An Innovative Infrastructure Based on Shape-Adaptive RIS for Smart Industrial IoTs
Notice bibliographique
Résumé
Industrial Internet of Things (IoTs) applications will have higher demands in terms of system capacity and wireless transmission performance in the future. Reconfigurable intelligent surfaces (RIS) for the wireless transmission environment reconstruction is currently a research hotspot in the field of wireless communication. In this paper, RIS is applied to industrial IoTs scenarios, and an innovative infrastructure based on shape-adaptive RIS suitable for smart industrial IoTs is proposed. Based on the many advantages of RIS, the proposed infrastructure can meet the significant demands of industrial IoTs in terms of network coverage, system capacity, transmission rate, and communication security. Further, in order to achieve flexible RIS phase adjustment in wider ranges, in this paper, a shape-adaptive RIS mechanism is proposed to regulate RIS-reflected waves in the shape domain, which can be achieved by scalable RIS unit sizes and macroscopically changeable physical shapes. This mechanism can reduce the requirements for RIS-controller and artificial-unit design and expand the spatial distribution of reflected beams, whereas this is difficult to achieve by conventional regulations in the spatial, time, and frequency domains. The simulation results show that, in terms of system-coverage probability, the system performance of RIS is better than that of general communication systems, and the performance of the deformable RIS-based system is the best. In terms of channel gain, the performance of the deformable RIS is related to its surface size. Moreover, the path loss caused by the long-distance transmission of wireless signals can be compensated for by increasing the RIS surface area.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».