NOMA-Aided UAV Data Collection from Time-Constrained IoT Devices
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
Non-orthogonal multiple access (NOMA) is one of the promising access technologies to improve spectral efficiency and serve a higher number of users simultaneously. The latter proves important in time-sensitive services when data has to be collected before a set deadline, otherwise, the data is rendered useless. Therefore, in this paper, we utilize a NOMA-aided unmanned aerial vehicle (UAV) for data collection from time-constrained IoT devices. We optimize the trajectory of the UAV, IoT devices scheduling, and power allocation to maximize the number of served devices while considering the constraints of UAV energy and flight duration, and NOMA clustering. Given the complexity of the problem and the incomplete knowledge about the environment, it is divided into two subproblems. In the first subproblem, the UAV trajectory and the selection of the first device in the NOMA cluster at each time slot are modeled as a Markov Decision Process, and Proximal Policy Optimization is used to solve it. For the second device selection, a heuristic algorithm is used based on prioritizing devices with higher bit rate requirements and strict deadlines. The second subproblem considers power allocation inside the NOMA cluster, where it is formulated as an optimization problem for maximizing the sum rates of the two selected users. Finally, we demonstrate the performance gains of our solution in different scenarios while varying the system parameters as compared with alternative approaches. In particular, our proposed solution achieves a 10% to 30% performance gain compared to the traditional orthogonal multiple access scheme.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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