In a cognitive radio network, the secondary users are allowed to utilize the frequency bands of primary users when these bands are not currently being used. To support this spectrum reuse functionality, the secondary users are required to sense the radio frequency environment, and once the primary users are found to be active, the secondary users are required to vacate the channel within a certain amount of time. Therefore, spectrum sensing is of significant importance in cognitive radio networks. There are two parameters associated with spectrum sensing: probability of detection and probability of false alarm. The higher the probability of detection, the better the primary users are protected. However, from the secondary users' perspective, the lower the probability of false alarm, the more chances the channel can be reused when it is available, thus the higher the achievable throughput for the secondary network. In this paper, we study the problem of designing the sensing duration to maximize the achievable throughput for the secondary network under the constraint that the primary users are sufficiently protected. We formulate the sensing-throughput tradeoff problem mathematically, and use energy detection sensing scheme to prove that the formulated problem indeed has one optimal sensing time which yields the highest throughput for the secondary network. Cooperative sensing using multiple mini-slots or multiple secondary users are also studied using the methodology proposed in this paper. Computer simulations have shown that for a 6 MHz channel, when the frame duration is 100 ms, and the signal-to-noise ratio of primary user at the secondary receiver is -20 dB, the optimal sensing time achieving the highest throughput while maintaining 90% detection probability is 14.2 ms. This optimal sensing time decreases when distributed spectrum sensing is applied.

Among the main components of a smart city, the energy system plays a vital and core role in the transition towards a sustainable urban life. Furthermore, the utilization of renewable energy sources has been demonstrated as a significant contribution to reducing pollutant emissions and enhancing the quality of the living environment. Therefore, designing the energy systems based on clean and renewable criteria is considered a sustainable solution for smart cities. Indeed, the deep and rapid penetration of renewable energy-based technologies have been believed to very well fit into a smart city under various scales, this could supply a secure basis for a modern society with a low-carbon economy. In this review paper, the main components and roles of renewable energy resources (such as solar, wind, geothermal, hydropower, ocean, and biofuels) for the smart city were fully introduced. Besides, integrating the renewable sources form into the energy systems of smart cities was thoroughly analyzed on the basis of technical and economic criteria. Finally, existing challenges and future scenarios were also discussed in detail to clarify the progress and perspective of smart renewable energy systems for the smart city. In general, the integration of renewables into energy systems of the smart city is a sagacious perspective and solution aiming to achieve cleaner process and more sustainable development. However, the optimization issues of the energy system for integrating of renewable components, ensuring good stability, maximizing the operating range, and minimizing the investment costs should be critically evaluated in the future works.

Being declared a global emergency, the COVID-19 pandemic has taken many lives, threatened livelihoods and businesses around the world. The energy industry, in particular, has experienced tremendous pressure resulting from the pandemic. In response to such a challenge, the development of sustainable resources and renewable energy infrastructure has demonstrated its potential as a promising and effective strategy. To sufficiently address the effect of COVID-19 on renewable energy development strategies, short-term policy priorities should be identified, while mid-term and long-term action plans should be formulated in achieving the well-defined renewable energy targets and progress towards a more sustainable energy future. In this review, opportunities, challenges, and significant impacts of the COVID-19 pandemic on current and future sustainable energy strategies were analyzed in detail; while drawing from experiences in identifying reasonable behaviors, orientating appropriate actions, and policy implications on the sustainable energy trajectory were also mentioned. Indeed, the question is that whether the COVID-19 pandemic will kill us or provide us with a precious lesson on future sustainable energy development.

The increasing energy demand and diminishing fossil fuel sources have called for the exploration of new energy sources. To satisfy growing global energy demand and accomplish sustainable energy development goals, biomass plays an essential role in present and future energy. Pyrolysis holds considerable potential approaches among biomass conversion technologies. This study presents a critical review of the effect of the key pyrolysis parameters from lignocellulosic biomass to product distribution. The lignocellulosic biomass composition and pyrolysis conversion behavior of every single component was discussed in detail. On top of that, CO2-based benefits, economic assessment, and technical orientation for biofuel production from biomass are included. The carbon and hydrogen content of biomass is critical for producing high-quality bio-oil. When compared to other energy crops and agricultural residues, pyrolysis of clean wood and polar demonstrated the best bio-oil production. The increased cellulose and hemicellulose content aiding in the synthesis of bio-oil, but the high concentration of lignin results in more biochar. The article delves into product upgrading via several routes such as physical, chemical, and catalytic. From the review, considering factors such as pyrolysis technologies, energy demand, and bio-oil yields, greenhouse potential benefits needs to be evaluated, and this needs to be done on an individual basis. In terms of production cost, the current cost of biomass feedstock can range between $50 to $97/ton, which is approximately 30−54% of the liquid fuel production cost. A wide range of studies covering different aspects of biomass pyrolysis technology, from reactor configuration and the heating source to single and poly-step pyrolysis processes, have been carried out in the search for solutions in optimizing the current technologies. Thus, expanding and improving awareness of the lignocellulosic biomass in the pyrolysis technology would play an important role in producing sustainable and renewable carbon-neutral fuels.

Nanofluids have gained significant popularity in the field of sustainable and renewable energy systems. The heat transfer capacity of the working fluid has a huge impact on the efficiency of the renewable energy system. The addition of a small amount of high thermal conductivity solid nanoparticles to a base fluid improves heat transfer. Even though a large amount of research data is available in the literature, some results are contradictory. Many influencing factors, as well as nonlinearity and refutations, make nanofluid research highly challenging and obstruct its potentially valuable uses. On the other hand, data-driven machine learning techniques would be very useful in nanofluid research for forecasting thermophysical features and heat transfer rate, identifying the most influential factors, and assessing the efficiencies of different renewable energy systems. The primary aim of this review study is to look at the features and applications of different machine learning techniques employed in the nanofluid-based renewable energy system, as well as to reveal new developments in machine learning research. A variety of modern machine learning algorithms for nanofluid-based heat transfer studies in renewable and sustainable energy systems are examined, along with their advantages and disadvantages. Artificial neural networks-based model prediction using contemporary commercial software is simple to develop and the most popular. The prognostic capacity may be further improved by combining a marine predator algorithm, genetic algorithm, swarm intelligence optimization, and other intelligent optimization approaches. In addition to the well-known neural networks and fuzzy- and gene-based machine learning techniques, newer ensemble machine learning techniques such as Boosted regression techniques, K-means, K-nearest neighbor (KNN), CatBoost, and XGBoost are gaining popularity due to their improved architectures and adaptabilities to diverse data types. The regularly used neural networks and fuzzy-based algorithms are mostly black-box methods, with the user having little or no understanding of how they function. This is the reason for concern, and ethical artificial intelligence is required.

In an era where data is abundant and computational power is soaring, Bayesian Inference - Recent Trends emerges as an essential guide to understanding and applying Bayesian methods in various scientific and technological domains. This book uniquely blends theoretical rigor with practical insights, showcasing the latest advancements and applications of Bayesian inference.
 • Discover the renaissance of Bayesian inference and its vital role in modern-day statistical analysis and prediction.
 • Explore the depth of hidden Markov models and their power in inferring hidden states and transitions in stochastic systems.
 • Dive into the complexity of nested sampling and its effectiveness in parameter estimation, particularly in signal processing.
 • Examine the precision of naive Bayes algorithms in news classification, a critical task in the digital information age.
 This book is an invaluable resource for anyone interested in the intersection of statistics, machine learning, and data science. It offers a unique perspective on Bayesian inference, revealing its potential to provide robust solutions in an increasingly data-driven world. Whether you are a seasoned researcher, a budding scientist, or a curious enthusiast, Bayesian Inference - Recent Trends is your gateway to understanding and leveraging the power of Bayesian methods in the ever-evolving landscape of data analysis.