QoS Control Under Perfect and Imperfect CSI in Intelligent Reflecting Surface-Assisted Multi-Cast Multi-Group Communication Systems
Notice bibliographique
Résumé
To address the explosion demand for data-intensive applications, enhancing wireless transmission capacity has become crucial for today’s networks. This paper focuses on improving the quality of service (QoS) and user satisfaction in intelligent reflecting surface (IRS)-assisted multicast multi-group systems by managing the actual transmitted data instead of sending all source data. A key challenge of this problem is determining the ergodic capacity when the signal-to-noise-plus-interference (SINR) distribution in IRS-assisted wireless systems is significantly complicated. To address this issue, we propose a deep neural network (DNN)-based framework to predict the long-term network capacity accurately. We adapt well-known zero-forcing (ZF) and block diagonalization (BD) techniques to achieve efficient and secure solutions in IRS-assisted multi-cast multi-group systems. Furthermore, we consider the system in case of imperfect channel state information (CSI). Adopting the three-phase channel estimation, we propose a two-stage learning framework to enhance the accuracy of the estimated channel. Based on predicted results, we investigate adjustment algorithms to adapt to environmental changes, thus increasing the received QoS and user satisfaction. Our numerical results confirm the efficiency of the proposed design, with the channel estimation error being significantly smaller than that of the three-phase channel estimation algorithm in the literature.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».