A Unified MIMO Optimization Framework Relying on the KKT Conditions
Notice bibliographique
Résumé
A popular technique of designing multiple-input multiple-output (MIMO) communication systems relies on optimizing the positive semidefinite covariance matrix at the source. In this paper, a unified MIMO optimization framework based on the Karush-Kuhn-Tucker (KKT) conditions is proposed. In this framework, with the aid of matrix optimization theory,Theorem 1presents a generic optimal transmit covariance matrix for MIMO systems with diverse objective functions subject to various power constraints and different levels of channel state information (CSI). Specifically,Theorem 1fundamentally reveals that for a diverse family of MIMO systems, the optimal transmit covariance matrices associated with different objective functions under various power constraints can be derived in a unified generic water-filling-like form. When applyingTheorem 1to the case of multiple general power constraints, we firstly equivalently transform multiple power constraints into a single counterpart by introducing multiple weighting factors based on Pareto optimization theory. The optimal weighting factors can be found by the proposed modified subgradient method. On the other hand, for the imperfect MIMO system with statistical CSI errors, we firstly address the non-convexity of the robust optimization problem by following the idea of alternating optimization. Finally, our numerical results verify the optimal solution structure inTheorem 1and the global optimality of the proposed modified subgradient method, as well as demonstrate the performance advantages of the proposed alternating optimization algorithm.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».