Joint Active and Passive Beamforming Design for IRS-Assisted Multi-User\n MIMO Systems: A VAMP-Based Approach
Notice bibliographique
Résumé
This paper tackles the problem of joint active and passive beamforming\noptimization for an intelligent reflective surface (IRS)-assisted multi-user\ndownlink multiple-input multiple-output (MIMO) communication system. We aim to\nmaximize spectral efficiency of the users by minimizing the mean square error\n(MSE) of the received symbol. For this, a joint optimization problem is\nformulated under the minimum mean square error (MMSE) criterion. First, block\ncoordinate descent (BCD) is used to decouple the joint optimization into two\nsub-optimization problems to separately find the optimal active precoder at the\nbase station (BS) and the optimal matrix of phase shifters for the IRS. While\nthe MMSE active precoder is obtained in a closed form, the optimal phase\nshifters are found iteratively using a modified version (also introduced in\nthis paper) of the vector approximate message passing (VAMP) algorithm. We\nsolve the joint optimization problem for two different models for IRS phase\nshifts. First, we determine the optimal phase matrix under a unimodular\nconstraint on the reflection coefficients, and then under the constraint when\nthe IRS reflection coefficients are modeled by a reactive load, thereby\nvalidating the robustness of the proposed solution. Numerical results are\npresented to illustrate the performance of the proposed method using multiple\nchannel configurations. The results validate the superiority of the proposed\nsolution as it achieves higher throughput compared to state-of-the-art\ntechniques.\n
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) | 0,001 | 0,002 |
| 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 | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».