MétaCan
Menu
Retour à la cohorte
Enregistrement W2004295395 · doi:10.1109/tbc.2012.2197449

Application of Raptor Coding With Power Adaptation to DVB Multiple Access Channels

2012· article· en· W2004295395 sur OpenAlexaff
Mohammad Jabbari Hagh, M. Reza Soleymani

Notice bibliographique

RevueIEEE Transactions on Broadcasting · 2012
Typearticle
Langueen
DomaineComputer Science
ThématiqueError Correcting Code Techniques
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceDecoding methodsChannel (broadcasting)Digital Video BroadcastingComputer networkTransmitter power outputChannel state informationDVB-TCoding (social sciences)TelecommunicationsReal-time computingTransmitterElectronic engineeringOrthogonal frequency-division multiplexingWirelessEngineeringMathematics

Résumé

récupéré en direct d'OpenAlex

In this paper we propose a scheme to increase the channel capacity of Digital Video Broadcasting (DVB) systems which is also extendable to Return Channel via Satellite (DVB-RCS) scenarios. This increase is made possible by introduction of a new interfering channel to an exiting DVB channel. The interfering channel uses Raptor code. Through successive decoding in the destination, the data of main and interfering sources is decoded. We examine the case of sources with equal transmit power levels, however, as in all Multiple Access Channel (MAC) detection methods, there should be a power difference between the two sources to achieve higher rates. We demonstrate that when the power difference exists, there is a tradeoff between achieved rate and power efficiency and we will find the optimum power allocation scenario for this tradeoff. A power adaptation scheme is proposed that allocates the optimal power to the interfering channel based on an estimate of the main channel's condition. This estimate is obtained from the amount of overhead required by the destination for the successful decoding of the message. Therefore, the interfering source is able to adapt itself to the system without having any access to Channel State Information (CSI) of the main channel.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,043
Tête enseignante GPT0,292
Écart entre enseignants0,249 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

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

En bref

Citations9
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on BroadcastingMême sujetError Correcting Code TechniquesTravaux en français237 207