A Novel Deep Learning-Based Receiver for Non-Coherent Chaotic Communication Systems With Temporal Dependencies and Spectral Properties of Chaotic Signals
Notice bibliographique
Résumé
Chaotic signals are spread-spectrum nonlinear signals with initial value sensitivity that can potentially provide safe and anti-jamming digital communication systems. However, to reduce receiver complexity and achieve smooth demodulation, traditional chaos-based wireless communication systems require the transmission of additional chaotic reference signals, which reduces the spectral efficiency and degrades the security characteristics of the chaotic signals. Recent work has explored deep learning (DL)-aided transceivers to address these issues. However, these techniques have not yet fully exploited the inherent characteristics of chaotic signals, e.g., spectral properties. To maximize the potential of chaotic signals in wireless communication, this paper proposes a power spectral density-based deep learning chaos shift keying (PSD-DLCSK) receiver. The proposed PSD-DLCSK scheme effectively utilizes the spectral properties of chaotic signals, where the PSD of received signals serves as input to a deep neural network (DNN) for symbol detection. The proposed DNN architecture combines long short-term memory networks with self-attention mechanisms to effectively capture the temporal dependencies and spectral properties of chaotic signals, enabling reliable intelligent demodulation without chaotic reference signals. Extensive simulations demonstrate that PSD-DLCSK achieves superior bit error rate (BER) performance compared to traditional receivers as well as other DL-aided schemes over additive white Gaussian noise and multipath Rayleigh fading channels.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».