MétaCan
Menu
Retour à la cohorte
Enregistrement W2907578683 · doi:10.3390/s19010105

A Time-Varying Filter for Doppler Compensation Applied to Underwater Acoustic OFDM

2018· article· en· W2907578683 sur OpenAlexafffund
Habib Mirhedayati Roudsari, Jean‐François Bousquet

Notice bibliographique

RevueSensors · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueUnderwater Vehicles and Communication Systems
Établissements canadiensDalhousie University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMitacs
Mots-clésOrthogonal frequency-division multiplexingDoppler effectCompensation (psychology)AcousticsUnderwater acoustic communicationUnderwaterComputer scienceUnderwater acousticsDoppler frequencyElectronic engineeringTelecommunicationsEngineeringGeologyPhysicsPsychologyChannel (broadcasting)

Résumé

récupéré en direct d'OpenAlex

This paper describes a Doppler compensation algorithm to improve the reliability of orthogonal frequency division multiplexing (OFDM). To compensate for the time-varying Doppler effect in a mobile deployment scenario, first the time-scaling factor over a wideband channel is estimated using pilot tones inserted in each OFDM symbol. Then, using a time-varying resampling technique, the Doppler effect is compensated during the reception of each OFDM symbol in the frame. To predict the performance of the system in relatively shallow waters, a software channel model is developed that is able to simulate a wide variety of dynamic shallow water deployment scenario. The performance of the algorithm was tested for two extreme frequency ranges during sea trials, the first at 2 kHz for a long-range application, and the second at 125 kHz for a short range telemetry link. For the 2-kHz system, a 16-bps mobile link in which the platform was moving at 1 m/s was demonstrated to have a bit error rate on the order of 10 - 3 , while, for the 125-kHz telemetry application, a 2000-bps link was enabled with a bit error rate of 0.03 at a low SNR equal to 5.5 dB.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,632
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,236
Écart entre enseignants0,212 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSensorsMême sujetUnderwater Vehicles and Communication SystemsTravaux en français237 207