Channel modeling and capacity optimization for optical RIS aided NOMA in indoor multiuser visible light communication IoT systems
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
This work explores solutions for addressing challenges in visible light communication (VLC) within 5G networks, particularly for indoor environments and green Internet of Things (IoT) applications, while considering the evolving demands of 6G networks. These demands include higher spectral efficiency (SE), enhanced data rates, reduced complexity, and reliable quality of service (QoS) for users with varying mobility. The proposed solution integrates optical reconfigurable intelligent surfaces (ORIS)-aided multiple-input multiple-output (MIMO) technology with a novel non-orthogonal multiple access (NOMA) transmission system employing discrete Fourier transform spread orthogonal time-frequency space (DFT-s-OTFS) modulation. This framework enhances spatial diversity, optimizes bandwidth, minimizes Peak-to-Average Power Ratio (PAPR), and improves power allocation. By leveraging OTFS modulation, the system supports delay-Doppler (DD) channels and ensures better control over VLC-IoT environments with physical layer security (PLS). A VLC channel model incorporating MIMO technologies for ORIS-aided NOMA-OTFS systems is developed, addressing a capacity maximization problem that considers transceiver parameters, RIS reflections, transmit power, and DD channels. An optimal solution is achieved using a relaxation algorithm. Numerical results show that the proposed ORIS-aided DFT-s-OTFS-based NOMA-MIMO VLC system outperforms the ORIS-assisted OFDM regarding bit error rate (BER), significantly improving channel capacity, SE, and security rates. These findings provide valuable insights for advancing optical RIS-assisted MIMO-VLC technologies.
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 | 0,001 | 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