Design of piecewise maps for chaotic spread-spectrum communications using genetic programming
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we propose the use of genetic programming (GP) to design piecewise maps to generate chaotic spreading codes for direct sequence spread-spectrum communications. Using appropriate functional operators, we use GP to construct exploitable maps on the interval [0, 1]. The correlation performance of the maps is the objective function that is optimized using GP. Thus, the auto-correlation and cross-correlation performance of the maps are used as fitness measures to differentiate between potential solutions and a multi-objective GP is used to evolve maps. We are thus able to design specific maps under different number of users and show that it is better to design maps assuming large number of users as such maps work well for lower number of users. Further, in order to be able to design maps for use under different conditions of channel signal-to-noise ratio (SNR), we propose the use of the theoretical bit error rate performance of the maps as the objective function to be optimized by GP. Using this objective function, we can design maps for different conditions including channel SNR levels and number of users. We show that GP can design maps at degraded system conditions, which also work well at better system conditions. We compare the performance of the GP generated maps with other chaotic maps, as well as the traditionally used gold code through simulations. Finally, we apply GP to design maps in scenarios where mathematical design procedures cannot be applied. Using simulated channels under different channel conditions such as colored noise and multipath fading scenarios, we use GP to design maps whose performance is better than the other approaches. Thus, we show that GP can be used to design maps for different channel conditions and is therefore a promising means of solving the system design problem in communication systems.
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.
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 | 0,001 | 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 découle