PSO-Based Joint UAV Positioning and Hybrid Precoding in UAV-Assisted Massive MIMO Systems
Notice bibliographique
Résumé
This work studies the joint design of hybrid pre-coding (HP) and optimal positioning of unmanned aerial vehicle (UAV) relay in a millimeter-wave (mmWave) multi-user massive multiple-input multiple-output (MU-mMIMO) systems to maximize the spectral and energy efficiencies. The UAV operates as a flying wireless relay, expanding a base station’s coverage and delivering capacity boost to a group of users/devices that are obscured by obstructions. We explore the geometry-based mmWave channel model for the UAV-User link and propose joint HP and UAV positioning scheme (JHPP). In particular, the RF beamformer is designed using singular value decomposition (SVD) of channel matrix by incorporating users’ angle-of-departure (AoD) information to reduce the number of radio frequency (RF) chains, and the baseband (BB) precoder is designed using regularized zero-forcing (RZF) technique to mitigate MU interference. Then, using a particle swarm optimization-based location algorithm (PSO-L), a constrained optimization problem with the goal of maximizing the achievable sum-rate (ASR) is constructed for the optimal UAV placement in the given search space. Illustrative results show that the integration of a UAV relay considerably enhances the performance of mmWave MU-mMIMO systems when the BS is remote. Moreover, compared to UAV random placement in the given flying span, PSO-L based UAV positioning has higher spectral/energy efficiency. Finally, the use of a hemispherical array (HSA) configuration at UAV relay can further increase the performance when compared to uniform rectangular array (URA).
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».