RIS-Aided MIMO Downlink Transmission for Ultradense LEO Satellite-Terrestrial Networks
Notice bibliographique
Résumé
Ultradense low-Earth orbit (LEO) satellite-terrestrial network (ULSN) has evolved as a new paradigm to provide ubiquitous and high-capacity communications in next generation wireless networks. However, the direct LEO satellite broadband connectivity faces significant challenges in urban environments due to the masking effect, which limits the reliability and availability of communication links in ULSNs. To address this, reconfigurable intelligent surface (RIS) is emerging as a promising solution in ULSNs. In this article, we investigate RIS-aided downlink data transmission in urban environments of multiusers in ULSNs. We set up a mixed-integer programming (MIP) model for maximizing the sum rate of terrestrial users in ULSNs. To solve the complex MIP problem, we propose a two-phase joint optimization algorithm with a deep learning phase and an alternative optimization (AO) phase. In the deep learning phase, a deep neural network (DNN) algorithm is employed to obtain the optimal user association matrix based on the positions of terrestrial users and LEO satellites. Then in the AO phase, successive convex approximation is utilized to transform the nonconvex subproblems of beamforming and RIS phase design into convex formulations and iteratively solve them. Simulation results demonstrate that the proposed algorithm outperforms other baseline algorithms.
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 | 0,000 |
| 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 | 0,001 | 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 ».