Optimized node classification and channel pairing scheme for RF energy harvesting based cognitive radio sensor networks
Notice bibliographique
Résumé
Spectral-efficiency and energy-efficiency are the key concerns for next-generation wireless networks. RF energy-harvesting is emerged as a prominent technology which self-empowers wireless nodes to achieve energy-efficiency. For spectral-efficiency, the opportunistic spectrum-access technology (by employing cognitive radios) is an optimal solution. Therefore, in this paper, we merge both technologies (cognitive radio & RF energy harvesting) together to achieve network-wide spectral and energy efficiency. A novel two-level residual-energy and channel-quality (capacity and idle-time) aware node-classification scheme is introduced for cluster-based cognitive radio sensor networks to select the best sensor nodes for reporting process. At first level, the nodes are classified as harvesting or transmitting nodes based on their residual energy. Later on, the best node-channel pairs are formed for transmitting nodes using Hungarian algorithm. In the second level of classification, only those nodes are selected for reporting, which can transmit reporting packet in the given duration on the allocated channel. Otherwise, the node is directed to perform energy harvesting task to achieve energy-balancing and avoid unsuccessful reporting. Simulation results demonstrate that the proposed scheme shows better performance gain in terms of successful reporting rate compared to existing node-classification schemes. Furthermore, we compare the proposed node-channel pairing scheme with greedy-pairing and random-pairing schemes and illustrate the performance gain in terms of successful reporting.
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 | 0,001 | 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 ».