Spatially Coupled Codes via Partial and Recursive Superposition for Industrial IoT With High Trustworthiness
Notice bibliographique
Résumé
For industrial Internet of Things (IIoT), data trustworthiness should be maintained both at the time of sensing and at the time of transmission. This article is concerned with trustworthiness during transmission, which is determined by transmission reliability. We present a low-complexity and flexible method via partial and recursive superposition to improve the transmission reliability of IIoT, resulting in an IIoT with high trustworthiness. In our method, a portion of the previously transmitted data are superimposed onto the current transmitted data to introduce memory among different transmissions, which are then exploited by the windowed decoder to obtain performance gain. The proposed method is referred to as partially recursive block Markov superposition transmission of low-density parity-check (PrBMST-LDPC) codes. This article is focused on the construction of low-complexity PrBMST-LDPC codes since IIoT is resource-limited in nature. The first construction is the memory-one PrBMST-LDPC code. We present a simplified density evolution algorithm to optimize the superposition ratio for memory-one PrBMST-LDPC code. Both the analytical and numerical results show that PrBMST with memory one can be used to reduce the packet loss ratio (PLR) of IIoT using LDPC codes. Particularly, around 1.0 dB performance gain is obtained by PrBMST. We then present a low-complexity construction for PrBMST-LDPC codes with encoding memory larger than one. Simulation results show that compared with memory-one PrBMST, a further PLR reduction of around one order of magnitude can be obtained.
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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».