Crowdsensing-Assisted Path Loss Estimation and Management of Dynamic Coverage in 3D Wireless Networks With Dense Small Cells
Notice bibliographique
Résumé
Emerging vertical applications enabled by connected devices and smart infrastructures have created an ever-increasing demand for high data rates over 5th-Generation (5G) and beyond wireless networks. Deployment of dense small cells (SCs) and millimeter wave (mmWave) communication systems have become inevitable in future wireless networks. Consequently, it is more accurate to model such networks in the 3D space due to the spatially distributed nature of the SCs, locations of the devices, radio resources and propagation environment. Accurate estimation of location-specific path loss parameters is then essential for efficient utilization of radio resources and management of dynamic coverage in 3D SC networks. In the paper, a framework for location-specific path loss estimation is developed for efficient radio resource management, based on the principle of crowdsensing together with Linear Algebra (LA) and machine learning (ML) techniques considering 2.5 GHz and 28 GHz bands. The corresponding procedure for capturing dynamic coverage of a SC base station (BS) serving to an arbitrary cluster is proposed and examined based on its 3D propagation characteristics. Results show that the accuracy of 3D channel parameter estimation using gradient descent ML techniques is superior compared to LA technique and can achieve over 98% estimation accuracy. It is shown that using the proposed process, parameters can be extrapolated for the slightly extended 3D communication distances from the cluster boundary for the worst-case locations of devices based on already estimated propagation parameters with accuracy over 74% for certain distances. Although numerical results are presented for a single amorphous 3D cell of a wireless network, the framework given in the paper can be extended to any arbitrary 3D wireless cellular network.
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 ».