Cellular LTE-A Technologies for the Future Internet-of-Things: Physical Layer Features and Challenges
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Human-generated information has been the main interest of the wireless communication technologies designs for decades. However, we are currently witnessing the emerge of an entirely different paradigm of communication introduced by machines, and hence, the name machine type communication (MTC). Such paradigm arises as a result of the new applications included in the Internet-of-Things (IoT) framework. Among the enabling technologies of the IoT, cellular-based communication is the most promising and more efficient. This is justified by the currently well-developed and mature radio access networks, along with the large capacities and flexibility of the offered data rates to support a large variety of applications. On the other hand, several radio-access-network groups put efforts to optimize the 3GPP LTE standard to accommodate for the new challenges by introducing new communication categories paving the way to support the machine-to-machine communication within the IoT framework. In this paper, we provide a step-by-step tutorial discussing the development of MTC design across different releases of LTE and the newly introduced user equipment categories, namely, MTC category (CAT-M) and narrowband IoT category (CAT-N). We start by briefly discussing the different physical channels of the legacy LTE. Then we provide a comprehensive and up-to-date background for the most recent standard activities to specify CAT-M and CAT-N technologies. We also emphasize on some of necessary concepts used in the new specifications, such as the narrowband concept used in CAT-M and the frequency hopping. Finally, we identify and discuss some of the open research challenges related to the implementation of the new technologies in real life scenarios.
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.
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 | 0,001 | 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 | 0,002 | 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 découle