Transmission Design and Optimization for STAR-RIS-Assisted Symbiotic Radio Systems
Notice bibliographique
Résumé
This paper develops a simultaneously transmitting and reflecting reconfigurable intelligent surface (STAR-RIS)-assisted symbiotic radio (SR) system, in which the STAR-RIS is deployed to transmit extra Internet of Things (IoT) data and simultaneously enhance the downlink transmission. A simple and efficient ON-OFF keying modulation scheme is applied by the STAR-RIS to modulate IoT data, which allows a low-complexity IoT transceiver and avoids the signal ambiguity. This work aims to maximize the weighted sum-rate (WSR) of downlink users, subject to the minimum received energy requirement of IoT transmission. Under the assumption of perfect channel state information (CSI), an efficient penalty dual decomposition (PDD)-based algorithm is proposed to solve the WSR maximization problem. By leveraging the PDD framework, the STAR-RIS’s coefficients are updated with close-form expressions. For the imperfect CSI case, the WSR maximization problem becomes a challenging stochastic optimization task. To address it, the constrained stochastic successive convex approximation framework is employed. Additionally, an efficient projection method is proposed to handle the STAR-RIS’s amplitude and coupled phase-shift constraints. Simulation results reveal the performance trade-off between the downlink transmission and the IoT transmission and validate the superiority of the proposed algorithms over the benchmarks.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».