In a recent work, we studied a novel precoding design for cell-free networks called team minimum mean-square error (TMMSE) precoding, which rigorously generalizes centralized MMSE precoding to distributed operations based on transmitter-specific channel state information (CSI). Despite its flexibility in handling different cooperation regimes at the CSI sharing level, TMMSE precoding assumes network-wide sharing of the data bearing signals, and hence it is inherently not scalable. In this work, inspired by recent advances on scalable cell-free architectures based on user-centric network clustering techniques, we address this issue by proposing a novel version of the TMMSE precoding design covering partial message sharing. The obtained framework is then successfully applied to derive a variety of novel, optimal, and efficient precoding schemes for a user-centric cell-free network deployed using multiple radio stripes. Numerical simulations of a typical industrial internet-of-things scenario corroborate the gains of TMMSE precoding over competing schemes in terms of spectral efficiency under different power constraints. Although presented in the context of downlink precoding, the results of this paper may be applied also on the uplink.


翻译:在最近的一项工作中,我们研究了无细胞网络的新颖的预编码设计,称为团队最小平均差错(TMMSE)预编码(TMMSE)预编码(TMMSE)预编码(TMMSE)预编码(MMSE预编码),严格地将中央MMSE预编码(MMSE预编码)推广到基于发报机特定频道国家信息(CSI)的分布式操作(CSI)信息(CSI)信息(CSI)信息(CSI)信息(CSI)信息(CSI)信息。尽管在处理不同合作制度上的灵活性,但TMMSE预编码(TMSE)预编码(TMMSE)的预编码假设假定是全网络共享数据带信号,因此本质上是无法伸缩的。在这项工作中,受基于用户中心网络群集技术的可缩缩放的无细胞结构最近的进展启发,我们为此提出了一个包含部分信息共享的TMMSE预编码设计的新版本。 获得的框架随后被成功应用,为利用多个无线电条部署的以用户为中心的无细胞网络网络提供了各种新颖、最佳和有效的预编码计划。 典型模拟模拟模拟证实了典型的光学模拟,在光谱系中也应用了纸张上的结果。

0
下载
关闭预览

相关内容

专知会员服务
31+阅读 · 2021年6月12日
专知会员服务
25+阅读 · 2021年4月2日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+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
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium3
中国图象图形学学会CSIG
0+阅读 · 2021年11月9日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2008年12月31日
VIP会员
相关VIP内容
相关资讯
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium3
中国图象图形学学会CSIG
0+阅读 · 2021年11月9日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员