一、名词解析

1. backhaul

在通信领域，backhaul通常指的是网络中连接核心网络和边缘设备的传输链路，用于传输大量的数据和信号。在移动通信系统中，边缘设备包括移动终端、小区基站等，而核心网络包括运营商的数据中心、核心路由器等。Backhaul连接可以是有线的或无线的，包括光纤、铜线、微波链路和卫星链路等，通常具有高带宽、低时延、高可靠性和高容量等特点。
Backhaul是通信网络中的重要组成部分，其性能对网络的整体性能和用户体验有着重要影响。在移动通信系统中，随着无线接入技术的不断升级，例如5G和Wi-Fi6等，用户设备可以支持更高的数据速率和更低的延迟。因此，为了满足用户需求，需要建立高速、低延迟的backhaul连接，以确保高质量的服务提供。
此外，在无线网络中，backhaul还可以起到传输用户数据和控制信令的作用。例如，在小区基站中，backhaul连接通常用于传输用户数据和控制信令，以便基站能够与核心网络进行通信和协调。因此，backhaul连接的质量和稳定性对于保证无线网络的正常运行和用户体验至关重要。

2. semi-distributed manner

Semi-distributed manner是指一种分布式系统的实现方式，其中不是所有节点都需要拥有全局视图和控制权，而是将系统中的节点分为几个较小的子集，并对每个子集内的节点进行一定程度的本地控制和决策。
在这种分布式系统中，每个子集内的节点可以通过局部通信进行协调和协作，从而实现全局的目标。由于每个子集内的节点之间的通信开销相对较小，因此这种分布式方式通常比完全集中的方法更加高效和可扩展。
举例来说，一个大规模的分布式计算系统可以被划分为多个节点子集，每个子集由一组节点组成，这些节点之间可以进行本地的计算和通信，并将结果传递给其他节点。这种方式可以提高系统的效率和可扩展性，因为节点之间的通信开销更小，而且系统的各个部分可以相对独立地进行优化和调整，从而更好地适应系统的变化和需求。

总之，semi-distributed manner是一种适用于分布式系统的实现方式，可以提高系统的效率、可扩展性和灵活性。

3. heuristic method

heuristic method是一种启发式技术，是指在问题求解、学习或发现中采用的一种实用的方法，不保证是最优、完美、逻辑或理性的，但足以达到一个即时的目标

启发式方法常常不是完美的解决方案，但通常会提供一些可行的解决方案，而这些解决方案可能比传统的解决方法更快速、简单或者更符合实际情况。
一些例子包括贪心算法、模拟退火算法、遗传算法等等。这些方法可以应用于多种不同的问题领域，例如人工智能、优化问题、搜索问题等等。

4. QoE

QoE评估通常基于用户感知质量（例如视频的清晰度、音频的清晰度、视频的卡顿等），并结合用户行为和上下文（例如，设备类型、网络环境、使用场景等）来确定QoE指标。在通信领域，QoE是评估通信服务质量的重要指标之一，对于提高用户满意度、降低用户投诉率、增加用户留存率具有重要意义。

以视频传输为例：
假设一个用户在观看一部电影时，视频画面不断出现卡顿，用户会觉得观看体验很差。为了计算这个用户的QoE，可以考虑以下因素：

视频的清晰度：使用PSNR等指标来评估视频的清晰度；
视频的帧率：通过统计视频中每秒钟的帧数，来评估视频的流畅度；
视频的卡顿程度：使用视频卡顿的频率和时长来评估视频的流畅度；
用户的观看行为：包括用户的观看时长、暂停和继续观看的频率等。

根据以上因素，可以定义以下指标来计算QoE：

视频质量指标：综合考虑视频的清晰度、帧率等因素，给视频质量打分；
卡顿指标：统计视频卡顿的频率和时长，给卡顿程度打分；
观看时长指标：根据用户观看的时长来计算观看体验；
交互行为指标：考虑用户的交互行为，如暂停和继续观看的频率等，给用户的交互体验打分。
综合以上指标，可以计算出用户的QoE得分。当然，在实际应用中，需要更加详细的指标体系和权重设置，以便更加准确地计算QoE。同时，需要考虑不同用户和应用场景下的差异，以便更好地满足用户需求。

5. Beamforming

见另一篇文章。

6.共轭转置

在复数矩阵中，由于存在复数的共轭，因此需要使用共轭转置而不是简单的转置。具体来说，对于一个 $n\times m$ 的复数矩阵 $A$ ，其转置是一个 $m\times n$ 的矩阵，其中第 $i$ 行第 $j$ 列的元素是 $A_{j,i}$ 。而共轭转置则是将 $A$ 的转置矩阵中的每个元素都取共轭，记作 $A^{\dagger}$ ，即 $A^{\dagger}{i,j}=\overline{A{j,i}}$ 。

共轭转置的作用是保持矩阵的内积和模不变。内积和模是线性代数中的重要概念，对于复数矩阵，其定义如下：

内积：对于两个 $n$ 维列向量 $x$ 和 $y$ ，其内积为 $x^{\dagger}y=\sum_{i=1}^{n}\overline{x_i}y_i$ 。注意到这里 $x$ 和 $y$ 都是列向量，因此需要使用 $x^{\dagger}$ 而不是 $x^T$ 。
模：对于一个 $n$ 维列向量 $x$ ，其模为 $|x|=\sqrt{x^{\dagger}x}$ 。
使用共轭转置可以保持这些性质不变，而使用简单的转置则不能保证这些性质。

举个例子，考虑一个 $2\times 2$ 的复数矩阵 $A=\begin{pmatrix}1 & i \ 2 & 3i\end{pmatrix}$ 。其转置为 $A^T=\begin{pmatrix}1 & 2 \ i & 3i\end{pmatrix}$ ，而共轭转置为 $A^{\dagger}=\begin{pmatrix}1 & -2i \ -i & -3i\end{pmatrix}$ 。可以验证， $A$ 的内积和模分别为：