Transmit Power-Efficient Beamforming Design for Integrated Sensing and Backscatter Communication
Notice bibliographique
Résumé
Ambient Internet of Things networks use low-cost, low-power backscatter tags in various applications, and sensing is necessary to introduce perceptive intelligence to the network. In this work, an integrated sensing and backscatter communication (ISABC) system is thus introduced, comprising multiple backscatter tags, a user (reader), and a full-duplex base station (BS) with integrated sensing and communication (ISAC). The BS simultaneously detects backscatter tags and communicates with the user using the same time and frequency resources. The tag-reflected signals provide data to the user and allow the BS to sense the tags’ state information. The communication rates for both the user and tags and the BS sensing rate are derived. To minimize the total BS transmit power, the BS communication beamformer, sensing signal, tags’ reflection coefficients, and sensing combiners are jointly optimized using the alternating optimization technique. Closed-form solutions are provided for the sensing combiners, while semi-definite relaxation is applied to the BS communication beamformer and sensing signal, and slack optimization is used for the tags’ reflection coefficients. For instance, with ten BS antennas, ISABC achieves a 75% gain in combined communication and sensing rates compared to traditional backscatter, with only a 3.4% increase in transmit power. Additionally, ISABC with active tags requires just a 0.24% increase in power compared to conventional ISAC systems.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».