MétaCan
Menu
Retour à la cohorte
Enregistrement W4252202820 · doi:10.21203/rs.3.rs-72829/v1

Autoencoder-bank Based Design for Adaptive Channel-Blind Robust Transmission

2020· preprint· en· W4252202820 sur OpenAlexaff
Hossein Safi, Mohammad Akbari, Elaheh Vaezpour, Saeedeh Parsaeefard, Raed M. Shubair

Notice bibliographique

RevueResearch Square · 2020
Typepreprint
Langueen
DomaineComputer Science
ThématiqueWireless Signal Modulation Classification
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésBlock Error RateChannel (broadcasting)Computer scienceTransmission (telecommunications)Constraint (computer-aided design)Decoding methodsCommunications systemBlock (permutation group theory)EncoderReliability (semiconductor)AlgorithmAutoencoderPower (physics)Real-time computingTelecommunicationsArtificial intelligenceMathematicsArtificial neural networkTelecommunications link

Résumé

récupéré en direct d'OpenAlex

Abstract The idea of employing deep autoencoders (AEs) has been recently proposed to capture the end-to-end performance in the physical layer of communication systems. However, most of the current methods for applying AEs are developed based on the assumption that there is an explicit channel model for training that matches the actual channel model in the online transmission. Since the actual channel varies over time, this imposes a major limitation on employing AE-based systems. In this paper, without relying on an explicit channel model, we propose an adaptive scheme to increase the reliability of an AE-based communication system over different channel conditions. More precisely, we divide the interval of random channel coefficients into n sub-intervals. Subsequently, in the offline training phase, we employ an AE bank consisting of n pairs of encoder and decoder and perform training over the sub-intervals. Then, in the online transmission phase, based on the actual channel conditions, the optimal pair of encoder and decoder is selected for data transmission in terms of satisfying an average block error rate (BLER) constraint imposed on the system. To monitor actual channel conditions for adopting the adaptive scheme, we assume a realistic scenario where the instantaneous channel gain is not known to Tx/Rx and it is blindly estimated at the RX, i.e., without using any pilot symbols. Our simulation results confirms the superiority of the proposed adaptive scheme over a non-adaptive scenario in terms of average power consumption. For instance, when the target average BLER is equal to 10−4 , our proposed algorithm with n = 5 can achieve a performance gain over 1.2 dB compared with a non-adaptive scheme

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)0,001
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,358
Tête enseignante GPT0,401
Écart entre enseignants0,043 · 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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch SquareMême sujetWireless Signal Modulation ClassificationTravaux en français237 207