MétaCan
Menu
Retour à la cohorte
Enregistrement W4301770135 · doi:10.1109/icc45855.2022.9838650

SINR-Based Interleaved Training Design for Multi-User Massive MIMO Downlink with MRT

2022· article· en· W4301770135 sur OpenAlexaff
Yindi Jing, Shahram Shahbazpanahi, Xinwei Yu

Notice bibliographique

RevueICC 2022 - IEEE International Conference on Communications · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced MIMO Systems Optimization
Établissements canadiensOntario Tech UniversityUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésTelecommunications linkComputer scienceChannel state informationMIMOBase stationQuality of serviceTraining (meteorology)Channel (broadcasting)Transmission (telecommunications)Scheme (mathematics)Antenna (radio)Process (computing)Computer networkReal-time computingElectronic engineeringWirelessTelecommunicationsEngineeringMathematics

Résumé

récupéré en direct d'OpenAlex

An interleaved training scheme is proposed for multi-user massive multi-input-multi-output (MIMO) downlink with maximum-ratio-transmission (MRT). The base station (BS) sends pilots to train the channels antenna-by-antenna and the training steps are interleaved with the feedback of the channel state information (CSI) from the users. For each training step of the interleaved scheme, the BS decides whether to continue or to stop the training process based on the quality-of-service (QoS) provided by the available CSI. The training time and the transmission success rate of the proposed scheme are analyzed with closed-form approximations derived. Simulations show that the proposed scheme can largely save the average training time without sacrificing the QoS of users. The analytical results are also verified via simulation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,828
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,185
Tête enseignante GPT0,343
Écart entre enseignants0,158 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueICC 2022 - IEEE International Conference on CommunicationsMême sujetAdvanced MIMO Systems OptimizationTravaux en français237 207