Performance Analysis of Multi-RIS-Aided LoRa Systems With Outdated and Imperfect CSI
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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 Our specific focus is on the impact of outdated channel state information (CSI), the imperfection of estimated CSI, and the design of RIS discrete phase shifts on the performance. To this end, we first use the moment-matching method to obtain the end-to-end (E2E) channel coefficient of the joint outdated channels and erroneous channels over Nakagami-m fading.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 The results show that, despite the presence of outdated CSI and channel estimation errors, the proposed system is still superior to RIS-aided LoRa systems adopting blind transmission and RIS-free ones.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.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle