Media-based MIMO: Outperforming known limits in wireless
Notice bibliographique
Résumé
The idea of Media-based Modulation (MBM), introduced in [1] [2], is based on embedding information in the variations of the transmission media (channel states). MBM offers several advantages vs. legacy systems, including “additivity of information over multiple receive antennas”, and “inherent diversity over a static fading channel”. MBM is particularly suitable for transmitting high data rates using a single transmit and multiple receive antennas. However, complexity issues limit the amount of data that can be embedded in channel states using a single transmit unit. To address this shortcoming, the current article introduces the idea of Layered Multiple Input-Multiple Output Media-Based Modulation (LMIMO-MBM). LMIMO-MBM enables forming a high-rate constellation as superposition of constituent vectors due to separate transmit units. Relying on such a layered structure, LMIMO-MBM can significantly reduce both hardware and algorithmic complexities, as well as the training overhead. Simulation results show excellent performance in terms of Symbol Error Rate (SER) vs. Signal-to-Noise Ratio (SNR). For example, a 4 × 16 LMIMO-MBM is capable of transmitting 32 bits of information per (complex) channel-use, with SER 10-5at E /N0≃ -3.5dB (or SER 10-4at E/N0= -4.5dB). This performance is achieved using a single transmission (no extension in time/frequency), and without adding any redundancy for Forward-Error-Correction (FEC). Application of FEC can further improve the performance. For example, applying Reed-Solomon codes enables transmitting 30 bits of information per (complex) channel-use with a Frame Error Rate (FER) 10-5at E/N0≃ -6dB. Under a set of mild conditions, by applying FEC with error correction capability t, the slope of the error rate vs. SNR (with hard decision decoding) will asymptotically increase by a factor of t +1.
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 | 0,002 | 0,009 |
| 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 | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».