Energy-efficient power allocation in OFDM-based cognitive radio systems: A risk-return model
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
Efficient and reliable subcarrier power allocation in orthogonal frequency-division multiplexing (OFDM)-based cognitive radio networks is a challenging problem. Traditional waterfilling approach is inefficient for such networks due to the strict requirements on the interference generated to the primary users (PUs). In this paper, we present a solution to an energy-efficient resource allocation problem which maximizes the cognitive radio (i.e., secondary) link capacity taking into account the availability of the subcarriers (and hence the reliability of transmission by cognitive radios) and the limits on total interference generated to the PUs. We consider an energy-aware capacity expression by taking into account another factor called subcarrier availability. Optimizing such an expression saves valuable resources such as battery life by selectively allocating power to underutilized subcarriers. Based on a risk-return model, we formulate a convex optimization problem which incorporates a linear average rate loss function in the optimization objective to include the effect of subcarrier availability. Due to the complex structure of the optimal solution, we propose three suboptimal schemes, namely, the step-ladder, nulling, and scaling schemes. We compare the performances of optimal and suboptimal algorithms with the performance of a classical waterfilling scheme. We conclude that waterfilling, unable to satisfy the interference criterion, performs the worst amongst all the schemes considered in this paper.
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 | 0,001 |
| 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