Spectrum Monitoring Techniques for Spectrum Mobility in Connected Environments: A Technical Review
Notice bibliographique
Résumé
The internet of everything (IoEs) has become a well-known tool for transforming the concept of connected environments into reality in near future.The cognitive radio network is a potential candidate that addresses the issues of efficient spectrum utilization for next generation connected environments.Further, the spectrum mobility plays a significant role in cognitive connected environments during communication, for switching the channel on the appearance of primary user (PU) throughout the cognitive users' (CUs') data transmission.The performance of spectrum mobility relies on the ability of the system: 1) to detect the appearance of PU as soon as possible and 2) to stop the data transmission aswell-as switch to another channel.The potential approaches to detect the appearance of PU during CUs' data transmission are the "spectrum prediction (SP)" and "spectrum monitoring" (SM).The SP relies on the pre-available information about the channel and PUs' activities which is well explored technique, however, the SM is a real-time approach and is in its infancy.In this paper, several SM techniques with their effects on the spectrum mobility are illustrated.Moreover, the concept of imperfect SM is introduced and its effects on various performance metrics are investigated.Further, a potential approach of cooperative SM is proposed to diminish the effects of imperfections.In addition to this, the potential issues as well as research challenges regarding these techniques are presented.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».