A Multi-Channel Spectrum Sensing Fusion Mechanism for Cognitive Radio\n Networks: Design and Application to IEEE 802.22 WRANs
Notice bibliographique
Résumé
The IEEE 802.22 is a new cognitive radio standard that is aimed at extending\nwireless outreach to rural areas. Known as wireless regional area networks, and\ndesigned based on the not-to-interfere spectrum sharing model, WRANs are\nchannelized and centrally-controlled networks working on the under-utilized\nUHF/VHF TV bands to establish communication with remote users, so-called\ncustomer premises equipment (CPEs). Despite the importance of reliable and\ninterference-free operation in these frequencies, spectrum sensing fusion\nmechanisms suggested in IEEE 802.22 are rudimentary and fail to satisfy the\nstringent mandated sensing requirements. Other deep-rooted shortcomings are\nperformance non-uniformity over different signal-to-noise-ratio regimes,\nunbalanced performance, instability and lack of flexibility. Inspired by these\nobservations, in this paper we propose a distributed spectrum sensing technique\nfor WRANs, named multi-channel learning-based distributed sensing fusion\nmechanism (MC-LDS). MC-LDS is demonstrated to be self-trained, stable and to\ncompensate for fault reports through its inherent reward-penalty approach.\nMoreover, MC-LDS exhibits a better uniform performance in all traffic regimes,\nis fair (reduces the false-alarm/misdetection gap), adjustable (works with\nseveral degrees of freedom) and bandwidth efficient (opens transmission\nopportunities for more CPEs). Simulation results and comparisons unanimously\ncorroborate that MC-LDS outperforms IEEE 802.22 recommended algorithms, i.e.,\nthe AND, OR and VOTING rules.\n
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 | 0,001 | 0,001 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».