MétaCan
Menu
Retour à la cohorte
Enregistrement W2950237643 · doi:10.1002/ett.3648

Coverage and rate analysis in two‐tier heterogeneous networks under suburban and urban scenarios

2019· article· en· W2950237643 sur OpenAlexaff
Arijeet Ghosh, Iti Saha Misra, Anindita Kundu

Notice bibliographique

RevueTransactions on Emerging Telecommunications Technologies · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced MIMO Systems Optimization
Établissements canadiensHeritage College
Organismes subventionnairesnon disponible
Mots-clésHeterogeneous networkComputer scienceCluster analysisMacroEnodeBPoisson distributionPoisson point processCellular networkCoverage probabilityPoint processProcess (computing)HeuristicWireless networkWirelessComputer networkBase stationStatisticsUser equipmentMathematicsTelecommunications

Résumé

récupéré en direct d'OpenAlex

Abstract Massive boost in data traffic demand and inconsistent user's behavior have necessitated modern cellular networks to evolve toward heterogeneous architectural framework consisting of macro and small cells to accommodate ever‐increasing user's density. Literature survey reveals that the deployment of additional small cells can encounter the booming coverage, capacity, and QoS constraints by maintaining the overall operational cost of the network. In this paper, at first, a suitable model based on nonhomogeneous Poisson point process (NHPPP) is designed for heterogeneous wireless network (HetNet) consisting of two‐tiers eNodeBs (Macro and Small Cell), where each of the tiers is differentiated in terms of transmitting power, eNodeB density, and supported data rate. Subsequently, analytical expressions are derived for coverage probability (CP) and average rate (AR) to assess the performance of the HetNet. The contribution of the paper further lies in integrating the K‐means clustering algorithm with NHPPP to find the optimal locations of the small cell eNodeBs for extended coverage and rate improvement. The proposed model is investigated under differently dense scenarios like urban and suburban areas in India. It establishes the requisite of an optimal number of small cells along with the traditional infrastructure to maximize the performance in terms of CP and AR. Finally, the proposed integrated model is compared with the traditional homogeneous Poisson point process (HPPP) and NHPPP for coverage and rate analysis. It is observed that the K‐means clustering algorithm in integration with NHPPP overshadows both HPPP and NHPPP in terms of coverage and rate under both urban and suburban deployment 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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,037

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,234
Écart entre enseignants0,227 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTransactions on Emerging Telecommunications TechnologiesMême sujetAdvanced MIMO Systems OptimizationTravaux en français237 207