Enhancing 5G Massive MIMO Systems Using a Compressive Sensing-Based Approach
Notice bibliographique
Résumé
The capacity of massive multiple-input multiple-output (MIMO) systems is significantly enhanced through the use of abundant antennas at the base station (BS), supporting a multitude of users.However, in Time Division Duplex (TDD) mode, the multiplexing of pilots inevitably leads to Pilot Contamination (PC).In this study, a novel approach to interference alignment and pilot purification in a large MIMO system was proposed, utilizing the principles of compressive sensing and deep learning.The primary aim of the Compressive Sensing-Based Location Scheduling System (CSLSS) is to mitigate PC issues while optimizing the pilot sequence for the user.By introducing an additional sequence, the pilot set is enhanced using our location-based decontamination technique.Furthermore, a Feed-Forward Convolutional Neural Network (FFCNN) is employed for interference alignment in the MIMO system.Experimental results indicate significant improvements in the parameters under consideration.The sum rate showed an increase of 74.6%, the Bit Error Rate (BER) improved by 57.8%, the Signal-to-Interference-plus-Noise Ratio (SINR) rose by 79.8%, and the spectral efficiency of the channel improved by 98% in terms of interference alignment.In addition, a compressive sensing-based parameter showed an enhancement of 98%.The Mean Square Error (MSE) for CSLSS was reduced by 64.5% for the Signal-to-Noise Ratio (SNR), and the BER for the proposed compressive sensing method improved by 41.2% for SNR.The throughput also improved, with an increase of 97.5% for SNR and 97.8% for the number of antennas used in the BS.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».