Optimal Resource Allocation for RF-Powered Underlay Cognitive Radio Networks With Ambient Backscatter Communication
Notice bibliographique
Résumé
In this paper, we study radio frequency (RF)-powered underlay cognitive radio networks (CRNs) with power-domain non-orthogonal multiple access (NOMA). In these networks, by using the harvest-then-transmit (HTT) mode, secondary transmitters (STs) can use the harvested energy to simultaneously transmit data based on power-domain NOMA. However, in this mode, the throughput of the secondary system heavily depends not only on the harvested energy, but also on the stringent interference threshold imposed by the primary users. Furthermore, ambient backscatter communication (ABC) has been introduced as a promising technique which enables STs to transmit information by modulating and reflecting ambient RF signals. Therefore, it has the potentiality to be integrated into the RF-powered underlay CR-NOMA networks to improve the throughput of the secondary system. In these networks, each ST works on either the HTT mode or the ABC mode, but not simultaneously. In order to meet the interference constraint of the primary users, STs control their transmit power by finding the appropriate tradeoff between the HTT mode and the ABC mode. We formulate an optimization problem with the goal of achieving the maximum throughput by finding the optimal time resource allocation between the HTT mode and the ABC mode under the strict transmit power constraint at STs. Then the Lagrangian multiplier iterative algorithm is adopted to solve this optimization problem. Simulation results demonstrate that our proposed scheme can significantly improve the performance of the secondary system by comparing it with the other two baseline schemes.
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 | 0,001 |
| 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 | 0,001 |
| 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 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 ».