MétaCan
Menu
Retour à la cohorte
Enregistrement W3169625709 · doi:10.1109/lcomm.2021.3089725

Bursty Impulsive Noise Mitigation in NOMA: A MAP Receiver-Based Approach

2021· article· en· W3169625709 sur OpenAlexafffund
Md Sahabul Alam, Bassant Selim, Imtiaz Ahmed, Georges Kaddoum, Halim Yanıkömeroğlu

Notice bibliographique

RevueIEEE Communications Letters · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Wireless Communication Technologies
Établissements canadiensÉcole de Technologie SupérieureEricsson (Canada)Carleton University
Organismes subventionnairesFonds de recherche du Québec – Nature et technologies
Mots-clésComputer scienceTelecommunications linkImpulse noiseNomaNoise (video)Gaussian noiseReal-time computingDecoding methodsSingle antenna interference cancellationBit error rateContext (archaeology)Electronic engineeringAlgorithmTelecommunicationsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Non-orthogonal multiple access (NOMA) was recently proposed as a promising multiple access technique that can enable improved spectral efficiency, massive connectivity, and low latency. In this letter, we analyze the performance of power domain NOMA in the presence of impulsive noise, which is encountered in various practical applications, such as smart-grid communications. Such noise is known to degrade overall system performance. Moreover, since the noise in question is bursty, it is an arduous task to detect the signals with conventional receivers. Therefore, this letter sheds light on the performance degradation and mitigation of bursty impulsive noise, modeled by a two-state Markov-Gaussian process, in the context of uplink NOMA systems. More specifically, we propose a maximum a posteriori (MAP) receiver combined with successive interference cancellation to mitigate the effect of impulsive noise on the detection of the different users' signals. Simulation results prove the effectiveness of the proposed MAP-based bursty impulsive noise mitigation scheme in terms of bit error rate.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,641
Score d'incertitude au seuil0,957

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,242
Écart entre enseignants0,224 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Communications LettersMême sujetAdvanced Wireless Communication TechnologiesTravaux en français237 207