Complexity evaluation of sova based algorithms for decoding of block codes on a sectionalized trellis
Notice bibliographique
Résumé
Turbo decoders are composed of two or more soft-input soft-output (SISO) decoders that exchange reliability information. A classical way of implementing a SISO decoder for a linear block code is to use a trellis-based decoding algorithm, such as MAP, Max-Log-MAP or SOVA [1]. Recently, the idea of sectionalizing the trellis diagram representing a code has been proposed as a means to decrease the decoding complexity associated with the SISO decoders [2-3]. In this paper, we investigate the application of a nonbinary SOVA decoding algorithm to the sectionalized trellis of a binary linear block code. Considering an (n, k) block code C, a minimal bit-level trellis has n sections. A ν-section sectionalized trellis with section boundaries U = {0, h 1 ,…, h v = n} is obtained from the bit-level trellis by removing any stage at a location not in U, and connecting the remaining states by branches whose labels are the labels of the paths originally connecting the nodes in the bit-level trellis (Our notations borrow from [1], so the reader is referred to this book for further details). Optimal sectionalization boundaries can be chosen in order to minimize the complexity in terms of operations and/or memory of a given algorithm for a particular code (such optimal sectionalizations have been derived for MAP [3], Max-Log-MAP [3] and Viterbi [2] decoding).
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 ».