The introduction of 5G has changed the wireless communication industry. Whereas previous generations of cellular technology are mainly based on communication for people, the wireless industry is discovering that 5G may be an era of communications that is mainly focused on machine-to-machine communication. The application of Ultra Reliable Low Latency Communication in factory automation is an area of great interest as it unlocks potential applications that traditional wired communications did not allow. In particular, the decrease in the inter-device distance has led to the discussion of coding schemes for these interference-filled channels. To meet the latency and accuracy requirements of URLLC, Non-orthogonal multiple access has been proposed but it comes with associated challenges. In order to combat the issue of interference, an enhanced version of Sliding window superposition coding has been proposed as a method of coding that yields performance gains in scenarios with high interference. This paper examines the abilities of this coding scheme in a broadcast network in 5G to evaluate its robustness in situations where interference is treated as noise in a factory automation setting. This work shows improvements of enhanced sliding window superposition coding over benchmark protocols in the high-reliability requirement regions of block error rates $\approx 10^{-6}$.


翻译:引入5G改变了无线通信行业。虽然前几代蜂窝技术主要以人与人之间的通信为基础,但无线行业发现5G可能是一个主要侧重于机器与机器通信的通信时代。在工厂自动化中应用超可靠低延迟通信是一个引起极大兴趣的领域,因为它释放了传统有线通信所不允许的潜在应用。特别是,由于设备间距离的减少,人们讨论了这些干扰充斥的频道的编码办法。为满足URLC的延迟性和准确性要求,提议了非横向多重访问,但遇到相关挑战。为了解决干扰问题,提议了强化版的滑动窗口叠加定位编码,作为在高干扰情况下产生业绩收益的一种编码方法。本文审查了5G广播网络中这一编码办法在将干扰视为工厂自动化设置中的噪音的情况下评估其稳健性的能力。这项工作表明,在高通胀率 $xx 区错误要求 $xx 10 区域中,改进了强化滑动窗口对基准协议的编码。</s>

0
下载
关闭预览

相关内容

Automator是苹果公司为他们的Mac OS X系统开发的一款软件。 只要通过点击拖拽鼠标等操作就可以将一系列动作组合成一个工作流,从而帮助你自动的(可重复的)完成一些复杂的工作。Automator还能横跨很多不同种类的程序,包括:查找器、Safari网络浏览器、iCal、地址簿或者其他的一些程序。它还能和一些第三方的程序一起工作,如微软的Office、Adobe公司的Photoshop或者Pixelmator等。
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
VIP会员
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员