MétaCan
Menu
Retour à la cohorte
Enregistrement W4210916635 · doi:10.1109/lcomm.2022.3149467

UAV Placement and Resource Allocation for Intelligent Reflecting Surface Assisted UAV-Based Wireless Networks

2022· article· en· W4210916635 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.

Notice bibliographique

RevueIEEE Communications Letters · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Wireless Communication Technologies
Établissements canadiensInstitut National de la Recherche Scientifique
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésBackhaul (telecommunications)Computer scienceWirelessOptimization problemChannel allocation schemesBandwidth allocationLinear programmingMathematical optimizationComputer networkWireless networkResource allocationBandwidth (computing)Distributed computingAlgorithmTelecommunicationsMathematics

Résumé

récupéré en direct d'OpenAlex

We design an unmanned aerial vehicle (UAV) based wireless network with wireless access and backhaul links leveraging an intelligent reflecting surface (IRS). This design aims to maximize the sum rate achieved by ground users (GUs) through optimizing the UAV placement, IRS phase shifts, and sub-channel assignments considering the wireless backhaul capacity constraint. To tackle the underlying mixed integer non-linear optimization problem (MINLP), we first derive the closed-form IRS phase shift solution; we then optimize the sub-channel assignment and UAV placement by using the alternating optimization method. Specifically, we propose an iterative sub-channel assignment method to efficiently utilize the bandwidth and balance bandwidth allocation for wireless access and backhaul links while maintaining the backhaul capacity constraint. Moreover, we employ the successive convex approximation (SCA) method to solve the UAV placement optimization sub-problem. We show the effectiveness of our proposed design via extensive numerical studies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,863
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,054
Tête enseignante GPT0,298
Écart entre enseignants0,244 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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