Parallel-trellis turbo equalizers for sparse-coded transmission over sparse multipath channels
Notice bibliographique
Résumé
A novel coding and turbo equalization scheme for sparse multipath channels is presented in this paper. A burst-error-correcting convolutional code, which coding and interleaving via a sparse encoder and a convolutional interleaver, is selected as the channel code. A previously-proposed parallel-trellis framework is adopted for implementing the maximum a posteriori (MAP) equalizer and decoder in the turbo equalizer. Such a system exhibits a similar level of performance to a conventional system using a random-error-correcting convolutional code together with a row /column (R/C) or random block interleaver. Yet, the proposed system has the advantages of low latency and low memory requirements when compared to those conventional systems. This is due to (i) the elimination of the block-type interleavers and deinterleavers and (ii) the parallelism achieved in the turbo equalizer. One disadvantage of the proposed system is to decrease in throughput, as more tail symbols are required for proper termination of all sub-trellises in the decoder. Extension of the proposed system to turbo codes is considered. Also, the effect of prefiltering on a nonminimum-phase, high definition television (HDTV) channel is examined. Results indicate that using the feedforward filter (FFF) of a nonuniformly-spaced decision feedback equalizer (NU-DFE) performs almost as good as using one with a large number of uniformly-spaced taps. However, far fewer computations are needed to find the optimum tap values of the sparse prefilter.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».