Robust Energy Efficiency Optimization for Amplify-and-Forward MIMO Relaying Systems
Notice bibliographique
Résumé
We investigate the energy efficiency (EE) of multiple-input-multiple-output (MIMO) amplify-and-forward relaying networks relying on the realistic imperfect channel state information (CSI). Specifically, the relay jointly optimizes the source covariance and relay beamforming matrices by maximizing the EE under additive or multiplicative relay-destination CSI errors. The optimal channel-diagonalizing structure is derived for the source covariance and relay beamforming matrices under the spectral-norm constrained additive or multiplicative CSI error. Then, the existence of a saddle point is proved, which shows that the channel-diagonalizing transmission strategy is optimal in the robust EE maximization under these two types of CSI errors, and the original matrix-valued fractional robust EE problem is transformed into a scalar fractional problem. We propose the Dinkelbach method-based alternating optimization scheme for this transformed robust EE problem, which is capable of finding a locally optimal solution of the original robust EE problem efficiently, and show that the semi-closed-form solution to each of the two associated subproblems can be obtained. We then prove that the channel-diagonalizing transmission strategy remains optimal when the statistically imperfect source-relay channel is additionally imposed. We also extend our work into multi-hop MIMO relaying scenarios and prove that the channel-diagonalizing structure is optimal for the source covariance matrix and the multiple relay beamforming matrices.
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 | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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 ».