Efficient Dual-Hop Massive MIMO IoT Networks with UAV DF Relaying and Hybrid Beamforming
Notice bibliographique
Résumé
This study considers a dual-hop massive multiple-input multiple-output (mMIMO) system, where a decode-and-forward (DF) relay in the form of an unmanned aerial vehicle (UAV) facilitates the transmission of multiple data streams from a base station (BS) to a gateway serving multiple Internet-of-Things (IoT) devices. To maximize the end-to-end throughput in a three-node wireless sensor network (WSN), we investigate a novel joint optimization problem of hybrid beamforming (HBF) and UAV relay positioning in a given deployment span. The study adopts a geometry-based millimeter-wave (mmWave) channel model for both links and utilizes particle swarm optimization (PSO) to optimize the UAV location. The radio frequency (RF) stage is designed to minimize the number of RF chains through the utilization of slow time-varying angular information, while the baseband (BB) stage is designed through singular value decomposition (SVD) of the reduced-dimension effective channel matrix. The illustrative results show that the proposed joint HBF approach enhances energy efficiency compared to full-digital beamforming, and the UAV DF relay, placed via the PSO-based deployment scheme, attains a higher capacity compared to fixed UAV deployment locations.
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 | 0,000 |
| 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 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 ».