Analysis of Self-Blockage Impact on Handover Probability for User with Mobility in 5G Mm-Wave Cellular Network
Notice bibliographique
Résumé
In this paper, we present the impact of self-blockage on Handover (HO) Probability for a user with mobility in a 5G mm-wave cellular network. Self-blockage is defined as a blockage that could occur for a Mobile User (MU) resulting from its own body during its movement. As a result, frequent HOs may occur, which could cause channel fluctuations between different states, namely, Line-of-Sight (LOS) state, Non-Line-of-Sight (NLOS) state and outage state. Since the human body causes a severe attenuation to the mm-wave signal, we assume that the MU’s body blocks any signal from any mm-wave BS that lies in the blocking zone. Consequently, all mm-wave BSs that lie in the blocking zone is considered blocked. In this paper, we present a mathematical analysis for the self-blockage impact on MU where the Self-blockage zone is modelled as a sector of a disc, centred at the origin and has a radius of R. The sector is making an angle of, $\theta$, towards the MU’s body. The results show that self-blockage has an impact on HO probability, especially when the MU is moving in a radial direction, as the MU direction becomes closer to the tagged mm-wave BS as the HO probability gets closer to the case where no self-blockage incorporated into the model. Since the mm-wave signal is very susceptible to blockages interruption, this paper’s work provides us insights on understanding the impact of self-blockage on the HO probability. Therefore, the effect of self-blockage on the HO probability needs to be considered carefully in designing efficient HO management schemes and planning the 5G mm-wave cellular system.
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 | 0,001 |
| 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 ».