Two-Side Coalitional Matching Approach for Joint MIMO-NOMA Clustering and BS Selection in Multi-Cell MIMO-NOMA Systems
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
Resource management in multi-cell multiple-input multiple-output non-orthogonal multiple access (MIMO-NOMA) is challenged by computational complexity, flexible clustering, and potential channel correlation. In this paper, we focus on a combined resource allocation problem: NOMA mobile user (MU) clustering and the base station (BS) selection, to improve system data rate. Different from sum data rate maximization and max-min fairness, we introduce a new objective function, i.e., relative fairness, which integrates MU fairness into system data rate optimization to overcome the domination effect of BS in advantaged situations of sum data rate improving. Moreover, we derive the closed form solution of MIMO-NOMA resource allocation for a single cluster, and it can be employed for any size of cluster. Furthermore, we propose a new two-side coalitional matching approach to jointly optimize MIMO-NOMA clustering and BS selection, which is able to balance the tradeoff between MUs' individual benefits and the overall network performance. The proposed approach is core stable. Pauta-criterion is employed on system performance evaluation to provide a judgement on win-win solutions. In simulation, extensive comparisons provide insightful understanding of our proposed MIMO-NOMA clustering strategy, relative fairness, and the proposed two-side coalitional matching approach.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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