当前位置: 首页 > news >正文

渐进推导中常用的一些结论

标题很帅


STAR-RIS Enhanced Joint Physical Layer Security and Covert Communications for Multi-antenna mmWave Systems文章末尾的一个推导。

lim ⁡ M → ∞ ∥ Φ ( w k ⊗ Θ r ) Ω r w H g ∗ ∥ 2 2 M = lim ⁡ M → ∞ Tr ⁡ ( g T Ω r w ( w k ⊗ Θ r ) H Φ H Φ ( w k ⊗ Θ r ) Ω r w H g ∗ ) M → ( a ) Tr ⁡ ( Ω r w H Ω r w ( w k ⊗ Θ r ) H Φ H Φ ( w k ⊗ Θ r ) ) M = ( b ) Tr ⁡ ( ∑ l = 1 L ( w k H Ψ B R l w k ) ⊗ ( Ω r w H Ω r w Θ r H Ψ ^ B R l Θ r ) ) M = ( c ) ∑ l = 1 L ( w k H Ψ B R l w k ) Tr ⁡ ( Ω r w H Ω r w Θ r H Ψ ^ B R l Θ r ) M = ∑ l = 1 L ( w k H Ψ B R l w k ) ( ϑ r T Ξ T ( ( Ψ ^ B R l ) T ⊗ ( Ω r w H Ω r w ) ) Ξ ϑ r ∗ ) M , \begin{array}{l} \lim _{M \rightarrow \infty} \frac{\left\|\boldsymbol{\Phi}\left(\mathbf{w}_{k} \otimes \boldsymbol{\Theta}_{\mathrm{r}}\right) \boldsymbol{\Omega}_{\mathrm{rw}}^{H} \mathbf{g}^{*}\right\|_{2}^{2}}{M} \\ =\lim _{M \rightarrow \infty} \frac{\operatorname{Tr}\left(\mathbf{g}^{T} \boldsymbol{\Omega}_{\mathrm{rw}}\left(\mathbf{w}_{k} \otimes \boldsymbol{\Theta}_{\mathrm{r}}\right)^{H} \mathbf{\Phi}^{H} \boldsymbol{\Phi}\left(\mathbf{w}_{k} \otimes \boldsymbol{\Theta}_{\mathrm{r}}\right) \boldsymbol{\Omega}_{\mathrm{rw}}^{H} \mathbf{g}^{*}\right)}{M} \\ \stackrel{(a)}{\rightarrow} \frac{\operatorname{Tr}\left(\boldsymbol{\Omega}_{\mathrm{rw}}^{H} \boldsymbol{\Omega}_{\mathrm{rw}}\left(\mathbf{w}_{k} \otimes \boldsymbol{\Theta}_{\mathrm{r}}\right)^{H} \boldsymbol{\Phi}^{H} \boldsymbol{\Phi}\left(\mathbf{w}_{k} \otimes \boldsymbol{\Theta}_{\mathrm{r}}\right)\right)}{M} \\ \stackrel{(b)}{=} \frac{\operatorname{Tr}\left(\sum_{l=1}^{L}\left(\mathbf{w}_{k}^{H} \mathbf{\Psi}_{\mathrm{BR}}^{l} \mathbf{w}_{k}\right) \otimes\left(\boldsymbol{\Omega}_{\mathrm{rw}}^{H} \boldsymbol{\Omega}_{\mathrm{rw}} \boldsymbol{\Theta}_{\mathrm{r}}^{H} \widehat{\mathbf{\Psi}}_{\mathrm{BR}}^{l} \boldsymbol{\Theta}_{\mathrm{r}}\right)\right)}{M} \\ \stackrel{(c)}{=} \frac{\sum_{l=1}^{L}\left(\mathbf{w}_{k}^{H} \mathbf{\Psi}_{\mathrm{BR}}^{l} \mathbf{w}_{k}\right) \operatorname{Tr}\left(\boldsymbol{\Omega}_{\mathrm{rw}}^{H} \boldsymbol{\Omega}_{\mathrm{rw}} \boldsymbol{\Theta}_{\mathrm{r}}^{H} \widehat{\boldsymbol{\Psi}}_{\mathrm{BR}}^{l} \boldsymbol{\Theta}_{\mathrm{r}}\right)}{M} \\ =\frac{\sum_{l=1}^{L}\left(\mathbf{w}_{k}^{H} \boldsymbol{\Psi}_{\mathrm{BR}}^{l} \mathbf{w}_{k}\right)\left(\boldsymbol{\vartheta}_{\mathrm{r}}^{T} \mathbf{\Xi}^{T}\left(\left(\widehat{\Psi}_{\mathrm{BR}}^{l}\right)^{T} \otimes\left(\boldsymbol{\Omega}_{\mathrm{rw}}^{H} \boldsymbol{\Omega}_{\mathrm{rw}}\right)\right) \boldsymbol{\Xi} \boldsymbol{\vartheta}_{\mathrm{r}}^{*}\right)}{M}, \end{array} limMMΦ(wkΘr)ΩrwHg22=limMMTr(gTΩrw(wkΘr)HΦHΦ(wkΘr)ΩrwHg)(a)MTr(ΩrwHΩrw(wkΘr)HΦHΦ(wkΘr))=(b)MTr(l=1L(wkHΨBRlwk)(ΩrwHΩrwΘrHΨ BRlΘr))=(c)Ml=1L(wkHΨBRlwk)Tr(ΩrwHΩrwΘrHΨ BRlΘr)=Ml=1L(wkHΨBRlwk)(ϑrTΞT((Ψ BRl)T(ΩrwHΩrw))Ξϑr),

具体推导过程在论文Large System Performance of Linear Multiuser Receivers in Multipath Fading Channels中

其中步骤(a)的推导来自于:在这里插入图片描述

在这里插入图片描述

相关文章:

渐进推导中常用的一些结论

标题很帅 STAR-RIS Enhanced Joint Physical Layer Security and Covert Communications for Multi-antenna mmWave Systems文章末尾的一个推导。 lim ⁡ M → ∞ ∥ Φ ( w k ⊗ Θ r ) Ω r w H g ∗ ∥ 2 2 M lim ⁡ M → ∞ Tr ⁡ ( g T Ω r w ( w k ⊗ Θ r ) H Φ H Φ…...

网络安全等级保护V2.0测评指标

网络安全等级保护(等保V2.0)测评指标: 1、物理和环境安全 2、网络和通信安全 3、设备和计算安全 4、应用和数据安全 5、安全策略和管理制度 6、安全管理机构和人员 7、安全建设管理 8、安全运维管理 软件全文档获取:点我获取 1、物…...

java中list的addAll用法详细实例?

List 的 addAll() 方法用于将一个集合中的所有元素添加到另一个 List 中。下面是一个详细的实例,展示了 addAll() 方法的使用: java Copy code import java.util.ArrayList; import java.util.List; public class AddAllExample { public static v…...

关于学习计算机的心得与体会

也是隔了一周没有发文了,最近一直在准备期末考试,后来想了很久,学了这么久的计算机,这当中有些收获和失去想和各位正在和我一样在学习计算机的路上的老铁分享一下,希望可以作为你们碰到困难时的良药。先叠个甲&#xf…...

LLM之RAG理论(一)| CoN:腾讯提出笔记链(CHAIN-OF-NOTE)来提高检索增强模型(RAG)的透明度

论文地址:https://arxiv.org/pdf/2311.09210.pdf 检索增强语言模型(RALM)已成为自然语言处理中一种强大的新范式。通过将大型预训练语言模型与外部知识检索相结合,RALM可以减少事实错误和幻觉,同时注入最新知识。然而&…...

Android studio:打开应用程序闪退的问题2.0

目录 找到问题分析问题解决办法 找到问题 老生常谈,可能这东西真的很常见吧,在之前那篇文章中 linkhttp://t.csdnimg.cn/UJQNb 已经谈到了关于打开Androidstuidio开发的软件后明明没有报错却无法运行(具体表现为应用程序闪退的问题&#xff…...

Spring IoC如何存取Bean对象

小王学习录 IoC(Inversion of Control)1. 什么是IoC2. 什么是Spring IoC3. 什么是DI4. Spring IoC的作用 存储Bean对象1. 创建Bean2. 将Bean注册到Spring中. 取Bean对象.1. 获取Spring上下文信息使用ApplicationContext和BeanFactory的区别 2. 获取指定Bean对象 IoC(Inversion …...

【开源】基于Vue.js的实验室耗材管理系统

文末获取源码,项目编号: S 081 。 \color{red}{文末获取源码,项目编号:S081。} 文末获取源码,项目编号:S081。 目录 一、摘要1.1 项目介绍1.2 项目录屏 二、功能模块2.1 耗材档案模块2.2 耗材入库模块2.3 耗…...

Datawhale聪明办法学Python(task2Getting Started)

一、课程基本结构 课程开源地址:课程简介 - 聪明办法学 Python 第二版 章节结构: Chapter 0 安装 InstallationChapter 1 启航 Getting StartedChapter 2 数据类型和操作 Data Types and OperatorsChapter 3 变量与函数 Variables and FunctionsChapte…...

量化交易怎么操作?量化软件怎么选择比较好?(散户福利,建议收藏)

一:量化的具体操作步骤是什么呢?1. 数据获取:索取和收集金融市场数据。 2. 策略制定:制定数量交易策略,这包括制定投资目标、建立交易规则和风险控制机制等,这个过程需要不断优化和更新。 3. 编写算法&am…...

什么是 AWS IAM?如何使用 IAM 数据库身份验证连接到 Amazon RDS(上)

驾驭云服务的安全环境可能很复杂,但 AWS IAM 为安全访问管理提供了强大的框架。在本文中,我们将探讨什么是 AWS Identity and Access Management (IAM) 以及它如何增强安全性。我们还将提供有关使用 IAM 连接到 Amazon Relational Database Service (RDS…...

Python从入门到精通七:Python函数进阶

函数多返回值 学习目标: 知道函数如何返回多个返回值 问: 如果一个函数如些两个return (如下所示),程序如何执行? 答:只执行了第一个return,原因是因为return可以退出当前函数,导致return下方的代码不执…...

uniapp踩坑之项目:使用过滤器将时间格式化为特定格式

利用filters过滤器对数据直接进行格式化&#xff0c;注意&#xff1a;与method、onLoad、data同层级 <template><div><!-- orderInfo.time的数据为&#xff1a;2023-12-12 12:10:23 --><p>{{ orderInfo.time | formatDate }}</p> <!-- 2023-1…...

webpack学习-2.管理资源

webpack学习-2.管理资源 1.这章要干嘛2.加载css注意顺序&#xff01; 3.总结 1.这章要干嘛 管理资源&#xff0c;什么意思呢&#xff1f;管理什么资源&#xff1f;项目中经常会 导入各种各样的css文件&#xff0c;图片文件&#xff0c;字体文件&#xff0c;数据文件等等&#…...

658. 找到 K 个最接近的元素

658. 找到 K 个最接近的元素 Java代码&#xff1a;滑窗 class Solution {public List<Integer> findClosestElements(int[] arr, int k, int x) {List<Integer> list new ArrayList<>();for (int i 0; i < arr.length; i) {arr[i] arr[i] - x;}for(i…...

十二、MapReduce概述

1、MapReduce &#xff08;1&#xff09;采用框架 MapReduce是“分散——>汇总”模式的分布式计算框架&#xff0c;可供开发人员进行相应计算 &#xff08;2&#xff09;编程接口&#xff1a; ~Map ~Reduce 其中&#xff0c;Map功能接口提供了“分散”的功能&#xff…...

shell条件测试

目录 1.1.用途 1.2.基本语法 1.2.1.格式: 1.2.2.例 1.3 文件测试 1.4.整数测试 1.4.1.作用 1.4.2.操作符 1.4.3.示例&#xff1a; 1.5.逻辑操作符 1.5.1.符号 1.5.2.例&#xff1a; 1.6.命令分隔符 1.1.用途 为了能够正确处理Shell程序运行过程中遇到的各种情况&am…...

python在线读取传奇列表,并解析为需要的JSON格式

python在线读取传奇列表,并解析为需要的JSON格式,以下为传奇中使用的TXT列表格式, [Server] ; 使用“/”字符分开颜色,也可以不使用颜色,支持以前的旧格式,只有标题和服务器标题支持颜色 ; 标题/颜色代码(0-255)|服务器标题/颜色代码(0-255)|服务器名称|服务器IP|服务器端…...

【docker 】 安装docker(centOS7)

官网 docker官网 github源码 官网 在CentOS上安装Docker引擎 官网 在Debian上安装Docker引擎 官网 在 Fedora上安装Docker引擎 官网 在ubuntu上安装Docker引擎 官网 在RHEL (s390x)上安装Docker引擎 官网 在SLES上安装Docker引擎 最完善的资料都在官网。 卸载旧版本 …...

智能网联汽车场景数据图像标注要求及方法

智能网联汽车场景数据图像标注要求及方法 1 范围 本标准规定了智能网联汽车场景数据图像中交通参与者、交通信号灯、交通标志、交通标线、可行驶区域、光照条件、遮挡截断情况7类元素的标注要求及方法。 本标准适用于智能网联汽车图像数据标注。 2 规范性引…...

DeepSeek 赋能智慧能源:微电网优化调度的智能革新路径

目录 一、智慧能源微电网优化调度概述1.1 智慧能源微电网概念1.2 优化调度的重要性1.3 目前面临的挑战 二、DeepSeek 技术探秘2.1 DeepSeek 技术原理2.2 DeepSeek 独特优势2.3 DeepSeek 在 AI 领域地位 三、DeepSeek 在微电网优化调度中的应用剖析3.1 数据处理与分析3.2 预测与…...

Xshell远程连接Kali(默认 | 私钥)Note版

前言:xshell远程连接&#xff0c;私钥连接和常规默认连接 任务一 开启ssh服务 service ssh status //查看ssh服务状态 service ssh start //开启ssh服务 update-rc.d ssh enable //开启自启动ssh服务 任务二 修改配置文件 vi /etc/ssh/ssh_config //第一…...

在rocky linux 9.5上在线安装 docker

前面是指南&#xff0c;后面是日志 sudo dnf config-manager --add-repo https://download.docker.com/linux/centos/docker-ce.repo sudo dnf install docker-ce docker-ce-cli containerd.io -y docker version sudo systemctl start docker sudo systemctl status docker …...

HTML 列表、表格、表单

1 列表标签 作用&#xff1a;布局内容排列整齐的区域 列表分类&#xff1a;无序列表、有序列表、定义列表。 例如&#xff1a; 1.1 无序列表 标签&#xff1a;ul 嵌套 li&#xff0c;ul是无序列表&#xff0c;li是列表条目。 注意事项&#xff1a; ul 标签里面只能包裹 li…...

dedecms 织梦自定义表单留言增加ajax验证码功能

增加ajax功能模块&#xff0c;用户不点击提交按钮&#xff0c;只要输入框失去焦点&#xff0c;就会提前提示验证码是否正确。 一&#xff0c;模板上增加验证码 <input name"vdcode"id"vdcode" placeholder"请输入验证码" type"text&quo…...

cf2117E

原题链接&#xff1a;https://codeforces.com/contest/2117/problem/E 题目背景&#xff1a; 给定两个数组a,b&#xff0c;可以执行多次以下操作&#xff1a;选择 i (1 < i < n - 1)&#xff0c;并设置 或&#xff0c;也可以在执行上述操作前执行一次删除任意 和 。求…...

现代密码学 | 椭圆曲线密码学—附py代码

Elliptic Curve Cryptography 椭圆曲线密码学&#xff08;ECC&#xff09;是一种基于有限域上椭圆曲线数学特性的公钥加密技术。其核心原理涉及椭圆曲线的代数性质、离散对数问题以及有限域上的运算。 椭圆曲线密码学是多种数字签名算法的基础&#xff0c;例如椭圆曲线数字签…...

大语言模型(LLM)中的KV缓存压缩与动态稀疏注意力机制设计

随着大语言模型&#xff08;LLM&#xff09;参数规模的增长&#xff0c;推理阶段的内存占用和计算复杂度成为核心挑战。传统注意力机制的计算复杂度随序列长度呈二次方增长&#xff0c;而KV缓存的内存消耗可能高达数十GB&#xff08;例如Llama2-7B处理100K token时需50GB内存&a…...

论文笔记——相干体技术在裂缝预测中的应用研究

目录 相关地震知识补充地震数据的认识地震几何属性 相干体算法定义基本原理第一代相干体技术&#xff1a;基于互相关的相干体技术&#xff08;Correlation&#xff09;第二代相干体技术&#xff1a;基于相似的相干体技术&#xff08;Semblance&#xff09;基于多道相似的相干体…...

推荐 github 项目:GeminiImageApp(图片生成方向,可以做一定的素材)

推荐 github 项目:GeminiImageApp(图片生成方向&#xff0c;可以做一定的素材) 这个项目能干嘛? 使用 gemini 2.0 的 api 和 google 其他的 api 来做衍生处理 简化和优化了文生图和图生图的行为(我的最主要) 并且有一些目标检测和切割(我用不到) 视频和 imagefx 因为没 a…...