On the Energy Efficiency of Multi-Cell Massive MIMO With Beamforming Training
Notice bibliographique
Résumé
This paper is concerned with a multi-cell downlink (DL) massive multiple-input multiple-output (MIMO) system operating over spatially correlated Rician fading channels. We not only consider estimating channel state information (CSI) at the base station (BS), but also adopt beamforming training (BT) to obtain CSI at the users. With maximum-ratio transmission (MRT) or zero-forcing (ZF) employed at the BS to process the transmit signals, the paper derives closed-form expressions of the sum spectral efficiency for both cases: with and without BT. Based on the obtained closed-form expressions, we investigate the effect of the DL pilot length on the system performance for MRT and ZF precoding and with or without BT. Moreover, when the DL pilot length falls within different ranges, we find out whether using BT leads to better system performance. To address the energy efficiency (EE) maximization problem under the constraints of a given sum spectral efficiency and a maximum total DL transmit power, we transform the problem into a geometric program (GP), which can be solved more efficiently. In particular, we develop one iterative power allocation algorithm for the system with BT scheme. Simulation and numerical results demonstrate that the proposed power allocation algorithm can improve the system EE. Numerical results also show that when the BS uses MRT precoding, the sum spectral efficiency in the high signal-to-noise ratio (SNR) region is much improved with BT.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».