Novel Low-complexity Neural Network Aided Detection for Faster-than-Nyquist (FTN) Signalling in ISI Channel
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
This thesis studies the application of NN's to Viterbi-detection of FTN-signals in ISI-channel. We propose a novel low-complexity neural-network for calculating branch metrics, and we explore its suitability for FTN-signalling with channel-uncertainty. We compare the proposed-network, called the-MetricNet (MetNet), to a benchmark neural-network-based-technique for metric calculation, the ViterbiNet, originally designed for ISI-channels. The results confirm that the-MetNet outperforms ViterbiNet, with two-orders-of magnitude lower-complexity, and is more-resilient to channel-uncertainty than traditional-Viterbi-detector, which uses Euclidean-distance for metric-calculations. We show that the-MetNet exhibits robustness to being trained at mismatched SNR-values and FTN-pulse-acceleration-factors, meaning that the number of trained-models required can be significantly-reduced. Additionally, the-results show that the-proposed-MetNet remains a favorable-alternative at higher-levels of channel uncertainties. The-results reflect that we can generalize the-MetNet to work with different channel-models defined by different decaying-factors. Finally, we show-that we succeed in achieving a bandwidth-efficiency gain of 33% due to FTN by using the-MetNet in presence of channel-uncertainty.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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