Ris and Beamformer Optimization Using Hybrid Full-Wave Analysis in Multiuser Mimo Networks
Notice bibliographique
Résumé
This paper presents an accurate modeling framework for reconfigurable intelligent surfaces (RISs) in multipleinput multiple-output (MIMO) communication systems, leveraging channel information to enhance system performance. The proposed method combines hybrid ray-tracing (RT) and fullwave analysis to derive deterministic channel responses, establishing a closed-form relationship between the communication channel matrix and the RIS's load impedances. This accurate modeling framework enables the construction of a non-diagonal impedance matrix that effectively captures critical structural factors of the RIS, such as truncation effects and mutual coupling between elements. Building on this, an optimization framework is developed to co-optimize the RIS configuration and beamforming matrix using an alternating optimization technique, with the goal of maximizing the minimum achievable rate among multiple users. A <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$3 \times 3$</tex> RIS-assisted system operating in an indoor environment is considered to validate the approach. The results reveal that integrating the optimized RIS significantly boosts the achievable rate for all users. Specifically, the user rates increase from approximately <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$1.91 \text{bps} / \text{Hz}$</tex> in the no-RIS scenario to <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$2.51 \text{bps} / \text{Hz}$</tex> with the optimized RIS deployed.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| 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 | 0,001 |
| 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 ».