Notice bibliographique
Résumé
Multiple-symbol differential detection (MSDD) is a robust maximum-likelihood (ML) receiver technique for frequency-nonselective fast Rayleigh fading channels. However, its complexity grows exponentially with the block size N and that makes it impractical to implement. Recently, multiple-symbol differential sphere decoder (MSDSD) is developed to alleviate this problem but its complexity at low signal-to-noise ratio (SNR) grows exponentially with decreasing SNR. In this paper, we explore the potential of the Fano algorithm as an efficient MSDD receiver. The bit-error performance and the complexity of the Fano-MSDD are evaluated and compared with other reduced complexity techniques. Our preliminary results indicate that Fano-MSDD is more attractive than decision-feedback differential detection (P.Y. Kam and CH Teh, 1983) and (R Schober and WH Gerstacker, 2000) from both the error performance and the complexity points of view. When compared to the MSDSD, the Fano-MSDD suffers a moderate degradation in power efficiency. However, its computational complexity is very steady even at low SNR. This translates into a dramatic saving in complexity over the MSDSD when SNR is low. Even at large SNR, the Fano-MSDD still provides a small edge over the MSDSD in terms of complexity. We believe that with some fine tuning of the decoder parameters, such as the bias and the threshold's step size, it is possible to extract better performance from the Fano decoder than it is now.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».