Effects of Blockage in Deploying mmWave Drone Base Stations for 5G Networks and Beyond
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
Due to their unconstrained mobility and capability to carry goods or equipment, unmanned aerial vehicles (UAVs) or drones are considered as a part of the fifth-generation (5G) wireless networks and become attractive candidates to carry a base station (BS). As 5G requirements apply to a broad range of uses cases, it is of particular importance to satisfy those during spontaneous and temporary events, such as a marathon or a rural fair. To be able to support these scenarios, mobile operators need to deploy significant radio access resources quickly and on demand. Accordingly, by focusing on 5G cellular networks, we investigate the use of drone-assisted communication, where a drone is equipped with a millimeter-wave (mmWave) BS. Being a key technology for 5G, mmWave is able to facilitate the provisioning of the desired per-user data rates as drones arrive at the service area whenever needed. Therefore, in order to maximize the benefits of mmWave-drone-BS utilization, this paper proposes a methodology for its optimized deployment, which delivers the optimal height, coordinates, and coverage radius of the drone-BS by taking into account the human body blockage effects over a mmWave-specific channel model. Moreover, our methodology is able to maximize the number of offloaded users by satisfying the target signal quality at the cell edge and considering the maximum service capacity of the drone-BS. It was observed that the mmWave-specific features are extremely important to consider when targeting efficient drone-BS utilization and thus should be carefully incorporated into analysis.
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 | 0,000 | 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 découle