Sensor Networks for Estimating and Updating the Performance of Cellular Systems
Notice bibliographique
Résumé
We investigate the use of an auxiliary network of sensors to assist radio resource management in a cellular system. Specifically, we discuss the number and placement of sensors in a given cell for estimating its signal coverage. Here, an "outage" is said to occur at a location if the mobile receiver there has inadequate signal-to-noise ratio (SNR-based outage) or, using another criterion, inadequate signal-to-interference ratio (SIR-based outage); and the "outage probability" is the fraction of the cell area over which outage occurs. A design goal is to confine the number of sensors per cell to an acceptable level while accurately estimating the outage probability. The investigation uses a generic path loss model incorporating distance effects and spatially correlated shadow fading. Our emphasis is the performance prediction accuracy of the sensor network, rather than cellular system analysis per se. Through analysis and simulation, we assess several approaches to estimating the outage probability. Applying the principle of importance sampling to the sensor placement, we show that a cell outage probability of ~ Po can be accurately estimated using ~ 10/Po power-measuring sensors distributed in a random uniform way over base-mobile distances from 50% to 100% of the cell radius. This result applies to both SNR-based and SIR-based cases, in both indoor and outdoor environments.
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 ».