RIS Alignment via Virtual Partitioning for Resilient Uplink Multi-RIS-Assisted UAV Communications
Notice bibliographique
Résumé
The integration of reconfigurable intelligent surfaces (RISs) and unmanned aerial vehicle (UAV) communications has emerged as a promising solution for improving link quality and massive connectivity for beyond 5G wireless networks. This paper presents an innovative approach to maximizing connectivity of uplink multi-RIS-assisted UAV networks enabled by RIS placement and virtual partitioning, wherein RISs are deployed to assist in the communications between user-equipment (UEs) and UAVs. In the considered model, the UEs intend to transmit data to the UAVs, and RISs can assist in improving network connectivity by connecting the UEs to the blocked UAVs. First, exact and approximated closed-form (CF) expressions for signal-to-noise ratio (SNR) are derived based on aligned and non-aligned portions of the RISs. Then, we formulate the problem of maximizing the network connectivity that jointly considers 1) UE-RIS-UAV link selection and 2) RIS placement and virtual partitioning. This problem is a computationally expensive combinatorial optimization. Using the block coordinate descent (BCD) approach, we propose novel UE-RIS-UAV selection and RIS placement and partitioning methods. Specifically, we develop clustering and perturbation methods for UE-RIS-UAV selection, and derive a closed-form solution for the partitioning of the RISs. Moreover, for optimizing the RISs placement, Adam optimizer is used. Simulation results demonstrate that the proposed approaches yield a gain in the range of 12% to 45% compared to benchmark schemes. The finding emphasizes the potential of integrating RIS with UAV communications as a robust and reliable connectivity solution for future wireless communication systems.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».