A Hybrid NOMA/OMA Scheme for MTC in Ultra-Dense Networks
Notice bibliographique
Résumé
Non-Orthogonal Multiple-Access (NOMA) where multiple users share the same resources simultaneously, is one promising candidate for beyond 5G. Besides, an Ultra-Dense Network (UDN) with massive numbers of deployed Small Cells (SCs) can significantly boost the performance of the network. In this paper, we propose a hybrid NOMA/OMA scenario deployed within a UDN environment to support a massive number of devices under the umbrella of the massive MachineType Communication (mMTC) use case. NOMA is performed through pairing devices from two disjoint groups with different normalized Signal-to-Interference Ratio (SIR). Using tools from stochastic geometry, we derive an analytical expression for the Area Spectral Efficiency (ASE) gain when deploying our proposed hybrid NOMA/OMA scheme and compare it to a scenario of pure Orthogonal Multiple-Access (OMA). Moreover, in order to reflect the characteristics of the UDN environment, we model the large scale fading using the Stretched Exponential Path Loss (SEPL) model. We show through both simulations and analyses that the gain obtained from the hybrid NOMA/OMA scheme can be optimized based on the different system parameters. We also investigate the impact of densifying the network on the significance of NOMA deployment.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».