Energy-Efficient Interference-Aware Cognitive Machine-to-Machine Communications Underlaying Cellular Networks
Notice bibliographique
Résumé
Machine-to-machine (M2M) communications can effectively utilize cognitive radio (CR) to coexist with cellular users in what is known as cognitive M2M (CM2M) communications. In this system, underlay CR is used to manage spectrum sharing among machine type communication devices (MTCDs) and cellular user equipment (CUE) where the CUE are considered to be primary users (PUs) and the MTCDs are secondary users (SUs). Moreover, due to the limited battery capacity of MTCDs and diverse quality-of-service (QoS) requirements of both MTCDs and CUE, energy efficiency (EE) is critical to prolonging network lifetime. This paper investigates the power allocation problem for energy-efficient CM2M communications underlaying cellular networks. Underlay CR is employed to manage the coexistence of MTCDs and CUE and exploit spatial spectrum opportunities to improve spectrum utilization. Two power allocation problems are proposed where the first targets MTCD power consumption minimization while the second considers MTCD EE maximization subject to MTCD transmit power constraints, MTCD minimum data rate requirements, and CUE interference limits. The proposed power consumption minimization problem is transformed into a geometric programming (GP) problem and solved iteratively. The proposed EE maximization problem is a nonconvex fractional programming problem. Hence, a parametric transformation is used to convert it into an equivalent convex form and this is solved using an iterative approach. Simulation results are presented which show that the proposed algorithms provide MTCD power allocation with lower power consumption and higher EE than the equal power allocation (EPA) scheme while satisfying the constraints.
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 | 0,001 | 0,001 |
| 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 ».