Joint Distributed Beamforming and Backscattering for UAV-Assisted WPSNs
Notice bibliographique
Résumé
This paper studies an unmanned aerial vehicle (UAV)-assisted wireless powered sensor network (WPSN), where sensor nodes of multiple types can simultaneously harvest radio-frequency energy from the UAV and then transmit sensing data by using harvested energy. A joint distributed beamforming (DBF) and backscattering scheme is designed, in which the sensor nodes of one type can perform DBF while the sensor nodes of other types perform distributed backscattering (DBS) to improve the received signal strength. A sum-throughput maximization problem is formulated by jointly optimizing DBF phases, DBS phases, and time allocation (TA), subject to the received signal-to-noise ratio constraints. Since the formulated problem is difficult to be solved due to the tightly coupled optimizing variables, the problem is decoupled into a TA subproblem and a phase optimization subproblem, and then a two-step algorithm is proposed to solve them. Firstly, the closed-form solution for the TA subproblem is derived according to Karush-Kuhn-Tucker conditions. Secondly, based on iterative optimization and one-dimensional search methods, a centralized algorithm is proposed to obtain the optimal solution for the phase optimization subproblem. Moreover, a decentralized algorithm that obtains the suboptimal solution is proposed to reduce the computational complexity. Extensive simulation results validate the effectiveness of the proposed scheme on throughput enhancement.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».