ISI Mitigation Using Neural Networks in Molecular Communication With an Imperfect Transmitter Between Bionanosensors
Notice bibliographique
Résumé
Diffusion-based molecular communication (DBMC) systems between bionanosensors face challenges from inter-symbol interference (ISI) and counting noise, due to channel memory and the random diffusion of molecules. This study focuses on a binary imperfect transmitter that exacerbates ISI originating from the transmitter itself, significantly complicating the decoding process. To address ISI and enhance system reliability, we propose detection methods based on convolutional neural network (CNN) and deep neural network (DNN), which operate without requiring prior knowledge of time-varying channel information. These methods are compared against K-means clustering and optimal detection based on the ratio of received molecules. Additionally, we investigate the impact of two types of inputs for CNN and DNN: coordinate input (e.g., the number of received molecules) and ratio input (e.g., the ratio of received molecules), and the impact of transmitter molecular concentration on system performance. The simulation results demonstrate that the coordinate input outperforms the ratio input in terms of detection accuracy. The performance of K-means clustering is shown to be comparable to optimal detection, while CNN, owing to their strong local feature perception capabilities, outperform DNN. Moreover, a larger concentration difference between the molecular reservoirs at the transmitter improves system performance. Overall, this study provides critical insights into the strengths and limitations of conventional and neural network-based detection techniques for mitigating ISI in MC systems, contributing to advancements in reliable DBMC system design.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».