Novel Method for Multi-Dimensional Mapping of Higher Order Modulations\n for BICM-ID Over Rayleigh Fading Channels
Notice bibliographique
Résumé
Multi-dimensional (MD) mapping offers more flexibility in mapping design for\nbit-interleaved coded modulation with iterative decoding (BICM-ID) and\npotentially improves the bandwidth efficiency. However, for higher order signal\nconstellations, finding suitable MD mappings is a very complicated task due to\nthe large number of possible mappings. In this paper, a novel mapping method is\nintroduced to construct efficient MD mappings to improve the error performance\nof BICM-ID over Rayleigh fading\n channels. We propose to break the MD mapping design problem into four\ndistinct $2$-D mapping functions. The $2$-D mappings are designed such that the\nresulting MD mapping improves the BICM-ID error performance at low signal to\nnoise ratios (SNRs). We also develop cost functions that can be optimized to\nimprove the error performance at high SNRs. The proposed mapping method is very\nsimple compared to well-known mapping methods, and it can achieve suitable MD\nmappings for different modulations including higher order modulations for\nBICM-ID. Simulation results show that our mappings significantly outperform the\npreviously known mappings at a target bit error rate (BER) of $10^{-6}$. Our\nmappings also offer a lower error-floor compared to their well-known\ncounterparts.\n
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 ».