Energy‐efficient cross‐layer design of dynamic rate and power allocation techniques for cognitive green radio networks
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 In this paper, we investigate cross‐layer adaptive rate scheduling techniques for cognitive green radio networks, where a secondary base station is communicating with secondary users (SUs). The base station is equipped with individual finite size buffer for each SU. The activity statistics of the primary users (PUs) are independent and identically distributed. The SUs detect their states and select free channels of the PUs. We study two different methods for PU (or channel) selection. The power minimization problem is formulated as an infinite‐horizon partially observable Markov decision process. The adaptation policy is obtained using maximum likelihood heuristic policy (MLHP) technique because optimal policy for partially observable Markov decision process is intractable. We assume that transition probabilities of the PUs and fading channel between the SU's transmitter and receiver are known. By tracking beliefs of the PUs' hidden states, the SU takes decision on the transmission rate to minimise energy consumption along with delay for a given bit error rate of the communications. Simulation results are given to show the performance of the proposed MLHP. We find that MLHP performs very close to fully observable optimal policy. We provide pointers to choose design parameters (such as delay, number of antennas and channels) for the cognitive green radio network so that the scheduler becomes the most energy‐efficient for a given quality of service requirements of the handled application. Copyright © 2013 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 | 0,000 | 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 découle