Joint Subchannel Pairing and Power Allocation in Multichannel MABC-Based Two-Way Relaying
Notice bibliographique
Résumé
We consider amplify-and-forward two-way relaying in a multichannel system with two end nodes and a single relay, with a two-slot multiaccess broadcast (MABC) relaying strategy. We investigate the problem of joint subchannel pairing and power allocation to maximize the achievable sum-rate in the network under the individual power constraints. We propose an iterative approach to solve this challenging mixed-integer programming problem by decomposing it into subchannel pairing optimization and joint power allocation optimization, and solving them iteratively. For subchannel pairing at the relay, we show that, unlike in the one-way relaying case, there exists no explicit SNR-based low-complexity subchannel pairing strategy that is optimal for two-way relaying, and the optimal pairing needs to be performed numerically. Nonetheless, we propose an effective low-complexity suboptimal pairing scheme based on an effective SNR metric. For joint power allocation at all nodes, the optimization problem is nonconvex. We propose an iterative procedure to optimize the power at the two end nodes and at the relay iteratively. Using a problem transformation, we show that each power optimization subproblem turns out to be convex and can be solved efficiently. Our proposed iterative procedure is guaranteed to converge to a locally optimal solution. We then generalize our approach to the weighted sum-rate maximization problem. Simulation results demonstrate the effectiveness of the proposed pairing scheme, as well as the gain of joint optimization approach over other pairing-only or power-allocation-only optimization approaches.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».