UAV-Assisted Wireless Backhaul Networks: Connectivity Analysis of Uplink Transmissions
Notice bibliographique
Résumé
With the proliferation of wireless communication technologies, user equipments (UEs) in rural or disaster areas have data-transmission demand to upload their data to the core network. However, current networks lack coverage in rural or disaster areas due to the absence or damage of/to infrastructures. To address this issue, a promising solution is employing unmanned aerial vehicles (UAVs) as relays to assist the wireless backhaul of UEs to remote ground base stations (GBSs). For convenience, we call these networks as UAV-assisted wireless backhaul networks (UABNs). This paper aims to investigate the uplink transmission performance in UABNs. In particular, we analyze the connectivity of the two-hop uplink path from a reference UE to a remote GBS via a reference UAV. Compared with previous studies that mostly analyze single-hop transmissions, the investigation of the path connectivity of UABNs is more complex because of the location variation of UAVs as well as the complexity of the interference at the two-hop path. Considering the distribution of UEs, we exploit stochastic geometry to establish a theoretical model to analyze the path connectivity of UABNs. In our model, UEs form clusters according to a Poisson Cluster Process (PCP) and one UAV serves one UE cluster. Based on our model, the connectivity of a two-hop uplink path is finally derived by limiting the signal-to-noise-plus-interference (SINR) above a threshold. Theoretical values of the connectivity of UABNs match with simulation results, confirming the accuracy of the proposed analytical model. Our results also offer insightful implications for constructing and configuring UABNs.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 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 ».