UAV-Assisted IoT Data Collection Scheme for IRS-Enabled Backscatter Communication Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Data collection schemes assisted by uncrewed aerial vehicle (UAV) play a key role in Internet-of-Things (IoT) networks. Nonetheless, the massive IoT devices bring new challenges, especially the high energy consumption. The backscatter communication (BackCom) technique can utilize ambient signals for passive transmission, thus being applicable to IoT systems. Due to its numerous reflecting elements, Intelligent Reflecting Surface (IRS) can accomplish backscatter with high beamforming gain. Thus, IRS is suitable to alleviate the double-fading effect, which significantly restrains the development of BackCom networks. This paper utilizes the IRS-based BackCom technique to achieve efficient IoT data collection with the help of a UAV. The UAV provides carriers for multiple IRSs, which can emit data through backscatter. Then, the UAV collects the backward data dynamically. To maximize the collected data, the UAV’s transmit power, trajectory, and the IRS’s beamformers are jointly optimized. The optimization is realized through an alternative algorithm based on block coordinate descent (BCD) and reinforcement learning (RL). The Lagrangian dual transformation and semi-definite relaxation (SDR) approaches are employed to address the non-convexity of the problem effectively. Finally, simulation results demonstrated the effectiveness and feasibility of the proposed optimization scheme in the introduced system model.
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.
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 découle