The development of 5G terrestrial mobile communications technology has been a driving force for revolutionizing satellite mobile communications. Satellite mobile communications, which carry many unique features, such as large coverage and support for reliable emergency communications, should satisfy the requirements for convergence between terrestrial mobile communications and satellite mobile communications for future broadband hybrid S-T communications. On the other hand, CR is an attractive technique to support dynamic single-user or multi-user access in hybrid S-T communications. This article first discusses several key issues in applying cognitive radio to future broadband satellite communications toward 5G. Then we present an overview of future broadband hybrid S-T communications systems, followed by an introduction to a typical application scenario of futuristic CR-broadband hybrid S-T communication systems toward 5G. Moreover, we propose a space segment design based on a spectrum-sensing-based cooperative framework, in consideration of the presence of MUs. An experiment platform for the proposed CR-based hybrid S-T communications system is also demonstrated.

The shortage of spectrum resources has limited the development of Internet of Things (IoT). Fifth generation (5G) network can flexibly support a variety of devices and services, which makes it possible to combine 5G with IoT. In this paper, a novel multichannel IoT is proposed to dynamically share the spectrum with 5G communication, where an IoT node including transmitter and receiver is designed to perform 5G communication and IoT communication simultaneously. The subchannel sets allocated for 5G communication and IoT communication are defined by two complementary spectrum marker vectors, respectively. Two independent spectrum sequences are generated by calculating the inner products of spectrum marker vectors, presudo-random phases and power scaling vectors. Two time-domain fundamental modulation waveforms generated by the inverse fast Fourier transform of the spectrum sequences are used to modulate 5G data and IoT data, respectively. The receiver can detect the data using the same spectrum marker vectors as the transmitter. The BER performances of the system using binary modulation and cyclic code shift keying modulation in the cases of spectrum marker error and multiple access are analyzed, respectively. A subchannel and power optimization unit is formulated as a joint optimization problem, which seeks to maximize the 5G throughput under the constraints of minimal IoT throughput, maximal power, and maximal interference. An alternative optimization problem is proposed to maximize the IoT throughput while guaranteeing the minimal 5G throughput. A joint optimization algorithm based on Lagrange dual decomposition is proposed to achieve the optimal solution. Simulation results indicate that the proposed IoT can improve the 5G throughput significantly while the IoT throughput is guaranteed.

Objective To identify cortical and subcortical volume, thickness and cortical area features and the networks they constituted related to anxiety in Parkinson’s disease (PD) using structural magnetic resonance imaging (sMRI), and to integrate multimodal features based on machine learning to identify PD-related anxiety. Methods A total of 219 patients with PD were retrospectively enrolled in the study. 291 sMRI features including cortical volume, subcortical volume, cortical thickness, and cortical area, as well as 17 clinical features, were extracted. Graph theory analysis was used to explore structural networks. A support vector machine (SVM) combination model, which used both sMRI and clinical features to identify participants with PD-related anxiety, was developed and evaluated. The performance of SVM models were evaluated. The mean impact value (MIV) of the feature importance evaluation algorithm was used to rank the relative importance of sMRI features and clinical features within the model. Results 17 significant sMRI variables associated with PD-related anxiety was used to build a brain structural network. And seven sMRI and 5 clinical features with statistically significant differences were incorporated into the SVM model. The comprehensive model achieved higher performance than clinical features or sMRI features did alone, with an accuracy of 0.88, a precision of 0.86, a sensitivity of 0.81, an F1-Score of 0.83, a macro-average of 0.85, a weighted-average of 0.92, an AUC of 0.88, and a result of 10-fold cross-validation of 0.91 in test set. The sMRI feature right medialorbitofrontal thickness had the highest impact on the prediction model. Conclusion We identified the brain structural features and networks related to anxiety in PD, and developed and internally validated a comprehensive model with multimodal features in identifying.

Large-scale low earth orbit (LEO) satellite communication systems are integral to future 6G communication networks. Due to the scarcity and mobility of satellite network resources, it is necessary to integrate software defined network (SDN) and network function virtualization (NFV) into the large-scale LEO satellite-terrestrial network. In this paper, we propose a centralized and distributed software-defined satellite network architecture. Under this architecture, we focus on the virtual network function (VNF) deployment and flow scheduling problem (VDS). Considering user delay performance and limited satellite network resources, we formulate the VDS problem as a nonlinear binary programming (NLBP) problem, which includes 0-1 fractional and piecewise function programming. To address this challenge, we linearize the NLBP problem and propose a Mixed Integer Linear Programming (MILP)-based exact method to obtain optimal solutions for small-scale scenarios. Furthermore, we propose a resource-efficient VNF deployment and flow scheduling algorithm (RE-VDS) to efficiently obtain suboptimal solutions for large-scale scenarios. Simulation results demonstrate that our proposed algorithm closely approximates the optimal solution in small-scale scenarios and exhibits favorable performance in terms of system resource utilization, load balancing, and trade-off user performance and operator profit in large-scale scenarios.

Abstract This paper presents a novel approach to optimizing plunger lift operations in gas wells through the development of an improved dynamic model and an efficient optimization algorithm. We introduce an enhanced plunger lift mechanism model that integrates reservoir dynamics using classic production relationships, such as Vogel's Inflow Performance Relationship (IPR), and accounts for variable plunger velocities. The model combines a two-phase component approach for liquid and gas with a black oil model, improving the accuracy of fluid property estimations and providing a versatile simulation tool. To address the limitations of traditional optimization methods, we implement an improved Simultaneous Perturbation Stochastic Approximation (SPSA) algorithm. This allows for real-time, intelligent optimization of critical plunger lift parameters, including cycle duration, plunger ascent time, and control valve status. The optimization method is applied to both dual-cycle and quad-cycle plunger lift scenarios. Results demonstrate significant improvements in net present value (NPV), with increases of 65% for dual-cycle and 98% for quad-cycle operations, without modifying underlying reservoir or fluid models. The model's key operational parameters show strong agreement with commercial software results, validating its accuracy and reliability. This research contributes to the advancement of plunger lift technology by providing a more accurate dynamic model and an efficient optimization methodology. The proposed framework offers valuable decision-making support for field operations, potentially leading to substantial improvements in production efficiency and economic outcomes in gas well operations.