MétaCan
Menu
Retour à la cohorte
Enregistrement W2789624023 · doi:10.1109/tvt.2018.2805638

When NOMA Meets Multiuser Cognitive Radio: Opportunistic Cooperation and User Scheduling

2018· article· en· W2789624023 sur OpenAlexafffund
Lu Lv, Long Yang, Hai Jiang, Tom H. Luan, Jian Chen

Notice bibliographique

RevueIEEE Transactions on Vehicular Technology · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Wireless Communication Technologies
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaNational Natural Science Foundation of China
Mots-clésCognitive radioNomaScheduling (production processes)Computer scienceOutage probabilityComputer networkOverlayScheme (mathematics)FadingMathematical optimizationTelecommunicationsTelecommunications linkWirelessMathematicsChannel (broadcasting)

Résumé

récupéré en direct d'OpenAlex

This correspondence paper investigates a novel non-orthogonal multiple access (NOMA) assisted overlay spectrum sharing framework for multiuser cognitive radio networks toward an enhanced spectrum utilization. In particular, one secondary user is scheduled to help forward the primary signal and convey its own signals as well by applying the NOMA principle. A reliability-oriented secondary user scheduling (R-SUS) scheme is first proposed with a target at minimal primary and secondary outage probabilities. Then, a fairness-oriented secondary user scheduling (F-SUS) scheme is proposed, such that all the candidate secondary users have an equal opportunity to be scheduled for the cooperation. Expressions of primary and secondary outage probabilities are derived in closed form to evaluate the resultant network reliability performance. The results reveal that: (1) the proposed R-SUS and F-SUS schemes can achieve a full diversity order for the primary and secondary transmissions, and (2) although the F-SUS scheme enhances user fairness, it suffers a higher secondary outage probability compared with the R-SUS scheme.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,014
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,002
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,244
Écart entre enseignants0,228 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations74
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Vehicular TechnologyMême sujetAdvanced Wireless Communication TechnologiesTravaux en français237 207