Resource Allocation for an OFDMA Cloud-RAN of Small Cells Underlaying a Macrocell
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
We present a joint resource allocation (RA) and admission control (AC) framework for an orthogonal frequency-division multiple access (OFDMA)-based downlink cellular network composed of a macrocell underlaid by a cloud radio access network (C-RAN) of small cells. In this framework, the RA problems for both the macrocell and small cells are formulated as optimization problems. In particular, the macrocell, being aware of the existence of the small cells, maximizes the sum of the interference levels it can tolerate subject to the macrocell power budget and the quality-of-service (QoS) constraints of macrocell user equipments (MUEs). On the other hand, the small cells minimize the total downlink transmit power subject to their power budget, QoS requirements of small cell UEs (SUEs), interference thresholds for MUEs, and fronthaul constraints. Moreover, AC is considered in the resource allocation problem for the small cells to account for the case where it is not possible to support all SUEs. Besides, to allow for the existence of other network tiers, small cells have a constraint on the number of sub-channels that can be allocated. Both optimization problems are shown to be mixed integer nonlinear problems (MINLPs) for which, lower complexity algorithms are proposed that are based on the framework of successive convex approximation (SCA). Numerical results demonstrate the importance of the careful selection of the resource allocation policy at the macrocell and its impact on the performance of small cells. Moreover, we investigate the effect of the different parameters of the RA problem for the C-RAN of small cells on the overall performance of small cells.
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