Joint User Selection and Hybrid Precoder Design for Massive MIMO Systems
Notice bibliographique
Résumé
Massive multiple-input multiple-output (MIMO) systems are a cornerstone of modern wireless communication, enabling significant improvements in capacity and reliability. However, the joint optimization of user selection and hybrid precoder/decoder design remains challenging due to the complexity introduced by spatial correlation, noisy channel information, and the non-convex nature of the problem. This paper addresses these challenges by considering the downlink of multi-user massive MIMO systems. A noisy version of channel information with spatial correlation between antennas is assumed to be available at the transmitter, and an optimization problem is formulated for joint user selection and hybrid analog/digital precoder design. The total sum rate of the network is considered as a design metric that leads to non-convex and NP-hard mixedinteger optimization. To address the non-convexity, an iterative method is proposed which results in multiple simpler bounding and relaxed convex sub-problems with closed-form solutions for analog precoders/decoders, digital decoders, and user selection. As a by-product, the proposed algorithm also optimizes the number of selected users with perfect or imperfect channel state information (CSI). A generalized user selection metric is also derived for massive MIMO systems with multiple-antenna users under both perfect and imperfect CSI, and is further analyzed for specific scenarios such as ZF, MRT, block diagonalized precoders, and large-scale MIMO settings. Finally, the method is extended to finite-resolution phase shifters and assessed for Rayleigh fading channels. The simulation results show that the proposed method performs favorably compared to other recent joint user selection and precoder designs.
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 ».