Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2411.02615

帮助 | 高级搜索

电气工程与系统科学 > 信号处理

arXiv:2411.02615 (eess)
[提交于 2024年11月4日 ]

标题: 基于最小化-最大化方法的FDD MISO系统鲁棒预编码

标题: Robust Precoding for FDD MISO Systems via Minorization Maximization

Authors:Donia Ben Amor, Michael Joham, Wolfgang Utschick
摘要: 在这项工作中,我们提出了一种基于小量最大化技术的鲁棒预编码器设计方法,该技术优化了可实现频谱效率的替代函数。 所提出的方法在优化过程中考虑了信道估计误差,因此在信道状态信息(CSI)不完美的情况下具有鲁棒性。 此外,设计方法经过调整,消除了满足功率约束所需的线搜索需求,从而显著加速了预编码器的计算。 仿真结果显示,所提出的鲁棒预编码方法与加权最小均方误差(WMMSE)预编码方法具有竞争力,特别是在不完美CSI场景下。
摘要: In this work, we propose an approach to robust precoder design based on a minorization maximization technique that optimizes a surrogate function of the achievable spectral efficiency. The presented method accounts for channel estimation errors during the optimization process and is, hence, robust in the case of imperfect channel state information (CSI). Additionally, the design method is adapted such that the need for a line search to satisfy the power constraint is eliminated, that significantly accelerates the precoder computation. Simulation results demonstrate that the proposed robust precoding method is competitive with weighted minimum mean square error (WMMSE) precoding, in particular, under imperfect CSI scenarios.
主题: 信号处理 (eess.SP)
引用方式: arXiv:2411.02615 [eess.SP]
  (或者 arXiv:2411.02615v1 [eess.SP] 对于此版本)
  https://doi.org/10.48550/arXiv.2411.02615
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Donia Ben Amor [查看电子邮件]
[v1] 星期一, 2024 年 11 月 4 日 21:10:08 UTC (109 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
eess
< 上一篇   |   下一篇 >
新的 | 最近的 | 2024-11
切换浏览方式为:
eess.SP

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号