Channel Prediction Using Adaptive Bidirectional GRU for Underwater MIMO 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
As the Internet of Things (IoT) continues to expand and reshape our world, new vertical application scenarios have emerged, such as underwater communications, leading to increased interest in academia and industries. The multiple-input–multiple-output (MIMO) technology plays a critical role in enhancing channel capacity for underwater acoustic (UWA) communications, where accurate channel prediction is essential for system performance. In this article, we propose a novel efficient channel impulse response (CIR) prediction model for the UWA MIMO communications with a small adaptive bidirectional gated recurrent unit (ABiGRU) network. The proposed model can capture the channel information without additional knowledge of the internal properties of the channel itself. Moreover, it first utilizes preceding short-term CIR data from the channel estimation for online training, and then exploits the trained model for the CIR prediction, which tracks time-varying UWA channels. To verify the effectiveness of the predicted CIRs, we design a scheme combining a space-time block coding (STBC) and minimum mean square error (MMSE) pre-equalization for the UWA MIMO system. Our proposed STBC-MMSE pre-equalization scheme has demonstrated practical feasibility and low-bit-error rate (BER) in numerical simulations. In addition, we evaluate the prediction error performance of the proposed ABiGRU network through comparison with the widely used MMSE algorithm and two common recurrent neural networks (RNNs) predictors, i.e., the gated recurrent unit and long short term memory (LSTM) network. Finally, we conduct realistic in-field UWA MIMO experiments to demonstrate and justify the superiority of the proposed ABiGRU network, which can lay the solid foundation for cost-effective UWA MIMO communications for building promising underwater IoT sensor networks.
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 | 0,000 |
| 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