Intelligent Reflecting Surfaces Assisted Cellular V2X Based Open RAN Communications
Notice bibliographique
Résumé
Open radio access networks (RAN) enhance the capabilities of traditional RAN by introducing features such as interoperability, open interfaces, software/hardware separation, and intelligence. Open RAN has several use cases in cellular vehicle-to-everything communications such as low-latency information exchange between vehicles and RAN intelligence controller (RIC). However, efficient data sharing between vehicles and RIC suffers from the challenges of signal loss due to mobility and dynamic channel conditions. In this regard, intelligent reflecting surfaces (IRS) have emerged as an intriguing concept of reconfigurable and smart environments to improve the performance of wireless communication systems. In the proposed research work, our main focus is on a multi-IRS aided single input single output system, where open RAN base stations (BS) convey information to a remote vehicular user. The transmitted signal is reflected by IRSs via multi-hop passive beamforming over pairwise line-of-sight links. To maximize the overall network sum-rate, we propose an IRS assignment method that allocates either a single IRS or multiple IRSs to each BS-user pair. In particular, the proposed algorithm consists of two stages, where in the first stage we perform <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><tex-math notation="LaTeX">$k$</tex-math></inline-formula> -means clustering to group the IRSs according to their location. In the next stage, for each group, we select the best IRS-assisted path (based on received signal strength) by transforming the original network into a trellis graph and using a trellis-search method. Simulation results show that the proposed technique outperforms existing IRS selection techniques in multiple IRS-enabled multi-hop communication systems.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 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 ».