A Preliminary Investigation of Multi-user Interference Cancellation Techniques at Roadside Unit in Vehicular Networks
Notice bibliographique
Résumé
In this paper, we investigate multi-user interference cancellation (MUI) schemes for deployment at roadside unit in vehicular ad hoc networks. Generally, MUI schemes can be divided into linear and nonlinear groups. In linear MUI schemes, successive and parallel interference cancellation schemes are widely used. In successive interference cancellation (SIC) schemes, the receiver will detect the user's data on a per user base, and immediately cancel the interference of the detected user for the next detection. On the contrary, parallel interference cancellation (PIC) schemes detect a group of users' data simultaneously, then cancel the interference of all users in the next round of operation. There exists error propagation problem in both successive and parallel interference cancellation schemes. To address the problem, ordered successive interference cancellation scheme has been proposed to improve the bit error rate (BER) performance by the receiver detecting the user with the highest instantaneous signal-to-interference-plus-noise ratio (SINR) and canceling the interference of that user for another continuously. The process repeats until all users' data are detected. Besides, iterative processing techniques are also introduced to further improve the system BER performance. In this paper, we study and compare the interference cancellation schemes for uplink transmission in vehicular ad hoc networks. Simulation results show that the BER performance is much better in ordered successive interference cancellation schemes than both the SIC and PIC schemes, especially in high signal-to-noise ratio regions where the multi-user interference becomes dominant. It is also shown through the study that the ordering procedure can efficiently avoid the error propagation problem in vehicular networks.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».