Novel Wavelet Convolutional Neural Networks for Signal Detection in OFDM-IM Systems
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
Orthogonal Frequency Division Multiplexing with Index Modulation (OFDM-IM) is regarded as a promising candidate for next generation communications due to its remarkable efficiency and flexibility. In the field of wireless communications, deep learning, particularly Convolutional Neural Networks (CNNs), has been extensively utilized for tasks such as channel estimation and signal detection. However, CNNs' limited receptive field growth poses a challenge in capturing long range dependencies. To achieve efficient deep learning based OFDM-IM detection, this paper proposes two novel OFDM-IM signal detection networks that integrate wavelet transforms with CNNs (WTConv). The first proposed network, referred to as Dual Stage Wavelet Convolutions (DS-WTConv), adopts a dual stage architecture. It comprises an Index Feature Extraction Sub-Network (IdxNet) and a Signal Feature Reconstruction Sub-Network (DetNet). The second network, named Single Network Wavelet Convolutions (SN-WTConv), features a more compact single stage design that combines wavelet convolution and CNN layers. Extensive simulation results demonstrate that both the DS-WTConv and SN-WTConv networks exhibit superior bit error rate (BER) performance and lower computational complexity compared to existing conventional and deep learning-based approaches. Compared to the existing deep learning based detection schemes, the proposed WTConv-based networks reduce the BER by up to 35.3%, and the running time by up to 30.1%. Compared to the optimal Maximum likelihood (ML) method, the proposed DS-WTConv and SN-WTConv achieve approximately 19.2 times and 11.3 times faster runtime, respectively.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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