Predictive Beamforming for OTFS-Enabled URLLC in High-Mobility Vehicular Networks
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
Ultra reliable low latency communication (URLLC) in vehicular networks is pivotal for meeting the stringent requirements of transportation safety. However, achieving it is very challenging due to the high mobility of vehicles and the complex propagation environment. Orthogonal time frequency space (OTFS) modulation addresses these issues by modulating symbols into the delay-Doppler (DD) domain, which can leverage full timefrequency diversity by spreading each DD domain symbol across the entire time-frequency plane. In this paper, we propose a novel OTFS-enabled ultra reliable low latency vehicular network architecture for downlink transmission. To achieve low latency, we adopt frequency division duplex (FDD) mode to transmit data frames as soon as they arrive to minimize scheduling delays. Furthermore, to enhance the received signal strength at the receiver, beamforming is applied at the transmitter. Due to the channel state information (CSI) feedback delay in FDD systems, we design a deep learning algorithm, the DD-domain Convolutional Transformer (DDCT), for predictive beamforming based on historical DD-domain CSI. In DDCT, a convolutional neural network extracts spatial features from the DD domain, and a transformer captures their temporal correlations. Extensive simulation results demonstrate the effectiveness of the proposed vehicular network architecture and the superiority of the deep learning algorithm for predictive beamforming.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle