MMSE-Lattice Sequential Equalization of Underwater Acoustic Channels
Notice bibliographique
Résumé
Underwater acoustic communications is today accomplished with a variety of modulation techniques, including both non-coherent and coherent methods, each shown to perform "best" under certain environmental and operational constraints. Coherent communications typically involve a form of M-ary phase shift keyed (MPSK) signaling, combined with one of a variety of channel equalization schemes at the receiver. The most common scheme is the mean square error minimization (MMSE) decision feedback equalizer (DFE), designed in part by Professors John Proakis and Milica Stojanovic and now extended by many developers for a variety of applications. Even though often effective, the performance of the DFE becomes far from the optimal performance that can be obtained by the maximum likelihood sequence estimator (MLSE). While aiming for the optimal performance, our interest is in the use of small, battery- powered, DSP-based devices which have fairly hard constraints on computer resources. We consider an older alternative to the DFE, the maximum likelihood sequence estimator (MLSE), usually implemented with a Viterbi algorithm. Referring to historical coding theory, it is well known that a sequential estimation alternative to MLSE-based decoding is "almost" as effective, given a modest increase in signal-to-noise ratio (SNR). Furthermore, the computational burden is usually far less than with the conventional Viterbi approach. The focus of this paper is on the development and application of a Fano Sequential Estimator acting as an alternative to the Viterbi algorithm for MLSE-based channel compensation.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 ».