Optimal Power Allocation for MIMO-MAC in Cognitive Radio Networks
Notice bibliographique
Résumé
This paper considers a cognitive radio (CR) network, in which the unlicensed (secondary) users (SUs) are allowed to concurrently access the spectrum allocated to the licensed (primary) users, provided that the interference of SUs with the primary users (PUs) satisfies certain constraints. It is more general and owns a stronger challenge to ensure the quality of service (QoS) of PUs, as well as to maximize the sum-rate of SUs. On the other hand, the multiple-antenna mobile user case has not been well investigated for the target problem in the open literature. We refer to this setting as multiple input multiple output multiple access channels (MIMO-MAC) in the CR network. Subject to the interference constraints of SUs and the peak power constraints of SUs, the sum-rate maximization problem is solved. To efficiently maximize the achievable sum-rate of SUs, a tight pair of upper and lower bounds, as an interval, of the optimal Lagrange multiplier is proposed. It can avoid ineffectiveness or inefficiency when the dual decomposition is used. Furthermore, a novel water-filling-like algorithm is proposed for the inner loop computation of the proposed problem. It is shown that this algorithm used in the inner loop computation can obtain the exact solution with a few finite computations, to avoid one more loop, which would be embedded in the inner loop. In addition, the proposed approach overcomes the limitation of Hermitian matrices, as optimization variables. This limitation to the optimization problem in several complex variables has not been well investigated so far. As a result, our analysis and results are solidly extended to the field of complex numbers, which are more compatible with practical communication systems.
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 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».