URLLC Facilitated by Mobile UAV Relay and RIS: A Joint Design of Passive Beamforming, Blocklength, and UAV Positioning
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
Upcoming fifth-generation (5G) networks need to support novel ultrareliable and low-latency (URLLC) traffic that utilizes short packets. This requires a paradigm shift as traditional communication systems are designed to transmit only long data packets based on Shannon's capacity formula, which poses a challenge for system designers. To address this challenge, this article relies on an unmanned aerial vehicle (UAV) and a reconfigurable intelligent surface (RIS) to deliver short URLLC instruction packets between ground Internet-of-Things (IoT) devices. In this context, we perform passive beamforming of RIS antenna elements as well as nonlinear and nonconvex optimization to minimize the total decoding error rate and find the UAV's optimal position and blocklength. In this article, a novel, polytope-based method from the class of direct search methods (DSMs) named Nelder-Mead simplex (NMS) is used to solve the optimization problem based on its computational efficiency; in terms of lesser number of required iterations to evaluate objective function. The proposed approach yields better convergence performance than the traditional gradient-descent optimization algorithm and a lower computation time and equivalent performance for the blocklength variable as the exhaustive search. Moreover, the proposed approach allows ultrahigh reliability, which can be attained by increasing the number of antenna elements in RIS as well as increasing the allocated blocklengths. Simulations demonstrate the RIS's performance gain and conclusively show that the UAV's position is crucial for achieving ultrahigh reliability in short packet transmission.
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 | 0,001 |
| 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