Rate–Interference Tradeoff in OFDM-Based Cognitive Radio Systems
Notice bibliographique
Résumé
In this paper, we investigate the tradeoff between increasing the secondary users' (SUs) transmission rate and reducing the interference levels at the primary users (PUs) for orthogonal-frequency-division-multiplexing-based cognitive radio systems. To achieve this target, we formulate a generalized multiobjective optimization (MOOP) problem that jointly maximizes the transmission rate of the SU and minimizes the cochannel interference (CCI) and adjacent channel interference (ACI) to existing PUs. We additionally constrain the allowed CCI and ACI to the PUs to guarantee the PUs' protection from harmful interference. The MOOP problem is solved by linearly combining the normalized competing objective functions - through weighting coefficients - into a single objective function. Prior work in the literature that maximizes the SU transmission rate can be considered as a special case of the generalized MOOP problem by setting the weighting coefficients associated with interference minimization to zero. Since estimating the full channel state information (CSI) of the links between the SU transmitter and the PU receivers is practically challenging, we assume only partial CSI knowledge of these links. Simulation results illustrate the performance of the proposed algorithm and quantify the SU performance loss due to incomplete CSI knowledge. Furthermore, the proposed algorithm is compared with state-of-the-art techniques, and our performance results show that the proposed algorithm is more energy aware, yet with reduced complexity.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».