MétaCan
Menu
Retour à la cohorte
Enregistrement W2116749379 · doi:10.1109/tvt.2009.2027712

Channel Sensing-Order Setting in Cognitive Radio Networks: A Two-User Case

2009· article· en· W2116749379 sur OpenAlexaff
Rongfei Fan, Hai Jiang

Notice bibliographique

RevueIEEE Transactions on Vehicular Technology · 2009
Typearticle
Langueen
DomaineComputer Science
ThématiqueCognitive Radio Networks and Spectrum Sensing
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésCognitive radioComputer scienceComputational complexity theoryChannel (broadcasting)Modulation (music)Point (geometry)Optimal stoppingAlgorithmGreedy algorithmMathematical optimizationWirelessComputer networkMathematicsTelecommunications

Résumé

récupéré en direct d'OpenAlex

This paper investigates the sensing-order problem in two-user multichannel cognitive medium access control. When adaptive modulation is not adopted, although brute-force search can be used to find the optimal sensing-order setting of the two users, it has huge computational complexity. Accordingly, we propose two suboptimal algorithms, namely, the greedy search algorithm and the incremental algorithm, which have comparable performance with that of brute-force search and have much less computational complexity. It is shown that, with a high probability, either suboptimal algorithm can reach an optimal point if a backoff mechanism is used for contention resolution. When adaptive modulation is adopted, it is observed that the traditional stopping rule does not lead to an optimal point in the two-user case. Furthermore, we demonstrate that the adoption of adaptive modulation affects the optimal sensing-order setting of the two users, compared with the case without adaptive modulation. These findings imply that the stopping rule and the sensing-order setting should be jointly designed from a systematic point of view.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,031
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,031

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,031
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,005
Communication savante0,0030,004
Science ouverte0,0020,003
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,244
Écart entre enseignants0,235 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations104
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Vehicular TechnologyMême sujetCognitive Radio Networks and Spectrum SensingTravaux en français237 207