Intelligent Power Management for QoS-Aware Multimedia in Cognitive Mesh Networks Using Reinforcement Learning
Notice bibliographique
Résumé
In cognitive multimedia mesh networks (CMMNs), unlicensed users (secondary users, SUs) can share the spectrum with licensed users (primary users, PUs) on a non-interfering basis. The main challenge in CMMN is how to implement an efficient optimal control policy that can allocate spectrum and transmission powers for the SUs efficiently and how to adapt these resources to the changing network conditions. The power management scheme should control the SUs powers in such a way that their data communication rate is not affected. SUs power cannot be dropped indefinitely but it should be bounded such that the quality of service (QoS) for the SUs is still supported. Our objective is to serve the maximum number of users and support their QoS while protecting the PUs' rights of using the spectrum exclusively. Due to the direct relationship between the data rate and the quality of the communication channel, we propose a new spectrum allocation scheme that exploits the physical properties of the channel to achieve better performance. In addition to consider QoS for users, our scheme uses several heuristics for selecting channels that meet users requirements. These heuristics include channel error rates, PUs activities, channel capacity and channel adaptation time. Performance evaluation of the proposed scheme shows that the scheme is able to support additional SUs traffic while still ensuring PUs QoS.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».