MétaCan
Menu
Retour à la cohorte
Enregistrement W3202057396 · doi:10.1109/bmsb53066.2021.9547101

New Study of DTV Transmitter-Identification Sequence Capacity

2021· article· en· W3202057396 sur OpenAlexaff
Shih Yu Chang, Hsiao‐Chun Wu, Yiyan Wu

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueTelecommunications and Broadcasting Technologies
Établissements canadiensCommunications Research Centre Canada
Organismes subventionnairesnon disponible
Mots-clésTransmitterFadingDigital televisionComputer scienceAutocorrelationElectronic engineeringChannel (broadcasting)Impulse (physics)TelecommunicationsPseudorandom number generatorSequence (biology)Topology (electrical circuits)AlgorithmMathematicsElectrical engineeringEngineeringStatisticsPhysics

Résumé

récupéré en direct d'OpenAlex

Digital Terrestrial Television (DTV) has been widely deployed world-wide in recent years. The transmitter identification (Tx-ID) technique specified in modern DTV standards becomes crucial nowadays as the number of DTV transmitters grows with the expanded coverage area. In the ATSC standards, Kasami sequences, an important family of pseudo random sequences, are adopted as the practical Tx-ID sequences since Kasami sequences posess the favorable properties of nearly impulse autocorrelation/cross-correlation functions and large sequence capacities. In this work, we would like to extend the existing study to address the corresponding Tx-ID reception quality in terms of received signal-to-interference ratio (RSIR) to various channel factors such as propagation fading and propagation decay rate along with Kasami correlational properties. Such in-depth RSIR study can help us to determine the capacity (the number) of effective Tx-ID sequences which can be utilized subject to a given transmitter-deployment topology, a given fading channel, and a given Tx-ID sequence-length. Extensive numerical experiments are also presented to illustrate the relationship between the capacity of Tx-ID sequences and aforementioned pertinent factors.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,010
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,004
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,057
Tête enseignante GPT0,254
Écart entre enseignants0,197 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations2
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetTelecommunications and Broadcasting TechnologiesTravaux en français237 207