Statistical-QoS Guarantee for IoT Network Driven by Laser-Powered UAV Relay and RF Backscatter Communications
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 optimization is investigated for an unmanned aerial vehicle (UAV)-mounted relay assisted Internet-of-Things (U-IoT) network. A comprehensive network structure is proposed by incorporating laser-driven adaptive wireless-power-transfer at the UAV relay, wirelessly powered backscatter communication in the radio-frequency access links, and modulating retro-reflector based free space optical backhaul link in an optimization framework. Our objective is to maximize the number of the connected IoT devices with the UAV relay for uplink data transmission while satisfying the heterogeneous quality-of-service requirements of the IoT devices. Towards this objective, a novel optimization problem is formulated by considering queueing-overflow probability constraints of the IoT devices with stochastic data arrival, backhaul capacity constraint, and energy causality constraint at the UAV relay. The considered resource optimization is NP-hard, and an iterative solution is proposed by exploiting structure of the optimization problem. Furthermore, a three-stage optimization is devised to solve an NP-complete fractional optimization problem at each iteration of the proposed solution. An algorithm of polynomial computational complexity is developed for joint connectivity maximization and resource allocation, and convergence of the developed algorithm is proved. Using extensive simulations, efficiency of the proposed algorithm is demonstrated for improving the supportable arrival rate per IoT device and the number of the connected IoT devices in uplink of a U-IoT 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.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle