Energy‐Efficient Uplink Transmission in RIS‐Aided M‐MIMO IoT Systems*
Notice bibliographique
Résumé
Internet of things (IoT)[1] applications are wide spreading, recently empowered by the dissemination of technologies like smart cities, autonomous vehicles, smart grids, industry 4.0, home automation, wearables, etc. On the other hand, the global warming and climate crisis demand urgent, bold actions toward energy-efficient (EE) technologies for telecommunication systems, which are responsible for a significant part of global energy consumption. To this end, reconfigurable intelligent surfaces (RISs) appear as an important technology to improve the propagation channel gain at the expense of very little power expenditures, recognized as a key element in achieving green telecommunication systems. In this chapter, we focus on the EE uplink (UL) transmission of massive multiple-input multiple-output (M-MIMO) IoT systems aided by an RIS. We propose and evaluate different schemes to minimize the total UL transmit power by optimizing the transmit power of IoT devices, the RIS phase-shift element, and the combining matrix at the base station (BS). Particularly, we give special attention to manifold optimization techniques, which are well suited to the RIS phase-shifts optimization problem. Herein, we treat jointly via iterative alternating optimization (i-AO) approach the three optimization variables: RIS phase-shift vector; BS combining matrix, and unit terminal (UT) power allocation vector. Extensive numerical results are provided and discussed, revealing that the proposed conjugate gradient (CG) method based on Riemannian manifold (RM) with the zero-forcing (ZF) combining achieves the highest power savings, being able to reduce the UL transmit power by up to 89% under typical operation conditions scenarios in comparison with conventional systems without RIS.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».