MétaCan
Menu
Retour à la cohorte
Enregistrement W2801956656 · doi:10.1109/twc.2018.2832062

Energy-Efficient Cross-Layer Resource Allocation for Heterogeneous Wireless Access

2018· article· en· W2801956656 sur OpenAlexafffund
Lei Xu

Notice bibliographique

RevueIEEE Transactions on Wireless Communications · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced MIMO Systems Optimization
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesNatural Sciences and Engineering Research Council of CanadaSix Talent Peaks Project in Jiangsu ProvinceNational Natural Science Foundation of China
Mots-clésComputer scienceComputer networkBandwidth allocationBandwidth (computing)Resource allocationPhysical layerTransmitter power outputQueueChannel state informationChannel allocation schemesWirelessMathematical optimizationChannel (broadcasting)TelecommunicationsTransmitterMathematics

Résumé

récupéré en direct d'OpenAlex

In this paper, an uplink cross-layer resource allocation problem based on imperfect channel state information (CSI) is modeled as min-max fractional stochastic programming for heterogeneous wireless access. The resource allocation is subject to constraints in delay, service outage probability, system radio bandwidth, and total power consumption. The joint bandwidth and power allocations are based on CSI at the physical layer and queue state information (QSI) at the link layer. In order to determine the transmission rate of each mobile terminal according to the queue buffer occupancy, a probability upper bound of exceeding the maximum packet delay in terms of a required transmission rate is presented based on M/D/1 model. Then, the bandwidth and power allocation problem is transformed into bi-convex programming, and an optimal distributed bandwidth and power allocation algorithm is proposed. To reduce computational complexity, a suboptimal distributed bandwidth and power allocation algorithm is presented. Simulation results demonstrate that the proposed algorithms improve the energy efficiency greatly.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,976
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,034
Tête enseignante GPT0,302
Écart entre enseignants0,268 · 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 tête enseignante, pas un consensus.

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

Citations21
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Wireless CommunicationsMême sujetAdvanced MIMO Systems OptimizationTravaux en français237 207