An algorithmic approach to preamble sequence optimization
Notice bibliographique
Résumé
When using coherent demodulation techniques, it is often necessary to include sequences of known symbols within the transmission in order to facilitate synchronization and, when advanced equalization algorithms are employed, channel estimation. In many cases it is possible to employ well-known sequences with desirable properties for use in synchronization. In some cases, however, to remove the overt signature that the repeated use of these known sequences causes, pseudo-random sequences are required. The conventional method of choosing such pseudo-random sequences relies on an exhaustive search algorithm. However, the computational requirements for a search of moderate length sequences are immense. In practice, for sequences of moderate length, the usual procedure is to evaluate sequences generated at random against several well-defined criteria. We present a computationally efficient method for deriving PSK sequences with good properties for signal detection and channel estimation. From an initial random sequence, a gradient descent algorithm is used to iteratively improve the sequence, based on the evaluation criteria. This algorithmic approach is shown to reduce the time required to generate a set of sequences, meeting the specified performance criteria, by more than two orders of magnitude in some cases. The method is particularly applicable to the design of pseudorandom sequences for preamble and training segments in serial-tone HF waveforms. Although the technique is general in nature, examples provided focus on the design of 8PSK sequences for serial-tone HF waveforms.
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 ».