Optimal Allocation of Scarce Pilot Resources for OFDMA-Based Underwater Acoustic Sensor Networks
Notice bibliographique
Résumé
Underwater acoustic sensor networks (UASNs) constitute the primary infrastructure for the Internet of Underwater Things (IoUT), but they face constraints in high-rate reliable transmission due to the complex underwater acoustic (UWA) channel characteristics and the scarce pilot resources. Orthogonal frequency division multiple access (OFDMA) has been widely adopted in UASNs owing to its capability for multi-user parallel transmission and flexible resource allocation. However, the severely limited and non-uniformly distributed pilots pose significant challenges for multi-user channel estimation in OFDMA-based UASNs. To address these challenges, this paper establishes a compressed sensing (CS)-based multi-user channel estimation model for OFDMA-based UASNs. Considering the significant variations in channel conditions among different UWA links, we propose an adaptive pilot allocation method that dynamically optimizes the number of pilots assigned to each user. Building on this, we further propose a bi-objective joint pilot position and power optimization (BOJPO) algorithm, which simultaneously minimizes both the mutual coherence and total coherence of the measurement matrix to enhance estimation accuracy. Simulation and sea experiment results demonstrate that the proposed pilot optimization scheme exhibits superior performance, delivering stable and reliable channel estimation for OFDMA-based UASNs despite severely scarce pilot resources.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 ».