SINR Outage Evaluation: Saddle Point Approximation Using Normal Inverse Gaussian Distribution
Notice bibliographique
Résumé
Signal-to-noise-plus-interference ratio (SINR) outage probability is among one of the key performance metrics of a wireless network. In this paper, we propose a semi-analytical method based on the saddle point approximation (SPA) technique to calculate the SINR outage of a wireless system whose SINR can be modeled in the form (Σi=1MXi/(1 + Σi=1NYi)) where Xi denotes the useful signal power and Yidenotes the power of the interference signal. Both M and N can also be random variables. The proposed approach is based on the saddle point approximation to cumulative distribution function as given by Wood-Booth-Butler formula. The approach is applicable whenever the cumulant generating function of the received signal and interference exists, and it allows us to tackle distributions with large skewness and kurtosis with higher accuracy. In this paper, we exploit a four parameter normal-inverse Gaussian (NIG) distribution as a base distribution. Given that the skewness and kurtosis satisfy a specific condition, NIG-based SPA works reliably. When this condition is violated, we recommend SPA based on normal or symmetric NIG distribution, both special cases of NIG distribution, at the expense of reduced accuracy. For the purpose of demonstration, we apply SPA for the SINR outage evaluation of a typical user experiencing a downlink coordinated multi-point transmission from the base stations that are modeled by homogeneous Poisson point process. Numerical results are presented to illustrate the accuracy of the proposed set of approximations.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».