Highly Efficient Resource Allocation Techniques in 5G for NOMA-based Massive MIMO and Relaying Systems
Notice bibliographique
Résumé
The explosive proliferation of smart devices in the 5-th generation (5G) network expects 1,000-fold capacity enhancement, leading to the urgent need of highly resource-efficient technologies. Non-orthogonal multiple access (NOMA), a promising spectral efficient technology for 5G to serve multiple users concurrently, can be combined with massive multiple input multiple output (MIMO) and relaying technology, to achieve highly efficient communications. Hence, this thesis studies the design and resource allocation of NOMA-based massive MIMO and relaying systems.\nDue to hardware constraints and channel condition variation, the first topic of the thesis develops efficient antenna selection and user scheduling algorithms for sum rate maximization in two MIMO-NOMA scenarios. In the single-band scenario, the proposed algorithm improves antenna search efficiency by limiting the candidate antennas to those are beneficial to the relevant users. In the multi-band scenario, the proposed algorithm selects the antennas and users with the highest contribution total channel gain. Numerical results show that our proposed algorithms achieve similar performance to other algorithms with reduced complexity.\nThe second part of the thesis proposes the relaying and power allocation scheme for the NOMA-assisted relaying system to serve multiple cell-edge users. The relay node decodes its own message from the source NOMA signal and transmits the remaining part of signal to cell-edge users. The power allocation scheme is developed by minimizing the system outage probability. To further evaluate the system performance, the ergodic capacity is approximated by analyzing the interference at cell-edge users. Numerical results proves the performance improvement of the proposed system over conventional orthogonal multiple access mechanism.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».