Phase-Shift and Transmit Power Optimization for RIS-Aided Massive MIMO SWIPT IoT Networks
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
We investigate reconfigurable intelligent surface (RIS)-assisted simultaneous wireless information and power transfer (SWIPT) Internet of Things (IoT) networks, where energy-limited IoT devices are overlaid with cellular information users (IUs). IoT devices are wirelessly powered by a RIS-assisted massive multiple-input multiple-output (MIMO) base station (BS), which is simultaneously serving a group of IUs. By leveraging a two-timescale transmission scheme, precoding at the BS is developed based on the instantaneous channel state information (CSI), while the passive beamforming at the RIS is adapted to the slowly-changing statistical CSI. We derive closed-form expressions for the achievable spectral efficiency of the IUs and average harvested energy at the IoT devices, taking the channel estimation errors and pilot contamination into account. Then, a non-convex max-min fairness optimization problem is formulated subject to the power budget at the BS and individual quality of service requirements of IUs, where the transmit power levels at the BS and passive RIS reflection coefficients are jointly optimized. Our simulation results show that the average harvested energy at the IoT devices can be improved by 132% with the proposed resource allocation algorithm. Interestingly, IoT devices benefit from the pilot contamination, leading to a potential doubling of the harvested energy in certain network configurations.
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 | 0,000 | 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 | 0,001 |
| 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 découle