MétaCan
Menu
Retour à la cohorte
Enregistrement W4399040390 · doi:10.1109/twc.2024.3402692

Modeling of UV Diffused-LoS Communication Channel Incorporating Obstacles: An Integration Perspective

2024· article· en· W4399040390 sur OpenAlexaff
Tianfeng Wu, Tian Cao, Fang Yang, Jian Song, Julian Cheng, Zhu Han

Notice bibliographique

RevueIEEE Transactions on Wireless Communications · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Optical Network Technologies
Établissements canadiensUniversity of British Columbia, Okanagan CampusUniversity of British Columbia
Organismes subventionnairesToyota Motor CorporationKey Research and Development Program of Heilongjiang
Mots-clésPerspective (graphical)Computer scienceChannel (broadcasting)WirelessTelecommunicationsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The existing works on ultraviolet (UV) channel modeling primarily focus on non-line-of-sight (NLoS) communication scenarios, where the UV transceiver does not need to be aligned and can communicate around obstacles. However, NLoS scenarios also face problems such as long channel delay spread and severe path loss, and consequently, these phenomena will be exacerbated as the amount and dimension of obstacles increase. To tackle these problems, we investigate the channel models for UV diffused line-of-sight (LoS) communication scenarios comprehensively. First, a UV diffused-LoS channel model with an obstacle is put forward, where the radiation intensity distributions of UV light sources, the height difference between UV transceivers, as well as the obstacle dimension and orientation are incorporated to approach practical application scenarios. Besides, the channel modeling framework for diffused-LoS scenarios incorporating obstacles is investigated, where we take two obstacles as an example to illustrate the entire modeling process. Further, we validate the proposed models by comparing them with associated LoS and Monte-Carlo photon-tracing (MCPT) models via numerical calculations. The path loss results manifest that the proposed integration models agree well with the existing channel models, while their calculation time is much shorter than that of the MCPT model. Apart from that, the channel path loss and bit-error rate performance of diffused-LoS scenarios are superior to those of NLoS scenarios when obstacle reflection is apparent, and channel delay spreads of diffused-LoS scenarios are shorter than those of NLoS scenarios regardless of circumstances with one or two obstacles.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,008
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,032
Tête enseignante GPT0,280
Écart entre enseignants0,248 · 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 source (Gemma direct ou Codex distillé), 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

Citations13
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Wireless CommunicationsMême sujetAdvanced Optical Network TechnologiesTravaux en français237 207