Energy-Efficient Clustering and Power Allocation in RSMA-Enabled IoT Networks with Finite Blocklength Coding and Hardware Impairments
Notice bibliographique
Résumé
As the number of internet of things (IoT) devices grows rapidly, ensuring energy efficiency (EE) in IoT networks is becoming a crucial concern. In dense IoT networks, scheduling multiple IoT devices over the same radio resource blocks (RRBs) simultaneously causes interference that can severely degrade a network’s EE. This paper investigates a resource optimization problem for IoT networks that considers both finite blocklength (FBL)-coded transmission and signal distortions caused by practical low-complexity radio frequency front ends that lead to hardware impairments (HWIs). We exploit ratesplitting multiple access (RSMA) to schedule multiple IoT devices over the same RRB. We propose to jointly optimize device clustering and transmit power allocation in order to enhance the network’s EE while managing interference. A twostep framework is devised to solve the optimization problem in a distributed and computationally efficient manner. First, IoT devices are clustered into non-overlapping groups and the RSMA strategy is implemented in each cluster. Second, a deep-Q network-based multi-agent reinforcement learning framework is employed to near-optimally allocate transmit power among the devices in each cluster. Our simulation results shown that our proposed framework enhances the EE of a downlink RSMA IoT network notably more than state-of-the-art transmit PA schemes do in the presence of FBL coding and HWI-induced distortions.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».