On the Performance of End-to-End Cooperative NOMA-Based IoT Networks With Wireless Energy Harvesting
Notice bibliographique
Résumé
This article studies the end-to-end uplink (UL) and downlink (DL)-outage probability (OP) of an Internet of Things (IoT) network with radio-frequency (RF) energy harvesting (EH) over Nakagami-m fading channels. Power-domain nonorthogonal multiple access (NOMA) is adopted to support both the UL and DL transmissions to increase the network spectral efficiency. The system end-to-end UL and DL outage probabilities are analyzed where exact closed-form expressions are derived. The system performance is explored for various system parameters, such as time allocation for EH, transmission power, fading conditions, number of IoT devices (IoDs), and data rate. The obtained analytical results are corroborated using Monte Carlo simulation for various operating scenarios. The obtained results show that the optimum harvesting time may broadly vary based on the adopted system parameters. Moreover, the results show that the system OP is highly sensitive to the harvesting time where OP may vary drastically if the harvesting time deviates from the optimum. The impact of the perfect successive interference cancelation (SIC) (PSIC) is also evaluated and compared with imperfect SIC (ISIC), and the obtained results show that the OP of the system can be significantly underestimated with the PSIC assumption. Therefore, the commonly used PSIC assumption may cause substantial deviation from the practical case where the detection process experiences ISIC.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».