MétaCan
Menu
← Retour à la cohorte
Enregistrement W4412565302 · doi:10.36227/techrxiv.175322299.92031961/v1

Tri-Quarter Framework Case Study: BPSK Signal Processing

2025· preprint· en· W4412565302 sur OpenAlexaboutno aff
Nathan O. Schmidt

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEngineering
ThématiqueFault Detection and Control Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésQuarter (Canadian coin)Phase-shift keyingSIGNAL (programming language)Signal processingComputer scienceTelecommunicationsHistoryBit error rateArchaeologyProgramming language

Résumé

récupéré en direct d'OpenAlex

In this case study, we engage the novel Tri-Quarter framework by applying it to Binary Phase-Shift Keying (BPSK) signal processing, where we leverage structured orientation phase pair assignments and dynamic weight adjustments to enhance noise filtering and error correction under Gaussian and non-Gaussian noise. We attack the challenge of reliable decoding in communication systems like wireless networks, satellite links, and IoT devices, where noise varies from Additive White Gaussian Noise (AWGN) to impulsive noise (IN) interference. The framework implements a model-free methodology by using sign-based phase assignments and distance-based weights to decode signals without prior noise knowledge. Simulations at a signal-to-noise ratio (SNR) of 6 dB with 100,000 trials demonstrate that the Tri-Quarter framework's noise filtering achieves a 2.350% bit error rate (BER) in AWGN, closely matching standard thresholding with 1 CPU cycle, while its error correction with 3 transmissions per symbol yields a 0.138% BER in AWGN and 0.430% BER in IN, performing comparably to majority voting (0.149% BER in AWGN, 1.415% BER in IN) and significantly outperforming Gaussian-tuned soft-decision decoding (0.030% BER in AWGN, 12.769% BER in IN) in non-Gaussian conditions. With 17 CPU cycles for error correction, the Tri-Quarter framework balances efficiency and robustness, dominating in unpredictable noise environments (e.g. urban cellular wireless networks, industrial IoT networks, oceanographic sensor networks, and naval communication networks), though it is less optimal for ultra-low-power devices or Gaussian-dominated environments. This framework offers a versatile solution for modern communication challenges, with potential extensions to complex modulations like Quadrature Phase-Shift Keying (QPSK).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,268
Écart entre enseignants0,254 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetFault Detection and Control Systems→Travaux en français237 207→