A Joint Optimization Framework for IRS-Assisted Energy Self-Sustainable IoT Networks
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
Energy self-sustainability is critically important for future Internet of Things (IoT) networks to support an ever-growing massive number of wireless devices with low maintenance cost and high spectrum/energy efficiency. Power-splitting (PS)-based simultaneous wireless information and power transfer (PS-SWIPT) is a promising solution to realize it. However, the performance of PS-SWIPT is severely influenced by the channel attenuation caused by the detrimental radio propagation environment. Intelligent reflecting surface (IRS) is an emerging technology that can reconfigure the incident signal with considerable array gain so as to improve the PS-SWIPT performance. Thus, in this article, we investigate the weighted sumrate (WSR) maximization problem of the IRS-assisted multi-input–multioutput (MIMO) PS-SWIPT IoT network with multiple low-power IoT PS-based devices (PSDs). The formulated problem is nonconvex and arduous to tackle due to the presence of the intricately coupled variables and the mutually exclusive constraints. To the best of our knowledge, the problem is not addressed yet and cannot be solved by employing the existing methods directly. To cope with the problem, we develop a joint optimization framework that decomposes the original problem into several subproblems that can be solved alternately. Simulation results confirm the effectiveness of IRS to improve the WSR of the PS-SWIPT energy self-sustainable IoT networks and demonstrate that the proposed algorithm outperforms benchmark methods considerably.
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 | 0,000 | 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