A Tensor Based Framework for Multi-Domain Communication Systems
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
The demand for mobile data is likely to grow at a pace more than envisaged in the coming years. Further, as applications such as the Internet of Things (IoT) come to fruition, there will be increased diversity in the types of devices demanding Internet connectivity and their requirements. Significant increase in data rate requirements is also expected due to services such as Ultra High Definition (UHD) video streaming and cloud computing. To meet all these demands, physical layer waveform candidates for future generations of communications need to be robust and inherently capable of extending into multiple domains (space, time, frequency, users, transmission media, code etc.) to ensure efficient utilization of resources. Multiple domains can be innately integrated into the design process of modulation schemes by using tensors, which are multi-way arrays. This paper introduces a unified tensor framework, providing a foundation for multi-domain communication systems that can be used to represent, design and analyse schemes that span several domains. Transmitted signals are represented by N$ th order time function tensors which are coupled, using a system tensor of order N+M, with the received signals which are represented by another tensor of order M through the contracted convolution. We begin with the continuous time representation of the tensor system model and present both the strict multi-domain generalization of the Nyquist criterion for zero interference (inter-tensor and intra-tensor interference) as well as a relaxation. We present an equivalent discrete time system model, and as an example of using the tensor framework we derive tensor based linear equalization methods to combat multi-domain interference. An application to multi-user MIMO-GFDM illustrates the utility of this novel framework for derivation of joint domain signal processing techniques.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,005 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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