Connection Density Enhancement of Backscatter Communication Systems with Relaying
Notice bibliographique
Résumé
Backscatter communication is a promising technology for energy-efficient communications. It enables the Internet of things (IoT) devices to send their data by backscattering and modulating the incident radio frequency (RF) signals. In this paper, we propose a scheme for improving the connection density of backscatter communication systems, i.e., increasing the number of backscattering-enabled IoT devices that meet a minimum threshold of the received signal-to-noise ratio (SNR) at the serving base station (BS). The aforementioned goal is achieved by allowing the user equipment (UE) devices to relay the backscattered signals from the IoT devices. A UE superimposes its own uplink data with the data from an associated IoT device using power-domain non-orthogonal multiple access (NOMA). Since the UEs are mobile and have higher transmit power, the IoT devices utilize the nearby UEs to relay their data. In addition, using UEs as relays helps the BS to support more backscattering-enabled IoT devices. We formulate the connection density maximization problem to pair the IoT devices with the available UE relays. The formulated problem is a mixed-integer linear programming (MILP) problem. Although the formulated problem can be solved optimally, it has an exponential complexity. Hence, we propose a suboptimal algorithm which decomposes the original problem into smaller subproblems that can be solved by low complexity algorithms. Simulation results show that the proposed scheme with UEs as relays can increase the connection density by up to 65% compared to deploying fixed relays.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».