PSO-Based Joint UAV Positioning and Hybrid Precoding in UAV-Assisted Massive MIMO Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle