NOMA-Based IoT Networks: Impulsive Noise Effects and Mitigation
Notice bibliographique
Résumé
The rise of the Internet of Things (IoT) presents important challenges for future radio networks. Non-orthogonal multiple access (NOMA), which allows the network to support more than one user per orthogonal resource element, was recently proposed as a promising solution that can ultimately support the daunting requirements of such networks including massive connectivity, high spectral efficiency, and low latency. Nevertheless, numerous ultra-high-reliability applications of IoT present environments that are hampered by impulsive electromagnetic interference, referred to as impulsive noise. Such noise is known to cause degradation to the overall system performance. Moreover, given the non-orthogonal multiplexing in NOMA, such noise is expected to have a relatively more pronounced impact on the system performance. Therefore, this article sheds light on the performance degradation and mitigation of impulsive noise in the context of NOMA-based IoT networks. It proposes a multistage nonlinear processing approach specifically designed for OFDM-based PDM-NOMA systems. To obtain the optimum threshold of the corresponding users, we propose a deep learning approach to estimate the impulsive noise parameters from the received OFDM symbol. This information can consequently be used to evaluate the corresponding optimal threshold using Siegert's ideal observer criterion. Finally, this work sheds light on potential opportunities and challenges that are expected to arise during the implementation of NOMA in impulsive environments.
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 | 0,000 | 0,002 |
| 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 | 0,001 |
| 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) | 0,000 | 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 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 ».