MétaCan
Menu
Retour à la cohorte
Enregistrement W1899904953 · doi:10.1109/mcom.2015.7158275

Cognitive spectrum access in device-to-device-enabled cellular networks

2015· article· en· W1899904953 sur OpenAlexaff
Ahmed Hamdi Sakr, Hina Tabassum, Ekram Hossain, Dong In Kim

Notice bibliographique

RevueIEEE Communications Magazine · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced MIMO Systems Optimization
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésComputer scienceCellular networkCognitive radioComputer networkInterference (communication)Spectral efficiencyResource allocationRadio resource managementChannel (broadcasting)Telecommunications linkChannel allocation schemesTransmitterCellular communicationResource management (computing)TelecommunicationsWirelessBase stationWireless network

Résumé

récupéré en direct d'OpenAlex

Cognitive spectrum access (CSA) in in-band D2D-enabled cellular networks is a potential feature that can promote efficient resource utilization and interference management among coexisting cellular and D2D users. In this article, we first outline the challenges in resource allocation posed by the coexistence of cellular and D2D users. Next, we provide a qualitative overview of the existing resource allocation and interference management policies for in-band D2D-enabled cellular networks. We then demonstrate how cognition along with limited information exchange between D2D users and the core network can be used to mitigate interference and enhance spectral efficiency of both cellular and D2D users. In particular, we propose a CSA scheme that exploits channel sensing and interference- aware decision making at the D2D terminals. This CSA scheme at the D2D terminals is complemented by a D2D-aware channel access method at the cellular BSs. The performance gains of the proposed CSA scheme are characterized in terms of channel access probability for a typical D2D transmitter and spectral efficiencies for both cellular and D2D transmissions. Finally, potential research issues that require further investigation are highlighted.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,051
Tête enseignante GPT0,304
Écart entre enseignants0,253 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations58
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Communications MagazineMême sujetAdvanced MIMO Systems OptimizationTravaux en français237 207