Resource Allocation for Adaptive Beam Alignment in UAV-Assisted Integrated Sensing and Communication Networks
Notice bibliographique
Résumé
Due to the high dynamic of unmanned aerial vehicle (UAV), the beam of UAV-mounted aerial base station (ABS) is difficult to align with ground users (GUs) and macro-cell base stations (MBSs), thereby reducing the communication rate. Towards this end, the channel state information of communication is used to assist onboard radar of ABS to sense the locations of GUs and MBSs for beam alignment to increase communication rate. To clarify the mechanism of mutual assistance between sensing and communication, we first derive the fundamental communication rate lower bound of integrated sensing and communication by utilizing the Cramér-Rao Bound. We find that the sensing power, sensing time, and transmit power between GU-ABS and ABS-MBS mutually influence the bounds of their communication rates with the shared frequency between sensing and communication. Accordingly, the maximizing communication rate problem is established by jointly optimizing transmit power, sensing power, and sensing dwell time allocation, which is decoupled into GU-ABS and ABS-MBS resource allocation subproblems. To reduce the computation complexity, a deep reinforcement learning based algorithm is proposed to solve this problem to replace the successive convex approximation technique. The simulation results demonstrate that the proposed approach is effective in maximizing the communication rate.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 | 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 ».