Interference and throughput aware resource allocation for multi‐class D2D in 5G networks
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
This study examines subcarrier and optimal power allocation in orthogonal frequency division multiple access based 5G device‐to‐device (D2D) networks. To improve spectrum efficiency, D2D users share same subcarriers with the legacy users using underlay approach. In this approach, it is challenging to design an efficient subcarrier and power allocation method for D2D networks which guarantees the quality of service requirements of legacy users. Therefore, the key constraint is to check the interference condition among D2D and legacy users while allocating the same resources to D2D users. In this study, the authors propose a throughput efficient subcarrier allocation (TESA) and geometric water‐filling based optimal power allocation (GWFOPA) method for multi‐class cellular D2D systems. First, the TESA method selects subcarriers and allocates power equally for D2D users according to their service classes while maintaining interference and data rate constraints. Then, the GWFOPA method is applied to optimise power in a computationally effective way. The objective of TESA and GWFOPA method is to maximise the data rate of each class while maintaining interference constraint and fairness among the D2D users. Finally, the authors present simulation results to evaluate performance of TESA and GWFOPA in terms of throughput, user data rate, and fairness.
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 | 0,001 | 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