NUC optimization for Hierarchical Modulation aiming at achieving comparable capacity with Layered Division Multiplexing
Notice bibliographique
Résumé
This paper investigates the non-uniform constellation (NUC) optimization adapted for Hierarchical modulation (HM) without using Successive Interference Cancellation (SIC). This approach reduces system demod/decode delay in comparison to Layered Division Multiplexing (LDM). The objective is enabling the capacity achieved by HM comparable to LDM. To achieve this goal, the constellation constrained capacity of Enhanced Layer (EL) service in HM is maximized, while the capacity of Core Layer (CL) service are approximately the same in HM and LDM. Particle Swarm optimization (PSO) algorithm is used to solve this problem. To accelerate the optimization, initial constellation is selected from regular NUCs or the combination of CL and EL constellations of LDM in ATSC 3.0. The results imply that under certain capacity demands, especially when there is a large difference between the SNR thresholds for correct decoding of CL and EL or the power ratio of CL to EL is high (for example, 10 dB or higher), HM, with lower delay compared to LDM, can achieve capacity close to LDM with the help of NUC. Even if the power ratio of CL to EL is relatively low (for example, 3 dB), the capacity loss can be reduced with properly designed NUC and the SNR threshold loss of EL can be lower than 1 dB with respect to LDM. However, LDM is still superior to HM when the difference between the SNR thresholds of CL and EL is relatively low.
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) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».