Robust Downlink Transmission Design in IRS-Assisted Cognitive Satellite and Terrestrial Networks
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
Cognitive satellite and terrestrial network (CSTN) is considered as a promising technology to provide ubiquitous connectivity for various users within wide-coverage. This paper proposes a robust downlink transmission scheme for multiple intelligent reflecting surfaces (IRSs) assisted CSTN. Here, the satellite network adopts multigroup multicast transmission scheme to serve many earth stations, while the terrestrial network exploits space division multiple access and multi-IRS-enhanced non-orthogonal multiple access technology to communicate with many terrestrial users. By assuming that these two networks share the same frequency band having only the angular information based imperfect channel state information of each user, we formulate an optimization problem to minimize the total transmit power subject to the constraints of quality-of-service requirement for each user, per-antenna transmit power budgets of satellite and BS, and unit-modulus requirement for each reflecting element. To tackle this mathematically intractable problem, we then employ angular discretization together with the successive convex approximation method to obtain the active beamforming (BF) vectors of satellite and BS, the passive BF vector of IRS, and the power allocation coefficients. Moreover, we propose a generalized zero forcing BF and alternative optimization to obtain the suboptimal solutions of the optimization problem with low computational complexity. Finally, simulation results are given to demonstrate the effectiveness and superiority of the proposed two schemes over the benchmarks.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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