The Impact of Fading on the Outage Probability in Cognitive Radio Networks
Notice bibliographique
Résumé
This paper analyzes the outage probability in cognitive radio networks, based on the Poisson point process model of node spatial distribution and the standard propagation path loss model, including Rayleigh and log-normal fading. To make the analysis tractable, all possible scenarios are classified into three cases based on typical outage events. When the average number of nodes in the forbidden region is much smaller than unity, the aggregate interference can be well approximated by the nearest node for both non-fading and fading scenarios (the nearest node dominates the outage performance). When the average number of nodes in the forbidden region is greater than unity, the aggregate interference can be well approximated by a Gaussian random variable for non-fading scenario (many nodes contribute to outage events, rather than a single dominant one). This approximation also applies to the fading scenario, but its accuracy is a bit worse at the transition region. An alternative approximation is proposed, which is accurate for any outage probability. When the average number of nodes in the forbidden region is slightly smaller than unity, neither the nearest node approximation nor the Gaussian one is accurate for the non-fading scenario (since only a few near-by nodes are dominant), and finding an accurate approximation for the outage probability in this case is an open problem. The alternative approximation above is accurate for the fading scenario. All approximations are validated via Monte-Carlo simulations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».