Joint Resource Allocation for Linear Precoding in Downlink Massive MIMO Systems
Notice bibliographique
Résumé
We study joint proportional-fair (PF) resource allocation (RA), including user selection, linear precoding design, power optimization, and modulation and coding scheme selection, in a single-cell downlink massive MIMO (m-MIMO) system over consecutive time-slots when taking per-antenna power constraints (PAPCs) into account. We formulate the general PF joint RA optimization problem as a weighted sum-rate maximization problem at each time-slot and develop a solution technique to obtain a quasi-optimal feasible solution via the introduction of auxiliary variables and a carefully chosen approximation of the spectral-efficiency function. To obtain results for larger settings (i.e., larger number of antennas and users), we propose an approximation to the general problem that yields quasi-optimal feasible solutions. Moreover, we consider state-of-the-art linear precoding techniques and propose a general heuristic RA scheme that takes PAPCs into account. Numerical results show that PAPCs have significant impact on performance even for a very large number of antennas, and that the best existing linear precoding technique, RZFT (regularized zero-forcing transmission) performs very well when RA is performed carefully as long as the PAPCs are not tight. However, RZFT is far from optimal under tight PAPCs, which highlights the need for practical PAPC-aware precoding techniques in this regime.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».