Large Scale Cognitive Wireless Networks
Notice bibliographique
Résumé
Cognitive radio has been proposed to have spectrum agility (or opportunistic spectrum access). In this chapter, the authors introduce the extended network architecture of cognitive radio network, which accesses not only spectrum resource but also wireless stations (networking nodes) and high-level application data opportunistically: the large-scale cognitive wireless networks. The developed network architecture is based upon a re-definition of wireless linkage: as functional abstraction of proximity communications among wireless stations. The operation spectrum and participating stations of such abstract wireless links are opportunistically decided based on their instantaneous availability. It is able to maximize wireless network resource utilization and achieve much higher performance in large-scale wireless networks, where the networking environment can change fast (usually in millisecond level) in terms of spectrum and wireless station availability. The authors further introduce opportunistic routing and opportunistic data aggregation under the developed network architecture, which results in an implementation of cognitive unicast and cognitive data-aggregation wireless-link modules. In both works, it is shown that network performance and energy efficiency can improve with network scale (such as including station density). The applications of large-scale cognitive wireless networks are further discussed in new (and smart) beyond-3G wireless infrastructures, including for example real-time wireless sensor networks, indoor/underground wireless tracking networks, broadband wireless networks, smart grid and utility networks, smart vehicular networks, and emergency networks. In all such applications, the cognitive wireless networks can provide the most cost-effective wireless bandwidth and the best energy efficiency.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».