Decentralized Wireless Networks: Spread Spectrum Communications Revisited
Notice bibliographique
Résumé
This paper addresses a decentralized wireless networks of K separate transmitter-receiver pairs. Users treat each other as noise and there is no central controller to assign the resources to the users. Each user randomly spreads the symbols in its Gaussian codewords by the so-called signatures of spreading gain N. Any receiver is aware of the signatures of its affiliated transmitter, however, it is unaware of the signatures of other users. This makes the interference plus noise at each receiver be mixed Gaussian, and hence, there is no closed expression for the achievable rates of users. Invoking conditional entropy power inequality and a key upper bound on the differential entropy of a mixed Gaussian random vector, we develop a lower bound on the achievable rates of users. This lower bound has the same signal-to-noise ratio (SNR) scaling as that of the exact achievable rate. It is shown that the sum multiplexing gain (SMG) in the network can be made arbitrarily close to (K/N) for any finite values of K and N where K ≤ N. The effect of matched filtering is studied in the particular case where the signatures are constructed over a binary alphabet. It is established that the SMG of the network is larger than (1/2e) regardless of the value of K as long as N = 2 and the signatures are generated according to a proper nonuniform distribution. This paper is concluded by a section on signature design in the finite SNR regime. The main observation is that for any two different methods A and B of designing the signatures, if method A results in a larger achievable rate per user for sufficiently large SNR values, then construction B is likely to yield larger achievable rates for sufficiently small values of SNR. This behavior is attributed to the interplay between two critical factors, namely, the multiplexing gain per user and what we refer to as the interference entropy factor.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».