau

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced MIMO Systems Optimization
Établissements canadiensEricsson (Canada)Ontario Tech UniversityUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésCodebookDecoding methodsComputer scienceTransmission (telecommunications)MIMOBase stationTelecommunications linkComputer networkJoint (building)DecodesScheme (mathematics)Set (abstract data type)AlgorithmTopology (electrical circuits)TelecommunicationsChannel (broadcasting)MathematicsEngineering

Résumé

récupéré en direct d'OpenAlex

We investigate the impact of massive MIMO on the uplink transmission design for a heterogeneous network (HetNet) where multiple users communicate with a macro-cell base station (MCBS) through multiple small-cell BSs (SCBSs). We develop a new scheme in which the SCBSs deploy decode-forward (DF) relaying, multi-layer binning, and time division transmission, where the number of binning layers (resp. time slots) is equal to the number of SCBSs (resp. users). The MCBS separately and sequentially decodes the binning indices and each user's message that belongs to those indices. The proposed scheme is simpler than schemes with common transmission of all users' messages by each SCBS and joint decoding at the MCBS: 1) the codebook size and the decoding complexity increase linearly with the number of users instead of exponentially, 2) every transmission-decoding step is similar to the conventional point-to-point communication, and 3) the same set of time slot durations at all SCBSs is sufficient to achieve the maximum rate. Despite its simplicity, the proposed scheme is effective since it achieves the same rate performance of more complex schemes with joint decoding.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,883
Score d'incertitude au seuil0,584

Scores Codex et Gemma par catégorie

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

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 Opus0,023
Tête enseignante GPT0,239
Écart entre enseignants0,216 · 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 tête enseignante, 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
GenreMéthodes

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

En bref

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced MIMO Systems OptimizationTravaux en français237 207