MétaCan
Menu
Retour à la cohorte
Enregistrement W2125582716 · doi:10.1109/isit.2006.261921

V-BLAST Power and Rate Control under Delay Constraints in Markovian Fading Channels - Optimality of Monotonic Policies

2006· article· en· W2125582716 sur OpenAlexaff
D.V. Djonin, Vikram Krishnamurthy

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Wireless Network Optimization
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésFadingMarkov decision processComputer scienceMarkov processMathematical optimizationQuality of serviceChannel (broadcasting)Power controlTransmission (telecommunications)Constraint (computer-aided design)Channel state informationWirelessPower (physics)Control theory (sociology)Computer networkControl (management)MathematicsTelecommunications

Résumé

récupéré en direct d'OpenAlex

This paper addresses the problem of dynamic control for power and rate allocation in V-BLAST wireless systems over Markovian fading channels. The problem is posed as a controlled Markov decision process problem with the goal of minimizing the average transmission power with the constraint on the average delay that can be interpreted as the quality of service (QoS) requirement of a given application. Several structural results on the nature of the optimal randomized policies and costs are derived. In particular, it is shown that number of actions to be considered can be reduced by dividing the rate allocation problem into bit-loading problem across individual antennas and the total rate allocation based on the current buffer and channel state. Further, optimal rate allocation policies are shown to be a mixture of two pure policies that are nondecreasing in the buffer state. These results can be utilized to devise an efficient online learning algorithm for optimal rate allocation policies

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)0,003
score de la tête « metaresearch » (Gemma)0,011
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 enseignants0,005
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,011
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,002
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,005
Tête enseignante GPT0,205
Écart entre enseignants0,200 · 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

Citations6
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Wireless Network OptimizationTravaux en français237 207