On the design of PN codes in decentralized networks
Notice bibliographique
Résumé
This paper provides a unified measure to design binary pseudo-random (PN) codes in a wireless decentralized network in which several transmitter-reciever pairs share the spectrum. In a decentralized network, users are not aware of the code-books of each other. Hence, in the high SNR regime, interference highly degrades the achievable rates of users as interference cancellation is impossible. On the other hand, decentralized networks have no fixed underlying infrastructure, i.e., there is no central management to assign ldquogoodrdquo PN codes with appropriate cross-correlation properties to different users. As such, choosing the same PN code by different users may result in losing the packets transmitted by these users. These shortcomings motivate us to propose a decentralized scheme that enables all users to coexist fairly, while utilizing the spectrum efficiently. We introduce a distributed signaling scheme (using i:i:d: Gaussian code-books) called Bernoulli-Direct-Sequence (BDS) where all users spread their signals by locally generated binary PN codes. Due to the dynamic nature of interference, sensing the spectrum to measure the interference is practically not possible. This makes the interference plus noise probability density function (PDF) be mixed Gaussian. We obtain upper and lower bounds on the rates of users that coincide as SNR tends to infinity. This enables us to derive a general formula for the sum-rate multiplexing gain in the network. Subsequently, we propose a general rule to design the PN codes in the sense of increasing the sum-rate multiplexing gain in the network. It is shown that depending on the number of active users in the system, there is a certain amount of spreading length that leads to the highest multiplexing gain per user. Several design examples are provided at the end.
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 ».