Robust Ergodic Uplink Resource Allocation in Underlay OFDMA Cognitive Radio Networks
Notice bibliographique
Résumé
The ergodic resource allocation (ERA) problem for uplink transmission in underlay cognitive radio networks (CRNs) is investigated. The objective is to maximize the ergodic sum-rate of secondary users (SUs) considering the unavailability of perfect channel state information (CSI), and subject to transmit power limitations of SUs, and the interference threshold constraint to guarantee the quality of service of primary users. Since with average-based formulation of ERA, the interference threshold constraint and transmit power limitations of SUs do not hold instantaneously, one can replace the average-based constraints in ERA with their outage-based counterparts. For the uncertainty on the CSI values, we utilize the robust optimization theory where the uncertain parameters are modeled as a sum of the estimated value and error which is assumed to be bounded. We then map the considered ERA problems to their robust counterparts. Generally, the robust approaches degrade the performance (e.g., sum rate of SU), as they conservatively consider the error to be in the maximum extent and try to preserve the constrains under any condition of error (worst-case scenario). We aim to moderate this effect by using appropriate models for uncertain parameters, relaxing the worst-case scenario, and stochastically preserving the constraints. Moreover, robust problems are in general non-convex and suffer from high computational complexity due to the existence of uncertain system parameters. Therefore, we use effective suboptimal approaches to solve them with a reasonable complexity. This includes methods based on chance constraint approach as well as an iterative scheme. The proposed solutions provide a trade-off between robustness, performance, and complexity. Simulation results reveal that by using the proposed schemes, stable sum-rate of SUs in the presence of CSI uncertainties can be achieved while the instantaneous power and interference constraints are met with a desired probability.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».