Hybrid Cognitive-Radio NOMA with Blind Transmission Mode Identification and BER Constraints
Notice bibliographique
Résumé
The synergy of nonorthogonal multiple access (NOMA) and cognitive radio (CR) can provide efficient spectrum utilization for future wireless networks and enable supporting heterogeneous quality of service (QoS) requirements. In this context, this article aims at evaluating the throughput of a downlink CR-NOMA network where the secondary user (SU) data is opportunistically multiplexed with the primary user (PU) data using power-domain NOMA. The data multiplexing process is constrained by the PU QoS requirements. The multiplexing process can be considered seamless with respect to the PU because its receiver design will generally remain unchanged. Moreover, we consider the case where the SU detects its own data by blindly identifying the adopted transmission mode (TM) at the base station, which can be PU orthogonal multiple access PU-OMA, SU-OMA, PU/SU-NOMA, and no transmission. Consequently, the network can be classified as a hybrid underlay-interweave. The detection process is considered blind because the SU does not receive side information about the adopted TM. The obtained analytical results corroborated by Monte Carlo simulation results show that the proposed CR-NOMA network can provide substantial throughput improvement over conventional NOMA networks, particularly at low signal-to-noise ratios (SNRs) because the unutilized PU spectrum can be used by the SU. Moreover, in good channel conditions the PU can tolerate some interference from the SU, which may improve the channel utilization significantly.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».