Current research on multi-antenna architectures is trending towards increasing the amount of antennas in the base stations (BSs) so as to increase the spectral efficiency. As a result, the interconnection bandwidth and computational complexity required to process the data using centralized architectures is becoming prohibitively high. Decentralized architectures can reduce these requirements by pre-processing the data before it arrives at a central processing unit (CPU). However, performing decentralized processing introduces also cost in complexity/interconnection bandwidth at the antenna end which is in general being ignored. This paper aims at studying the interplay between level of decentralization and the associated complexity/interconnection bandwidth requirement at the antenna end. To do so, we propose a general framework for centralized/decentralized architectures that can explore said interplay by adjusting some system parameters, namely the number of connections to the CPU (level of decentralization), and the number of multiplications/outputs per antenna (complexity/interconnection bandwidth). We define a novel matrix decomposition, the WAX decomposition, that allows information-lossless processing within our proposed framework, and we use it to obtain the operational limits of the interplay under study. We also look into some of the limitations of the WAX decomposition.


翻译:目前对多antenna结构的研究趋向于增加基站(BSs)的天线数量,以提高光谱效率。因此,使用中央结构处理数据所需的互联带宽和计算复杂性正在变得令人望而却步地高,分散式结构可以通过在数据到达中央处理单位(CPU)之前对数据进行预处理来减少这些要求。然而,进行分散式处理也给天线端的复杂/互联带宽带来费用,而天线端一般被忽略。本文旨在研究分散化程度与天线端相关的复杂/互联带宽度要求之间的相互作用。为此,我们提议一个中央/分散式结构的总框架,通过调整某些系统参数,即与中央处理单位(权力下放程度)的连接次数,以及每个天线的倍数/输出量(复合/互联带宽),来探讨这些互动。我们定义了一个新的矩阵分解,WAX脱形,允许在拟议框架内进行信息-不损失的处理,我们利用它来探索这些互动。我们还利用它来了解一些互动的极限。

0
下载
关闭预览

相关内容

Processing 是一门开源编程语言和与之配套的集成开发环境(IDE)的名称。Processing 在电子艺术和视觉设计社区被用来教授编程基础,并运用于大量的新媒体和互动艺术作品中。
商业数据分析,39页ppt
专知会员服务
160+阅读 · 2020年6月2日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
已删除
将门创投
4+阅读 · 2018年5月31日
Arxiv
6+阅读 · 2020年10月8日
Arxiv
19+阅读 · 2020年7月13日
TResNet: High Performance GPU-Dedicated Architecture
Arxiv
8+阅读 · 2020年3月30日
Neural Architecture Optimization
Arxiv
8+阅读 · 2018年9月5日
VIP会员
相关资讯
已删除
将门创投
4+阅读 · 2018年5月31日
Top
微信扫码咨询专知VIP会员