MARC

 008250123s2024        us                              c    eng  d
■001000017164164
■00520250211152839
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384242475
■035    ▼a(MiAaPQ)AAI31562072
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aAntonini,  Amaael.
■24510▼aFeedback  Communication  over  the  Binary  Symmetric  Channel:  Analytical  Bounds  and  Encoding  Techniques
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a229  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Wesel,  Richard  D.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aThis  dissertation  investigates  communication  over  the  binary  symmetric  channel  with  noiseless  feedback  of  the  received  symbols  from  the  decoder  to  the  encoder.  The  binary  symmetric  channel  receives  as  input  a  binary  symbol,  and  produces  as  output  also  a  binary  symbol,  that  may  be  different  to  the  input  symbol.  The  channel  is  symmetric  in  the  sense  that  the  probability  that  the  output  symbol  is  not  equal  to  the  input  symbol  is  the  same  for  both  input  symbols.  The  general  communication  problem  consists  of  reliably  relaying  a  message  from  a  source  (where  it  is  generated)  to  a  destination  (where  it  is  needed)  while  using  the  least  possible  system  resources.  Reliability  in  this  case  is  defined  as  a  small  error  probability--the  probability  that  the  message  at  the  destination  differs  from  that  at  the  source.  System  resources  include  forward  channel  symbol  transmissions,  encoder  and  decoder  complexity,  and  possibly  other  resources  that  may  be  associated  with  a  cost,  like  the  number  of  times  the  feedback  channel  is  accessed  for  a  feedback  transmission.  The  system  operates  as  follows:  the  source  delivers  its  message  to  an  encoder,  that  computes  channel  input  symbols;  the  channel  produces  output  symbols  that  are  noisy  versions  of  the  input  symbols;  a  decoder  uses  channel  output  symbols  to  compute  an  estimate  of  the  message  at  the  encoder;  and  a  noiseless  feedback  channel  delivers  the  output  symbols  to  the  encoder,  which  affords  the  encoder  all  the  information  available  to  the  decoder.  The  objectives  of  this  dissertations  are  (1)  to  design  encoding  methods  that  can  be  implemented  in  simulations;  (2)  explore  simplifications  that  make  the  implementations  more  efficient;  (3)  analyze  the  expected  rate  that  can  be  achieved  with  all  the  proposed  encoding  methods,  including  the  simplifications;  (4)  analyze  converse  bounds,  the  lowest  rates  that  cannot  be  achieved  with  the  system  while  satisfying  an  error  probability  constraint;  and  (5)  explore  communication  with  additional  constraints,  like  source  causality  constraints  and  feedback  sparsity  constraints.Chapter  1  lays  out  the  background  and  motivation  of  the  research  problems  studied  in  this  dissertation,  and  summarizes  previous  results  and  about  related  problems.  Then,  Chapter  1  briefly  summarizes  the  contents  of  each  Chapter.Chapter  2  provides  efficient  algorithms  and  a  simulation  framework  that  implements  previously  proposed  encoders  as  well  as  new  ones.  Simulation  results  validate  previous  achievability  bounds  and  motivate  tighter  achievability  bounds.  Chapter  2  also  proposes  a  simpler  encoding  rule,  that  greatly  lowers  the  runtime  and  memory  complexity,  and  exhibits  a  rate  performance  indistinguishable  from  the  encoders  with  the  highest  existing  achievability  bounds.  The  performance  of  the  new  encoder  is  further  analyzed  in  Chapter  3.Chapter  3  demonstrates  a  new  analysis  of  the  expected  block-length  needed  to  transmit  a  fixed  length  information  sequence  with  bounded  error  probability.  The  new  analysis  relaxes  the  sufficient  encoding  constraints  that  guarantee  an  expected  rate  performance  above  the  highest  achievability  bounds  previously  developed  for  the  model.  To  tighten  an  upper  bound  on  expected  time,  analyzed  for  the  first  phase  of  a  two-phase  process,  this  chapter  proposes  an  analysis  of  a  ``surrogate  process,''  for  which  a  tighter  bound  can  be  shown.  The  ``surrogate  process''  is  carefully  constructed  from  the  original  process,  so  that  its  decoding  time  upper  bounds  that  of  the  original  process.  This  property  guarantees  that  the  tighter  bound  on  the  ``surrogate  process''  applies  to  the  original,  and  results  in  a  significantly  higher  achievability  bound.  The  bounds  are  tightened  further  by  jointly  optimizing  both  phases  of  the  two-phase  analysis  used  to  obtain  the  original  bounds.  A  proof  that  the  simple  encoder  of  Ch.  2  satisfies  the  relaxed  constraints  is  provided.  Chapter  3  then  proposes  a  converse  bound,  an  upper  bound  on  the  highest  expected  rate  that  is  achievable  by  an  encoder  that  enforces  the  stopping  rule  used  by  the  proposed  encoders.Chapter  4  extends  the  study  of  feedback  codes  over  the  binary  symmetric  channel  to  the  ``causal  encoding''  setting,  where  the  source  information  sequence  becomes  progressively  available  during  transmission  instead  of  the  traditional  setting  where  the  entire  source  sequence  is  available  before  transmission  begins.  In  ``causal  encoding''  the  encoder  seeks  to  minimize  the  average  decoding  delay  under  the  same  frame  error  rate  constraint  considered  in  Ch.  2  and  Ch.  3.  The  sub-block  combining  algorithm  is  proposed  as  a  ``causal  encoder,''  that  starts  the  transmission  with  a  segment  of  the  information  sequence,  and  adds  new  segments  as  they  become  available.  The  chapter  identifies  lower  bounds  on  expected  decoding  times  imposed  by  the  channel  and  the  source,  as  well  as  the  region  where  a  causal  encoder  may  outperform  existing  non-causal  encoders.  Simulation  results  are  provided  to  show  that  the  sub-block  combining  algorithm  outperforms,  in  average  decoding  time,  non-causal  encoders,  in  their  original  form,  and  with  natural  modifications  that  make  them  better  ``causal  encoders''  under  certain  conditions.  The  performance  of  the  sub-block  combining  algorithm  is  further  improved  using  a  method  that  analyzes  optimized  block  sizes  for  the  specific  operating  point,  set  by  the  source  and  channel  symbol  rates.Chapter  5  studies  the  ``sparse  feedback''  setting  where  feedback  symbols  are  only  available  to  the  transmitter  at  sparse  time  instances,  instead  of  being  available  before  the  transmission  of  each  symbol.  A  new  encoding  rule  is  introduced,  that  also  satisfies  the  relaxed  constraints  proposed  in  Ch.  3.  Then  the  ``look-ahead  algorithm''  is  proposed,  to  satisfy  the  encoding  constraints  for  a  few  transmissions  in  advance,  without  additional  feedback.  Simulation  results  show  that  the  ``look-ahead  algorithm''  admits  average  feedback  delay  that  increases  with  message  length,  from  slightly  above  one  transmission  at  a  message  length  of  about  ten  bites,  to  about  five  to  six  when  the  message  size  reaches  80  bits.  The  sub-block  combining  algorithm  of  Ch.  4  is  modified  to  operate  on  several  blocks  simultaneously  and  used  as  a  sparse  feedback  encoder.  This  algorithm  exhibits  much  lower  complexity,  which  makes  it  suitable  for  message  sizes  of  up  to  a  few  hundred  bits,  that  are  not  possible  with  the  look-ahead  algorithm.Chapter  6  provides  the  conclusions  of  this  dissertation,  and  highlights  future  research  directions.
■590    ▼aSchool  code:  0031.
■650  4▼aEngineering
■650  4▼aComputer  engineering
■650  4▼aElectrical  engineering
■653    ▼aInformation  theory
■653    ▼aNoiseless  feedback
■653    ▼aFeedback  communication
■653    ▼aBinary  symmetric  channel
■690    ▼a0537
■690    ▼a0544
■690    ▼a0464
■71020▼aUniversity  of  California,  Los  Angeles▼bElectrical  and  Computer  Engineering  0333.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164164▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서