Optimized Energy Harvesting in Cell-Free Massive MIMO Using Markov Process Evolution
Notice bibliographique
Résumé
This paper investigates a discrete energy state transition model for energy harvesting (EH) in cell-free massive multiple-input-multiple-output (CF-mMIMO) networks. A Markov chain-based stochastic process is conceived to characterize the temporal evolution of the user equipment (UE) energy level by leveraging state transition probabilities (STP) based on the energy differential (E) between the EH and consumed energy within each coherence interval. Tractable mathematical relationships are derived for the STP cases using a new stochastic model of non-linear EH, approximated using a Gamma distribution. This derivation leverages closed-form expressions for the mean and variance of the harvested energy. To improve the positive STP of the minimum energy UE among all network UEs, we aim to maximize the E for this UE using two power allocation (PA) schemes. The first scheme is a heuristic PA using the relative channel characteristics to this UE from all access points (APs). The second scheme is the optimized PA based on the solution of a second-order conic problem to maximize the E using a responsive primal-dual interior point method (PD-IPM) algorithm with modified backtracking line-search, iterating over multiple PA periods. Our simulation results illustrate that both the proposed PA schemes enhance the dynamic minimum UE energy level by around four-fold over full power control, along with the performance improvement attributed to spatial resource diversification of CF-mMIMO systems.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».