MétaCan
Menu
Retour à la cohorte
Enregistrement W2996396392 · doi:10.1109/lcomm.2019.2959525

Joint Channel Assignment and Occupancy Time Optimization in Frame-Based Listen-Before-Talk

2019· article· en· W2996396392 sur OpenAlexafffund
Sina Khoshabi Nobar, Mohamed H. Ahmed, Yasser Morgan, S. Mahmoud

Notice bibliographique

RevueIEEE Communications Letters · 2019
Typearticle
Langueen
DomaineComputer Science
ThématiqueWireless Networks and Protocols
Établissements canadiensUniversity of ReginaMemorial University of NewfoundlandCarleton University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésComputer scienceChannel (broadcasting)Frame (networking)Optimization problemLyapunov optimizationAssignment problemMathematical optimizationTime complexityInteger programmingLinear programmingComputer networkNetwork packetAlgorithmMathematics

Résumé

récupéré en direct d'OpenAlex

We study the performance optimization problem of the long term evolution (LTE) network operating in the unlicensed band and sharing it with an existing WiFi network. We consider the LTE network to be based on the frame-based listen-before-talk protocol. We formulate the joint channel assignment and channel occupancy time optimization problem using a stochastic integer programming (IP) model. By applying the Lyapunov drift-plus-penalty theorem, we develop an asymptotically optimal solution with polynomial time-complexity for the stochastic IP problem. Numerical results are presented and the performance of the proposed solution is compared to the performance of two alternative approaches in which the channel assignment and channel occupancy time are determined sequentially.

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 candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,879
Score d'incertitude au seuil0,556

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
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 Opus0,021
Tête enseignante GPT0,247
Écart entre enseignants0,226 · 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.

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

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

En bref

Citations4
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Communications LettersMême sujetWireless Networks and ProtocolsTravaux en français237 207