Dynamic Spectrum Access in Multi-Channel Cognitive Radio Networks
Notice bibliographique
Résumé
In this paper, dynamic spectrum access (DSA) in multi-channel cognitive radio networks (CRNs) is studied. The two fundamental issues in DSA, spectrum sensing and spectrum sharing, for a general scenario are revisited, where the channels present different usage characteristics and the detection performance of individual secondary users (SUs) varies. First, spectrum sensing is investigated, where multiple SUs are coordinated to cooperatively sense the channels owned by the primary users (PUs) for different interests. When the PUs' interests are concerned, cooperative spectrum sensing is performed to better protect the PUs while satisfying the SUs' requirement on the expected access time. For the SUs' interests, the objective is to maximize the expected available time while keeping the interference to PUs under a predefined level. With the dynamics in the channel usage characteristics and the detection capacities, the coordination problems for the above two cases are formulated as nonlinear integer programming problems accordingly, which are proved to be NP-complete. To find the solution efficiently, for the former case, the original problem is transformed into a variant of convex bipartite matching problem by constructing a complete bipartite graph and defining proper weight vectors. Based on the problem transformation, a channel selection algorithm is proposed to compute the solution. For the latter case, the deterministic optimization problem is first transformed to an associated stochastic optimization problem, which is then solved by cross-entropy (CE) method of stochastic optimization. Then, the sharing of the available channels by SUs after sensing is modeled by a channel access game, based on the framework of weighted congestion game. An algorithm for SUs to select access channels to achieve Nash equilibrium (NE) is proposed. Simulation results are presented to validate the performance of the proposed algorithms.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 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 ».