Achievable Rate Analysis and Max-Min SINR Optimization in Intelligent Reflecting Surface Assisted Cell-Free MIMO Uplink
Notice bibliographique
Résumé
In this paper, we study the uplink transmission in an intelligent reflecting surface (IRS) assisted cell-free multiple-input multiple-output (MIMO) system where the central processing unit (CPU) only has statistical channel state information (CSI) to detect symbols, and to design the receiver filter coefficients, the power allocations, and the IRS phase shifts. The access points (APs) estimate only their local end-to-end channels with the users using minimum mean squared error (MMSE) estimation to implement matched filtering, thereby avoiding the large overhead associated with estimating individual IRS-assisted channels. Under this framework, we derive a closed-form expression for the achievable uplink net rate that only depends on the channel statistics. Using this expression, we formulate the problem of maximizing the minimum (max-min) signal-to-interference plus noise ratio (SINR) to design the receiver filter coefficients at the CPU, the power allocations at the users, and the phase shifts at the IRS, subject to per user power constraints as well as IRS phase shift resolution constraints. The resulting problem is jointly non-convex in the three design variables and is solved using an alternating optimization algorithm. In particular, the receiver filter design is formulated as a generalized eigenvalue problem leading to a closed-form solution, the power allocation problem is solved using a geometric programming (GP) approach, and the IRS phase shifts are designed using an alternating maximization algorithm. For comparison, we also formulate and solve the max-min SINR problem for the scenario where the instantaneous imperfect CSI of all individual direct and IRS-assisted channels is available at the CPU. Numerical results show that the scheme designed using statistical CSI has the potential to outperform the scheme based on instantaneous CSI for moderate to large number of IRS elements, due to savings in the channel estimation overhead.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 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 ».