Angular Information Based Robust Downlink Transmission for IRS-Enhanced Cognitive Satellite-Aerial Networks
Notice bibliographique
Résumé
This paper proposes a downlink transmission for intelligent reflecting surface (IRS) enhanced cognitive-satellite-aerial-network, which can provide heterogeneous services for various users. The satellite adopts multicast transmission scheme to provide content-aware services for many satellite terminals, while the aerial platform offers connection-centric services for users having line-of-sight links through space division multiple access, and for users locating in blocked aera via IRS-enhanced non-orthogonal multiple access. Assuming that the satellite network and aerial network share the same spectrum, and only the imperfect channel state information is available, we formulate a total transmit power minimization problem subject to the outage probability constraints for users, the per-antenna transmit power budgets of satellite and aerial platform, and unit-modulus requirement for IRS. To tackle this mathematically intractable problem, we propose an alternation-based robust transmission algorithm, combining the central limit theorem, successive convex approximation and penalty function, to optimize the beamformers of satellite and aerial platform, phase shifts and power allocation. Furthermore, we propose a generalized zero-forcing based low-complexity robust transmission algorithm, integrating the second-order Taylor expansion and Bernstein-type inequality, to obtain a satisfactory performance while reducing the computational load. Finally, simulation results validate the effectiveness of the proposed two algorithms and show the superiority to 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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».