Polarization-Enabled MIMO Bidirectional Device-to-Device Communications via RIS
Notice bibliographique
Résumé
In future wireless networks, device-to-device (D2D) communications are expected to play an important role to support a plethora of applications. To meet the target quality of service while ensuring high reliability, and high spectral and energy efficiencies, manipulation of the radio waves by reconfigurable intelligent surfaces (RIS) will be critical. In this context, leveraging concepts of polarization, this paper proposes a framework for bidirectional D2D communications, where the data exchange between a central node and devices operating in distinct polarization states, is multiple-input multiple-output in nature and takes place via a dual-polarized RIS, in the presence of hardware impairments and imperfect interference cancellation, as well as impairments caused by the spatial correlation and cross-polarization. Performance evaluation of such a framework is conducted in terms of key metrics, namely, bit error rate, outage probability, channel capacity, and energy efficiency, for which closed-form expressions are obtained considering transmissions over Nakagami fading channels. An asymptotic analysis is also conducted to evaluate the achievable diversity gains, by approximating the Nakagami model with a tractable Gamma model. Further, the impact of imperfect channel estimation on performance is also investigated. Comparative numerical results are provided, and the effects of the main system parameters on performance are analyzed. The proposed framework is shown to provide significant performance improvements as compared to D2D communications via non-polarized RIS.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».