Energy-Saving Deployment Optimization and Resource Management for UAV-Assisted Wireless Sensor Networks With NOMA
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-saving techniques are vital for the battery-powered sensor devices (SDs), which affect their lifetime. In this paper, we propose an air-and-ground cooperative wireless sensor network (AGWSN), wherein several UAVs are deployed as aerial access points (AAPs) to assist the terrestrial access point (TAP) for data collecting. The positions of the AAPs can be modified to approach the cell-edge SDs, therefore reducing the energy of the SDs expended in uploading data. To fully exploit the potential of the AGWSN, we formulate a joint AAP position optimization, channel allocation, and power control problem to minimize the total power consumption of all SDs subject to their decoding threshold. To solve the formulated problem, we first analyze the optimal user pairing rule in each cell and based on the rule propose a maximum-weighted-independent-set inspired algorithm for the AAP position optimization. Then, we remodel the channel allocation problem as an interference minimization problem and devise a K-CUT based algorithm to solve it. We further propose a low-complex iterative algorithm to obtain the optimal transmission power for each SD. The performance of the proposed algorithms is evaluated via theoretical analysis and numerical simulation. Simulation results indicate that if the intracell and intercell interference are not well coordinated, the superiorities of the AGWSN cannot be developed, and its performance is even worse than the traditional terrestrial network (TTN). Cooperated with our algorithms, the AGWSN significantly outperforms the TTN in terms of total power consumption and probability of successful decoding.
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 | 0,001 |
| 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 | 0,000 |
| 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