Intelligent Reflecting Surfaces Assisted UAV Communications for IoT Networks: Performance Analysis
Notice bibliographique
Résumé
The increasing demand for wireless connectivity and the emergence of the notion of the Internet of Everything require new communication paradigms that will ultimately enable a plethora of new applications and new disruptive technologies. In this context, the present contribution investigates the use of the recently introduced intelligent reflecting surface (IRS) concept in unmanned aerial vehicles (UAV) enabled communications aiming to extend the network coverage and improve the communication reliability as well as spectral efficiency of Internet of Things (IoT) networks. In particular, we first derive tractable analytic expressions for the achievable symbol error rate (SER), ergodic capacity, and outage probability of the considered set up. Following this, we also derive tight upper and lower bounds on the average signal-to-noise ratio (SNR). Our derivations are then compared with the corresponding asymptotic performance, based on the central limit theorem (CLT) assumption, which reveals that the asymptotic SNR falls within the area between derived bounds, and approaches either bound depending on the number of reflective elements (REs). We further show that the asymptotic SER becomes in a tight agreement with the corresponding exact simulation SER for N ≥ 16. In addition, the offered results demonstrate that the use of the IRS is significantly effective as they assist in improving the achievable SER by five orders of magnitude. We further demonstrate that, in terms of achievable ergodic capacity, IRS-assisted UAV communication systems can exhibit ten times higher capacity compared to conventional UAV communications. Based on the above, these results and related insights are anticipated to be useful in the design and deployment of IRS-assisted UAV systems in the context of beyond 5G communications, such as 6G communications.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».