An Asymptotically Fair Subcarrier Allocation Algorithm in OFDM Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Dynamic subcarrier allocation improves the performance of OFDM systems by exploiting multi-user diversity. Fairness index is a parameter which indicates how fairly the sub-carriers are allocated among the users in a system. A greedy sub-carrier allocation algorithm optimizes the system performance in terms of throughput, but it sacrifices the instantaneous fairness. In this paper, we define a new term called "asymptotic fairness". It is shown that for a small number of users greedy subcarrier allocation algorithm leads to a normalized fairness index close to unity after a few channel realizations; therefore, if the users of the same group can wait for a few OFDM symbols, they all can get almost the same data rate. To generalize the idea for larger number of users, we have proposed grouping of the users into smaller group sizes. The proposed subcarrier allocation algorithm allocates the subcarriers in two steps: group-allocation and user-allocation. Group-allocation is performed to maintain fairness among different groups by using a fairness-oriented subcarrier allocation algorithm such as max-min algorithm. In the user-allocation step, the subcarriers are allocated to the users within the group using the greedy algorithm to maximize the throughput. The proposed algorithm is specifically suitable for non-real-time applications. According to the required average fairness index in the system and the maximum allowable waiting time, it is possible to find the proper group size in the proposed two-step subcarrier allocation.
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.
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 découle