Performance of Multi-RIS-Aided Cell-Free Massive MIMO: Do More RISs Always Help?
Notice bibliographique
Résumé
Cell free (CF) massive multiple-input multiple-output (mMIMO) is a promising technology in realizing beyond fifth generation (B5G) networks. Massive deployment of access points (APs) in a CF-mMIMO system increases the spectral efficiency, however it also increases the energy consumption and fronthaul requirements. Since recently reconfigurable intelligent surface (RIS) is shown to be a cost-effective solution to improve performance of wireless networks, RIS can be a promising technology to enhance the performance of CF-mMIMO systems. In this work, we study the downlink (DL) performance of CF-mMIMO system aided by multiple RISs, while considering correlated Rician fading channels, discrete RIS phase-shifts and low-complexity channel estimation (CE) protocol. Given the obtained imperfect channel state information (CSI), we derive lower bounds on the rates achieved using conjugate beamforming (CB) and zero-forcing (ZF) precoders. The obtained bounds depend on channel statistics, RIS phase-shifts and number of RIS elements. To optimize the performance with respect to RIS phase-shifts, we formulate a maximization problem and propose a sub-optimal genetic algorithm (GA)-based solution. Through simulations, we demonstrate that distributed RIS deployment outperforms centralized RIS deployment in terms of DL throughput. Interestingly, we demonstrate that the DL throughput improves as number of RISs increases until an optimal number of distributed RISs over which the DL performance of the system starts to drop. We discuss this effect under varying the number of APs and RISs. We extend the analysis by considering different precoders, CE and RIS optimization schemes, and verify the accuracy of our derived analytical results by Monte-Carlo simulations.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 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 ».