Leveraging RIS in Consumer-Centric 6G Networks: Efficient Resource Allocation in RSMA-Based SWIPT Systems Under Hardware Impairments
Notice bibliographique
Résumé
This manuscript proposes an efficient resource management strategy for a rate-splitting multiple access (RSMA) based simultaneous wireless information and power transfer (SWIPT) system by leveraging reconfigurable intelligent surface (RIS) in consumer-centric sixth-generation (6G) networks for industry 5.0, under residual hardware impairments (RHIs) both at the transmitter and receiver nodes. Specifically, we aim to maximize the sum-rate of a RIS-assisted RSMA-based SWIPT system by incorporating a practical non-linear energy-harvesting model, while adhering to the quality-of-service (QoS), power-budget, power-splitting ratios, energy-conservation, and energy-harvesting constraints of the system. Moreover, the presented optimization technique addresses the highly non-convex problem in four distinct steps. Firstly, the power-allocation for both common and private messages of RSMA users is determined by converting a significantly non-convex power-allocation problem into a convex one by exploiting the successive-convex approximation (SCA) technique. Secondly, power-splitting ratios for RSMA users are computed by using the interior-point method facilitated by the Mosek-enabled toolbox in CVX. Thirdly, it computes transmit passive beamforming of a transmitter equipped with a transmissive-RIS (T-RIS), by exploiting SCA and semidefinite relaxation (SDR) techniques. Finally, passive beamforming vectors for the transmission and reflection regions of a simultaneously transmitting and reflecting reconfigurable intelligent surface (STAR-RIS) node are determined by converting a non-convex problem into a standard SDP problem using SCA, SDR, and Gaussian randomization techniques. Additionally, numerical simulation results affirm the effectiveness of the proposed optimization strategy, indicating superior performance against benchmark techniques and fast convergence within a reasonable number of iterations.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».