A New Link Adaptation Technique for Very High Frequency Data Exchange System in Future Maritime Communication
Notice bibliographique
Résumé
The growing demand for communication technology capable of providing high transmission rates in maritime environments has led to the exploration of the very high frequency (VHF) data exchange system (VDES) as a promising solution. The VDES, the integration of an automatic identification system (AIS), application-specific messaging (ASM), and VHF data exchange (VDE), offers improved transmission rates and stable connections compared with existing technologies. Although the VDES supports high transmission rates through various modulation and coding scheme (MCS) technologies, it lacks a standardized mechanism for controlling MCS parameters and relies on user algorithms for operation. In this paper, we introduce the maritime auto-rate fall-back (mARF) technology, designed to effectively address the challenges of maritime communication scenarios using the MCS framework provided by the VDES. mARF technology incorporates fast drop-out and recovery mechanisms to swiftly adapt to changing MCS types in the presence of deep nulls, a common occurrence in maritime communication environments. These adaptive thresholds for fast drop-out and recovery operations are dynamically learned using historical communication data. Through extensive simulations, we demonstrate the effectiveness of mARF in enhancing the MCS control capabilities of the VDES. Our results show a significant performance improvement of 18% compared to the existing model, validating the potential of mARF in optimizing maritime communication channels and supporting a high transmission rate.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».