Performance analysis of linear detection for uplink massive MIMO system based on spectral and energy efficiency with Rayleigh fading channels in 3D plotting pattern
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
Abstract Massive multiple‐input multiple‐output (MIMO) is a critical component of 5G cellular networks, which utilizes large numbers of antennas at both the transmitter and receiver to enhance throughput and radiated energy efficiency. Various linear detection techniques are employed with massive MIMO to counteract path loss and interference, and maximize throughput. The first aim of this paper is to analyse the performance of uplink massive MIMO system for different linear detection techniques including: Maximum ratio combining (MRC), zero‐forcing (ZF), regularized ZF (RZF) and minimum mean squared error ( MMSE ) over Rayleigh channel model. The second aim is to jointly investigate the optimal values of signal‐to‐noise ratio ( SNR ), the number of antennas M and the number of users K for maximizing the spectral efficiency ( SE ) and energy efficiency ( EE ) through simulation using MATLAB and 3D plotting patterns. The obtained results show that the best SE and EE are achieved by uplink massive MIMO setup while using optimal values of SNR , M and K . It is observed that MMSE achieved the best performance. However, it requires estimation of average SNR at BS. Therefore, the best choice is ZF or RZF without any need for SNR estimation.
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 | 0,000 |
| 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