Performance Analysis of Multi-RIS-Aided LoRa Systems With Outdated and Imperfect CSI
Notice bibliographique
Résumé
Although LoRa has emerged as the leading technology among the rapidly developing low-power wide-area networks, the performance of the LoRa system severely deteriorates over fading channels. To address this problem, in this paper, we introduce multiple reconfigurable intelligent surfaces (multi-RISs) into the LoRa system to improve its performance. Our specific focus is on the impact of outdated channel state information (CSI), the imperfection of estimated CSI, and the design of RIS discrete phase shifts on the performance. To this end, we first use the moment-matching method to obtain the end-to-end (E2E) channel coefficient of the joint outdated channels and erroneous channels over Nakagami-m fading. Moreover, the closed-form bit error rates (BERs) of the proposed system with non-coherent and coherent detections are derived. The results reveal that, in the high signal-to-noise ratio (SNR) regime, coherent detection encounters the error floor and performs worse than non-coherent detection. Furthermore, we also analyze delay outage rate, throughput, and achievable diversity order of the proposed system. The results show that, despite the presence of outdated CSI and channel estimation errors, the proposed system is still superior to RIS-aided LoRa systems adopting blind transmission and RIS-free ones. Finally, we also thoroughly investigate the effects of various important factors such as the correlation factor, channel estimation errors, the number of RIS reflecting elements, and the number of quantization bits for RIS discrete phase shifts on the performance.
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 | 0,004 |
| 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 | 0,001 |
| 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 ».