MétaCan
Menu
Retour à la cohorte
Enregistrement W2920374248 · doi:10.1109/glocomw.2018.8644073

Downlink Optimization in Cloud Radio Access Networks with Hybrid RF/FSO Fronthaul

2018· article· en· W2920374248 sur OpenAlexaff
Ayman Mostafa, Lutz Lampe

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Photonic Communication Systems
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésRadio access networkTelecommunications linkComputer scienceC-RANBasebandComputer networkRemote radio headRadio over fiberElectronic engineeringWirelessRadio resource managementRadio frequencyWireless networkChannel (broadcasting)Bandwidth (computing)EngineeringTelecommunicationsBase stationTransmitter

Résumé

récupéré en direct d'OpenAlex

This paper studies the downlink of a cloud radio access network (C-RAN) that incorporates a baseband central processor (CP), multiple remote radio units (RUs), and a network of wireless fronthaul links that connect the RUs to the CP. The fronthaul network utilizes dedicated point-to-point free-space optical (FSO) links along with a broadcast radio frequency (RF) channel. The spectrum of the RF channel is also utilized for downlink transmission from the RUs to the mobile users. That is, the available RF spectrum is time-shared (in a half-duplex manner) among the fronthaul and downlink. The data symbols intended for different users are linearly precoded at the CP in the form of quantized in-phase and quadrature (IQ) samples. These samples are compressed then delivered via the fronthaul network to the corresponding RUs. The RUs, in turn, perform decompression and IQ modulation, before broadcasting their RF signals to the users. We focus on the joint design of the linear precoders, quantizers, and capacity of the RF fronthaul links, along with the time allocation of the RF spectrum, in order to maximize the weighted sum-rate of the users, subject to power constraints and capacity limitations of the hybrid fronthaul network. The resulting problem is nonconvex and difficult to handle. Therefore, we propose a computationally-tractable algorithm that utilizes line search and alternating convex optimization in order to obtain a high-quality suboptimal solution. We provide numerical examples to demonstrate the performance of the proposed algorithm under different weather conditions. We also show the performance gain of hybrid RF/FSO fronthaul, as compared to FSO-only fronthaul, during unfavorable weather conditions.

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 enseignants0,014
Score d'incertitude au seuil0,028

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 technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,012
Tête enseignante GPT0,243
Écart entre enseignants0,232 · 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

Citations5
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Photonic Communication SystemsTravaux en français237 207