A Reinforcement-Learning-Based Beam Adaptation for Underwater Optical Wireless Communications
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
Underwater optical wireless communications (UOWCs) have recently appeared as an attractive solution for many applications, such as remote controlling and sensing due to its advantages, such as high transmission rate, ultrawide bandwidth, and low latency. However, due to the harsh underwater conditions, UOWC faces challenges, such as water absorption, scattering, and pointing-acquisition-and-tracking (PAT) problems. This is mainly due to the dynamicity existing underwater. Consequently, this leads to packet loss and hence deteriorates the reliability and link quality of such networks. Such a problem can affect the degree of connectivity and end-to-end (E2E) performance of the communication system. The existing solutions in the literature are based on predefined models, assuming full knowledge of the environment. However, such models do not optimally treat the dynamicity existing underwater. This article proposes novel beam adaptation methods based on reinforcement learning (RL) for point-to-point UOWC. The first method aims to optimize the light beamwidth; the second method focuses on adapting the beam orientation, whereas the last one optimizes both the light’s beamwidth and beam orientation. Our proposed RL-based solutions yield optimal positioning and beamwidth of the light source and improve the considered communication link’s success rate. They also guarantee better link quality in terms of signal-to-noise ratio (SNR) compared to the uncertainty disk static method for four different underwater environments, including pure seawater, clean ocean, coastal ocean, and turbid harbor.
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 | 0,001 | 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