MétaCan
Menu
Retour à la cohorte
Enregistrement W2952279196 · doi:10.1109/jiot.2019.2923566

Dynamic Access Point and Service Selection in Backscatter-Assisted RF-Powered Cognitive Networks

2019· article· en· W2952279196 sur OpenAlexaff
Xiaozheng Gao, Shaohan Feng, Dusit Niyato, Ping Wang, Kai Yang, Ying‐Chang Liang

Notice bibliographique

RevueIEEE Internet of Things Journal · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueEnergy Harvesting in Wireless Networks
Établissements canadiensYork University
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésComputer scienceReplicator equationCognitive radioComputer networkService (business)Selection (genetic algorithm)Stability (learning theory)Distributed computingMathematical optimizationTelecommunicationsArtificial intelligenceWirelessMachine learningMathematics

Résumé

récupéré en direct d'OpenAlex

In this paper, we investigate the dynamic access point and service selection in a backscatter-assisted radio-frequency-powered cognitive network, where many secondary transmitters (STs) can choose different transmission services provided by multiple access points. To analyze the access point and service selection of the STs, we formulate the problem as an evolutionary game. The STs act as the players and adjust their selections of the access points and services based on their utilities. Specifically, we model the access point and service adaptation of the STs by the replicator dynamics, and analytically prove the existence and uniqueness, and the stability of the evolutionary equilibrium. We also consider the delay of information used by the STs to adapt their selection and perform the analysis by using delayed replicator dynamics. In particular, the stability region of the delayed replicator dynamics in a special case is derived. Furthermore, we develop a low-complexity algorithm for the access point and service selection in the network based on evolutionary game. Extensive simulations have been conducted to demonstrate the effectiveness of the proposed access point and service selection strategy in the network.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
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 enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,008
Tête enseignante GPT0,236
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

Citations34
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Internet of Things JournalMême sujetEnergy Harvesting in Wireless NetworksTravaux en français237 207