MétaCan
Menu
Retour à la cohorte
Enregistrement W4285124289 · doi:10.1109/lwc.2022.3173307

A Novel ASAPPP Approach to Characterize the SIR Distribution in General Cellular Networks

2022· article· en· W4285124289 sur OpenAlexaff
Haichao Wei, Xiangling Xu, Bin Lin, Xiao Lu, Ping Wang

Notice bibliographique

RevueIEEE Wireless Communications Letters · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced MIMO Systems Optimization
Établissements canadiensYork UniversityEricsson (Canada)
Organismes subventionnairesDalian Science and Technology Innovation FundFundamental Research Funds for the Central UniversitiesNational Key Research and Development Program of ChinaLiaoning Revitalization Talents ProgramNational Natural Science Foundation of China
Mots-clésComputer sciencePoisson distributionPoint processCellular networkCoverage probabilityStochastic geometryPoisson point processInterference (communication)Simple (philosophy)Mathematical optimizationKey (lock)Probability distributionAlgorithmMathematicsTelecommunicationsStatistics

Résumé

récupéré en direct d'OpenAlex

The non-Poisson point processes have the characteristics of spatial repulsion or aggregation, which well matches the realistic cellular network deployment, but challenges the fundamental analysis of the signal-to-interference ratio (SIR) distribution. In this letter, we propose a novel approximation method via decomposing the ASAPPP method (approximate SIR analysis based on the Poisson point process) to formulate two key intermediate approximate results, namely, the contact distance distribution and the spatial distribution of the interfering nodes. With the aid of these results, the novel ASAPPP is proved to be equivalent with the original one in a single-tier network and obtains the simple yet effective approximate results of association probability and coverage probability in a multi-tier network. Simulation results demonstrate that the proposed method provides a better approximation compared with the original ASAPPP, especially in multi-tier network scenarios.

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 enseignants0,869
Score d'incertitude au seuil0,669

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 Opus0,021
Tête enseignante GPT0,215
Écart entre enseignants0,194 · 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

Citations4
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Wireless Communications LettersMême sujetAdvanced MIMO Systems OptimizationTravaux en français237 207