Pairwise optimization of modulation constellations for non-uniform sources
Notice bibliographique
Résumé
The design of two-dimensional signal constellations for the transmission of binary non-uniform memoryless sources over additive white Gaussian noise channels is investigated. The main application of this problem is the implementation of improved constellations where transmitted data is highly non-uniform. A simple algorithm, which optimizes a constellation by re-arranging its points in a pairwise fashion (i.e., two points are modified at a time, with all other points remaining fixed), is presented. In general, the optimized constellations depend on both the source statistics and the signal-to-noise ratio (SNR) in the channel. We show that constellations designed with source statistics considered can yield symbol error rate (SER) performance that is substantially better than rectangular quadrature amplitude modulation signal sets used with either Gray mapping or more recently developed maps. SER gains as high as 5 dB in Eb/NoSNR are obtained for highly non-uniform sources. Symbol mappings are also developed for the new constellations using a similar pairwise optimization method whereby we assign and compare a weighted score for each pair. These maps, when compared to the mappings used in conjunction with the standard rectangular QAM constellation, again achieve considerable performance gains in terms of bit error rate (BER). Gains as high as 4 dB were achieved over rectangular QAM with Gray mapping, or more than 1 dB better than previously improved mappings. Finally, the uncoded pairwise optimized system is compared to a standard tandem (separate) source and channel coding system. Although neither system is universally better, the uncoded system with optimized constellations outperforms the tandem coding system for low-to-mid SNRs. Performance/complexity trade-off s between the two systems are also discussed.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».