Spectrum and Operational Efficiency Optimization Using Airborne Communication Network Capacity Modeling for Cognitive Radios
Notice bibliographique
Résumé
The radio spectrum is one of the most important elements in current communications; nevertheless, it is a limited resource and must be used in a responsible way to host emerging technologies. These technologies include Airborne Communication Networks (ACN), which has attracted much attention of researchers and industry over the last years. The drivers of ACN are mainly to fulfill the mobile communications requirements from passengers, and support the constant growth in aeronautical communications needs. In this paper, requirements of communication channel capacity for future airborne network are studied in order to simulate an airborne network in North Atlantic Tracks (NAT), which cover up to 80% of all oceanic and aerial traffic. To this end, the main aircraft models that fly over this air space as well as the estimation of the future capacity channel of each aircraft are contemplated in order to reduce the spectrum demand and optimize the operational efficiency in the ACN. This paper also presents the use of cognitive radios for the implementation of ACN due to its flexibility for switching to other wireless protocols, integrating new standards in aircraft without substantial cost, developing monitoring tools to guarantee QoS, processing signals for more efficiently use of spectrum and ensuring the scalability and reconfigurability of system. Finally, the simulations results obtained will be used to determine the dimensions of the ACN in terms of number of frequencies and channel capacity, as well as its implementation in cognitive radio on board aircraft
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 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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».