Maximizing IoT Throughput with Optimized IRS-Assisted Symbiotic Radio
Notice bibliographique
Résumé
Symbiotic Radio (SR) is one of the techniques recognized by 6G for wireless communication networks performance enhancement.In this paper, SR is used to improve the performance of the Internet of Things (IoT) network by enabling IoT tags backscatter the neighbor smart phone primary signal rely on the None Orthogonal Multiple Access (NOMA) technique.Furthermore, Intelligent Reflecting Surfaces (IRS) are also proposed to enhance the channel Quality of Service (QoS); the service performance; between the IoT tags and the smartphones either using LTE or Wi-Fi network by smartly reconfiguring the signal propagation for performance improvement.We formulate an optimization problem to achieve the optimum location and phase shifts of the IRS, aiming to maximize the throughput of the IoT system.Proximal Policy Optimization (PPO) algorithm is introduced as a solution for this problem.The main idea of PPO is to minimize the divergence between the new and old policy while maximizing the expected reward.This is achieved by using a surrogate objective function that approximates the policy update.Simulation results demonstrate that the proposed algorithms can improve the total system data rate by an average of 40% above the system without using IRS and it also, improves the system capacity by 40% on average when compared to a system without the IRS scheme at smart phones 𝑝 =4 which serve tags 𝒯 =20.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».