Beamforming Design Toward Sum-Rate Maximization for Holographic Active RIS-Aided Uplink Near-Field Communications
Notice bibliographique
Résumé
Holographically driven active reconfigurable intelligent surface (HARIS), leveraging densely packed subwavelength elements, overcomes the limitations of conventional RIS in signal processing, unlocking advanced capabilities for next-generation networks. Thus, to exploit its full potential, this work proposes the integration of HARIS into an Internet of Things (IoT) multiuser uplink near-field-driven wireless communication system. A sum-rate maximization problem is formulated to provide efficient resource utilization by jointly optimizing the equalizer design, power allocation at each IoT user, and the HARIS phase shift, while satisfying strict constraints of Quality-of-Service (QoS) requirement and limited power budget at each IoT user and HARIS. Due to the nonconvex nature of the problem, we propose an alternating optimization (AO)-based algorithm, incorporating techniques, such as minimum-mean-square error (MMSE), convex upper bound approximation, and semidefinite relaxation (SDR). Then, extensive simulations validate the algorithm’s efficacy and convergence, demonstrating up to 63% higher performance with HARIS than passive RIS. Additionally, we highlight that near-field communication yields up to 90% higher sum-rate than hybrid 76% and far-field model 73%. Moreover, we demonstrate the impact of imperfect channel state information (iCSI) on the system performance.
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 | 0,001 |
| 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 ».