Massive MIMO relaying with imperfect RF chains and coarse ADC/DAC in beyond 5G networks
Notice bibliographique
Résumé
Abstract Massive connectivity, low cost, and energy saving are key requirements in providing Internet of Things (IoT) services in the beyond 5G (B5G) communication networks. Motivated by these requirements, we investigate a massive multiple‐input multiple‐output (MIMO) relaying system with imperfect radio frequency (RF) chains and coarse analog‐to‐digital converters/digital‐to‐analog converters (ADCs/DACs), where IoT user pairs communicate through the assistance of a relay equipped with transceiver antennas in quantity. First, the accurate and the approximate achievable rate expressions are derived in closed form. Then, we evaluate the impacts of critical design parameters on the rate performance. Moreover, scaling laws for transmit powers and RF hardware impairments are established when the number of antennas, M, at the relay grows infinity. It is revealed that, as M increases, the system can yield a non‐vanishing rate while cutting down the transmit powers of the IoT devices and relay, and/or scaling up the RF impairments of the relay. The power allocation scheme for maximizing the sum rate is proposed. Numerical results are conducted to demonstrate the analysis and show that, in the large scale antennas regime, employing high‐quality RF hardware at the IoT users and high‐resolution DACs at the transmit end of the relay can significantly improve the system's sum rate.
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 | 0,002 |
| 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 | 0,001 |
| 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 ».