QoS‐based power allocation for cognitive radios with AMC and ARQ in Nakagami‐<i>m</i> fading channels
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract This paper presents power allocation schemes to maximize the effective capacity (EC) of a secondary user (SU) communications link using adaptive modulation and coding (AMC) in an underlay cognitive radio Nakagami‐ m block‐fading environment to meet target quality‐of‐service (QoS) requirements in terms of delay‐outage probability and packet error rate constraints. The SU transmission parameters are chosen such that the primary user imposed interference power constraint (IPC) is satisfied. Three different types of IPCs, namely average interference power, peak interference power and interference power outage, are considered. For each IPC, the analytical solutions for choosing the AMC mode and power allocation in each fading block, and the corresponding SU achievable EC under given QoS requirements are derived. Furthermore, we investigate the performance of a hybrid automatic repeat request (ARQ)/AMC and obtain the closed‐form packet loss rate expression. Illustrative results show the effects of the IPC, fading duration and fading severeness on the SU achievable EC under given QoS requirements. It is shown that for loose delay‐outage requirements, average interference power and interference power outage constraints give higher SU EC than peak interference power constraint. However, for more stringent delay‐outage requirements, the SU achievable EC for the three IPC is significantly reduced. The results also indicate that ARQ is helpful to significantly reduce the packet loss rate for loose delay constraint. However, ARQ increases the delay and is not effective for stringent delay‐outage requirements. Copyright © 2014 John Wiley & Sons, Ltd.
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.
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 | 0,000 | 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 découle