MétaCan
Menu
Retour à la cohorte
Enregistrement W1572171790 · doi:10.1109/icc.2015.7249519

A cross-layer aware sensing-throughput tradeoff in cooperative sensing for cognitive radio networks

2015· article· en· W1572171790 sur OpenAlexaff
Shaojie Zhang, Abdelhakim Hafid, Haitao Zhao, Shan Wang

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueCognitive Radio Networks and Spectrum Sensing
Établissements canadiensUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésCognitive radioThroughputComputer scienceInterference (communication)Constraint (computer-aided design)Signal-to-noise ratio (imaging)Physical layerContext (archaeology)ImperfectComputer networkChannel (broadcasting)TelecommunicationsWirelessEngineering

Résumé

récupéré en direct d'OpenAlex

From cross-layer perspective, the impact of imperfect spectrum sensing and access contention on the cooperative sensing in cognitive radio networks is investigated in the context of the tradeoff between interferences to PUs and aggregated secondary throughput. Jointly considering imperfect spectrum sensing and access contention, we reformulate the sensing-throughput tradeoff problem via taking the interference probability, rather than the detection probability, as the optimization constraint, and further obtain the optimal combination of fusion rule, sensing duration and detection threshold to maximize the secondary throughput under the interference probability constraint. Numerical results show that the proposed cross-layer method can improve the secondary throughput performance significantly, especially in the case of low signal-to-noise ratio.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,912
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,047
Tête enseignante GPT0,306
Écart entre enseignants0,259 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetCognitive Radio Networks and Spectrum SensingTravaux en français237 207