Cellular OFDMA Cognitive Radio Networks: Generalized Spectral Footprint Minimization
Notice bibliographique
Résumé
We consider the problem of joint subchannel and power allocation for an orthogonal frequency-division multiple-access (OFDMA)-based cognitive radio network (CRN). We formulate the downlink resource-allocation problem as a generalized spectral footprint (SF) (bandwidth-power product) minimization problem under the interference threshold at the primary users (PUs), as well as the total power and quality-of-service constraints. A cognitive base station (BS) solves this nonconvex mixed-integer programming problem iteratively by dividing it into a subchannel-allocation master problem and a power-allocation subproblem. The subchannel assignment problem for secondary users (SUs) is solved by applying a modified Hungarian algorithm, whereas the power-allocation subproblem is solved by using a Lagrangian technique. Specifically, we propose a low-complexity modified Hungarian algorithm for subchannel allocation that exploits the local information in the cost matrix. To apply the modified Hungarian algorithm, we require knowledge of the exact number of subchannel requirements of each user in every iteration. Hence, we develop an algorithm to update the number of subchannels required by each user in each iteration based on the SF difference of each user. An asymptotic analysis is carried out for the single SU case, and a closed-form expression is derived for the optimal number of subchannels that minimizes the SF. The performance of our generalized SF minimization technique is compared with the water-filling power-allocation scheme and a scheme based on brute-force search. In addition, several applications of the proposed algorithms are outlined.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| 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 ».