Downlink Training in Cell-Free Massive MIMO: A Blessing in Disguise
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
Cell-free Massive MIMO (multiple-input multiple-output) refers to a distributed Massive MIMO system where all the access points (APs) cooperate to coherently serve all the user equipments (UEs), suppress inter-cell interference and mitigate the multiuser interference. Recent works demonstrated that, unlike co-located Massive MIMO, the channel hardening is, in general, less pronounced in cell-free Massive MIMO, thus there is much to benefit from estimating the downlink channel. In this study, we investigate the gain introduced by the downlink beamforming training, extending the previously proposed analysis to non-orthogonal uplink and downlink pilots. Assuming single-antenna APs, conjugate beamforming and independent Rayleigh fading channel, we derive a closed-form expression for the per-user achievable downlink rate that addresses channel estimation errors and pilot contamination both at the AP and UE side. The performance evaluation includes max-min fairness power control, greedy pilot assignment methods, and a comparison between achievable rates obtained from different capacity-bounding techniques. Numerical results show that downlink beamforming training, although increases pilot overhead and introduces additional pilot contamination, improves significantly the achievable downlink rate. Even for large number of APs, it is not fully efficient for the UE relying on the statistical channel state information for data 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.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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