MétaCan
Menu
Retour à la cohorte
Enregistrement W3180625218 · doi:10.1109/iccworkshops50388.2021.9473484

Precoding and Scheduling in Multibeam Multicast NOMA based Satellite Communication Systems

2021· article· en· W3180625218 sur OpenAlexaff
Sareh Majidi Ivari, Màrius Caus, Miguel Ángel Vázquez, M. Reza Soleymani, Yousef R. Shayan, Ana I. Pèrez-Neira

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueSatellite Communication Systems
Établissements canadiensConcordia University
Organismes subventionnairesScience and Engineering Research Council
Mots-clésPrecodingNomaComputer scienceMulticastScheduling (production processes)Zero-forcing precodingSingle antenna interference cancellationComputer networkTelecommunications linkChannel (broadcasting)MIMOMathematical optimizationMathematics

Résumé

récupéré en direct d'OpenAlex

In this paper, we propose a multibeam multicast non-orthogonal multiple access-based (MB-MC-NOMA) scheme for satellite communication systems. Building upon the multi-beam transmission, we exploit precoding and NOMA techniques to deal with inter-and intra-beam interference, respectively. Combining these two techniques in the multicast transmission is not trivial as both scheduling, and the precoding design shall be reconsidered. Indeed, it is shown there is a contradiction between criteria for efficient user scheduling in MC-NOMA and MC-linear precoding: while the first one requires a strong channel gain imbalance between user terminals, the latter seeks user channel vector similarities. To tackle this problem, we propose a user scheduling in MB-MC-NOMA, which provides a good balance between these two criteria. Besides, the MC-linear pre-coding is designed with aid of a mapping function that deals with the lack of spatial degrees of freedom. The numerical simulation results show that the performance of the MB-MC-NOMA scheme is improved by using the proposed user scheduling and a novel precoding design based on the singular value decomposition (SVD). Moreover, the MB-MCNOMA scheme outperforms its orthogonal version scheme. In particular, we observe that the throughput of the MB-MC-NOMA is increased a 25% with respect to MB-MC-OMA scheme under certain fair conditions.

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: Empirique
Score de désaccord entre enseignants0,433
Score d'incertitude au seuil0,654

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,025
Tête enseignante GPT0,237
Écart entre enseignants0,212 · 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

Citations11
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSatellite Communication SystemsTravaux en français237 207