MétaCan
Menu
Retour à la cohorte
Enregistrement W4409249088 · doi:10.1109/jiot.2025.3558863

Joint Phase-Shift Design and Power Control for Near- and Far-Field Communications in Extremely Large RIS-Aided UAV Networks

2025· article· en· W4409249088 sur OpenAlexafffund
Tinh T. Bui, Dang Van Huynh, Long D. Nguyen, Haejoon Jung, Trung Q. Duong

Notice bibliographique

RevueIEEE Internet of Things Journal · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueUAV Applications and Optimization
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesInstitute for Information and Communications Technology PromotionCanada Excellence Research Chairs, Government of Canada
Mots-clésJoint (building)Computer sciencePower controlPower (physics)Field (mathematics)Near and far fieldElectrical engineeringElectronic engineeringTelecommunicationsEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

This paper investigates the integration of drone (aka UAV)-assisted networks with a reconfigurable intelligent surface (RIS) to enhance energy efficiency in near-and far-field communication scenarios. The coexistence of near-field and far-field communications introduces unique challenges in ensuring efficient resource allocation, managing interference, and meeting quality of service requirements for users. Primary users in the near-field areas have stronger signal links, while secondary users and primary far-field users face increased path loss and interference, necessitating sophisticated optimisation strategies to balance their performance. To address these challenges, we propose a joint optimisation framework for transmission power allocation and RIS phase-shift design. The framework aims to maximise energy efficiency while maintaining reliable communication for all user groups, leveraging the complementary characteristics of UAV and RIS technologies. The low-complexity optimisation approach is developed, leveraging advanced successive convex approximation techniques and iterative algorithms. The framework consists of the Dinkelbach algorithm for the outer loop and a combination of linear and convex optimisation algorithms for the inner loop. Linear programming is employed to handle the large number of variables, such as phase-reflecting coefficients, while convex programming is used to optimise power allocation in UAVs, with convergence guaranteed. Simulation results reveal significant energy efficiency gains compared to baseline methods, demonstrating the effectiveness of the proposed framework in managing the coexistence of near-and far-field communications. The findings underscore the importance of energy-efficient design in enabling scalable and sustainable UAV-assisted networks, offering valuable insights for the development of high-performance next-generation communication 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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,945
Score d'incertitude au seuil0,384

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,271
Écart entre enseignants0,252 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Internet of Things JournalMême sujetUAV Applications and OptimizationTravaux en français237 207