FTN-Assisted SWIPT-NOMA Design for IoT Wireless Networks: A Paradigm in Wireless Efficiency and Energy Utilization
Notice bibliographique
Résumé
In the next-generation wireless Internet-of-Things (IoT) networks empowered by modern communication technology, nonorthogonal multiple access (NOMA) and faster-than-Nyquist (FTN) signaling are purportedly two enabling technologies that enhance spectral efficiency (SE) without requiring additional spectrum resources. In addition, simultaneous wireless information and power transfer (SWIPT) technology enables IoT sensors and devices to harvest energy from radio frequency (RF) signals, effectively mitigating power supply limitations. This article proposes and investigates a novel SWIPT-NOMA system based on FTN technology, referred to as FTN-assisted SWIPT-NOMA, for IoT relay networks over Rayleigh fading channels. We provide a comprehensive analysis of the ergodic capacity and achievable rate of the FTN-assisted SWIPT-NOMA system applied in IoT relay networks. Specifically, we explore two distinct relaying architectures geared toward augmenting SE and energy utilization, i.e., power-splitting (PS) and time-switching (TS). We derive approximated expressions for the ergodic capacity and analyze high- signal-to-noise radio (SNR) slopes for sensor users in both architectures. Simulation results show that the ergodic capacity of the proposed system surpasses that of the conventional Nyquist SWIPT-NOMA system, with greater capacity improvements as the FTN acceleration factor <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$\tau $ </tex-math></inline-formula> decreases. This highlights the substantial potential of FTN-assisted SWIPT-NOMA systems in enhancing the performance of IoT relay networks, particularly with respect to SE.
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 | 0,000 | 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 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 ».