Sum-Rate Maximization for Active Channels With Unequal Subchannel Noise Powers
Notice bibliographique
Résumé
In this paper, an active channel, between a source and a destination, refers to a parallel channel where the source transmits power over different subchannels as well as the powers of the subchannels can be adjusted. We herein study the sum-rate maximization for an active channel subject to two constraints, one on the source total transmit power and one on the total channel power. Although this maximization is not convex, we use Karush-Kuhn-Tucker (KKT) conditions to develop a computationally efficient algorithm for optimal source and channel power allocation. To do so, we first show how KKT conditions can be used to determine the number of subchannels that can be active in order for the source power constraint to be feasible. Indeed, we show that not all subchannels but only a subset of them may receive transmit power from the source. Then, for any feasible number of active subchannels, we obtain the optimal source power allocation. In fact, we prove that for any feasible number of active subchannels, there is only one or two solutions for the optimal source power allocation. As such, the optimal solution can be obtained by comparing a finite number of points in the feasible set and by introducing the point, which yields the best sum-rate performance, as the optimal solution. Our analysis and simulation results show that active channels can offer a significantly higher sum-rate compared to their passive counterparts, which rely on water-filling scheme for source power allocation across subchannels.
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 | 0,002 | 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 | 0,002 | 0,002 |
| 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 ».