Throughput-Oriented Non-Orthogonal Random Access Scheme for Massive MTC Networks
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
Machine-type communications (MTC) technology, which enables direct communications among devices, plays an important role in realizing Internet-of-Things. However, a large number of MTC devices can cause severe collisions. As a result, the network throughput is decreased and the access delay is increased. To address this issue, a throughput-oriented non-orthogonal random access (NORA) scheme is proposed for massive machine-type communications (mMTC) networks. Specifically, by employing the technique of tagged preambles (PAs), multiple MTC devices (MTCDs) choosing the same PA can be distinguished and regarded as a non-orthogonal multiple access (NOMA) group, which enables multiple MTCDs to share the same physical uplink shared channel for transmissions by multiplexing in the power domain. The Sukhatme's classic theory and the characteristic function approach are adopted to formulate an optimization problem. The aim is to maximize the throughput subject to the constraints on the power back-off factor, the number of MTCDs included in a NOMA group, and the successful transmission probability. Based on the particle swarm optimization (PSO) algorithm, the formulated optimization problem is efficiently solved. The derived solution can be used to adjust the access class barring factor such that more MTCDs can obtain the access opportunities. Moreover, a low-complexity suboptimal solution is also developed, which can achieve near-PSO performance under high data rate requirement. Simulation results show that the proposed scheme can efficiently improve the network performance and comparison is made with the existing schemes.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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