One-Bit Precoding Constellation Design via Autoencoder-Based Deep Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper considers a multicasting system in which the base station has a large number of antennas with cost-effective one-bit digital-to-analog converters and aims to send a common symbol to multiple remote users. Unlike the existing literature which seeks to design the one-bit precoder for a given constellation, e.g., quadrature amplitude modulation (QAM) or phase shift keying (PSK), this paper aims to jointly design the transmit one-bit precoder and the receive constellation by leveraging the concept of autoencoder, wherein the end-to-end multicasting system is modeled using a deep neural network with the one-bit precoding constraint represented by a binary thresholding layer. To deal with the issue that such a binary layer always produces a gradient of zero, and thus prevents an effective end-to-end training when using the conventional back-propagation method, this paper uses a variant of straight-through estimator which approximates the thresholding function with a properly scaled sigmoid function in the back-propagation phase. Numerical results show that, for a fixed channel scenario, the proposed autoencoder-based constellation design is superior to the conventional QAM and PSK constellations. Using the insights obtained from fixed channel scenarios, we also propose a constellation design for varying channel scenarios and numerically show that the proposed design achieves a better performance as compared to the conventional constellations.
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.
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 découle