Performance Analysis of NOMA-Enabled Active RIS-Aided MIMO Heterogeneous IoT Networks With Integrated Sensing and Communication
Notice bibliographique
Résumé
With the imminent arrival of 6G communication, the relevance of advanced technologies, such as multi-input-multioutput (MIMO), nonorthogonal multiple access (NOMA), reconfigurable intelligent surfaces (RISs), and integrated sensing and communication (ISAC), has become prominent for plethora of Internet of Things (IoT) applications. However, integrating ISAC into a MIMO heterogeneous network (HetNets) necessitates reevaluating network performance in terms of outage probability and ergodic rates. This article introduces a novel analytical framework for evaluating downlink transmissions in MIMO HetNets. The proposed framework considers independent homogeneous Poisson point processes (PPP) for spatial arrangement of the NOMA-enabled base stations (BSs) and users. BS in the tth tier exploits superimposed NOMA signal for target sensing. Active RISs are considered to be distributed with homogeneous PPP and are used to mitigate blockage for user equipments when the direct link from the BSs does not exist. The approximated and asymptotic outage probability expressions are derived for two distinct scenarios: one involving direct transmission from the BS to the typical blocked user and the other entailing transmission via active RIS. Moreover, a practical case of imperfect successive interference cancelation (i-SIC) is considered. The analysis emphasizes the benefits of the proposed active RIS-NOMA compared to conventional orthogonal multiple access HetNets, and valuable insights are drawn by varying the number of RIS elements. Additionally, an increase in the RIS elements significantly improves the proposed active RIS-NOMA outage performance. The approximated expressions of ergodic rates, system throughput and beampattern for the sensing performance are also derived.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 ».