Energy-Efficient User Clustering and Downlink Beamforming for MIMO-SCMA in C-RAN
Notice bibliographique
Résumé
Multiple-inputmultiple-output (MIMO) sparse code multiple access (SCMA) is of great interest for future wireless networks to achieve higher spectral efficiency and support massive connectivity. In this paper, we investigate the key problems of user clustering and downlink beamforming for MIMO-SCMA in a cloud radio access network (C-RAN). Using channel state information available at the central processor, an efficient user clustering algorithm based on the constrained$K$-means method is proposed. Subsequently, two iterative algorithms for beamforming design are developed by minimizing the total transmission power under quality-of-service (QoS) and fronthaul capacity constraints. In the first approach, we approximate the continuous non-convex constraints by convex conic ones using first-order Taylor expansion and iteratively solve a sequence of mixed-integer second order cone programs (MI-SOCPs) to achieve high quality solution, but with higher complexity. In the second approach, a two-stage low-complexity solution is developed in which beamforming matrices obtained from each stage are combined to form a single beamformer for each user. In the first stage,clusterbeamformers are designed by taking advantage of block diagonalization, while in the second stage,user-specificbeamformers are determined by minimizing transmission power. The performance of the proposed user clustering and downlink beamforming approaches for MIMO-SCMA in C-RAN is validated through simulations over mmWave channels. Compared to benchmark approaches, the results show significant improvements in terms of transmit power and spectral efficiency.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».