The mutual information (MI) of Gaussian multi-input multi-output (MIMO) channels has been evaluated by utilizing random matrix theory (RMT) and shown to asymptotically follow Gaussian distribution, where the ergodic mutual information (EMI) converges to a deterministic quantity. However, with non-Gaussian channels, there is a bias between the EMI and its deterministic equivalent (DE), whose evaluation is not available in the literature. This bias of the EMI is related to the bias for the trace of the resolvent in large RMT. In this paper, we first derive the bias for the trace of the resolvent, which is further extended to compute the bias for the linear spectral statistics (LSS). Then, we apply the above results on non-Gaussian MIMO channels to determine the bias for the EMI. It is also proved that the bias for the EMI is -0.5 times of that for the variance of the MI. Finally, the derived bias is utilized to modify the central limit theory (CLT) and approximate the outage probability. Numerical results show that the modified CLT significantly outperforms the previous results in approximating the distribution of the MI and can accurately determine the outage probability.


翻译:利用随机矩阵理论(RMT)对高西多投入多产出(MI)渠道的相互信息(MI)进行了评价,并显示对高西的分布进行随机矩阵理论(RMT)的不现性跟踪,在高西的分布中,ERGodic 相互信息(EMI)汇集到一个确定的数量,然而,在非加西语渠道中,EMI及其确定等同(DE)之间有偏差,文献中没有提供这种偏差。EMI的偏差与大RMT中确定点的痕迹的偏差有关。在本文中,我们首先得出对确定点的偏差,然后进一步扩展,以计算线性光谱统计(LSS)的偏差。然后,我们将上述结果应用于非加西语的MIMO频道,以确定EMI的偏差是MI差异的0.5倍。最后,从结果的偏差被用来修改中央限理理论(CLT),并近MI值概率的近似差差差差差差结果,显示以前的CFMIF的准确性结果。

0
下载
关闭预览

相关内容

专知会员服务
42+阅读 · 2020年12月18日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
计算机 | IUI 2020等国际会议信息4条
Call4Papers
6+阅读 · 2019年6月17日
基于 Carsim 2016 和 Simulink的无人车运动控制联合仿真(四)
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2021年10月8日
Arxiv
0+阅读 · 2021年9月22日
Arxiv
4+阅读 · 2018年3月14日
VIP会员
相关资讯
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
计算机 | IUI 2020等国际会议信息4条
Call4Papers
6+阅读 · 2019年6月17日
基于 Carsim 2016 和 Simulink的无人车运动控制联合仿真(四)
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员