XiaoMi-AI文件搜索系统
World File Search System相位检测
GMSK载波同步环路相位检测器在极低信噪比下的性能分析
I. 简介 深空通信系统在非常远的距离内运行，而机载能量发生器的容量非常有限，导致接收端的信噪比 (SNR) 非常低。这就是使用接近香农极限的纠错码的原因。然而，为了利用这种增益，必须进行相干解调，并且必须在更严格的 SNR（对于 Turbo 码 1/6，𝐸 𝑠 /𝑁 0 ≃ – 8 dB）下提供载波相位同步。分配给深空任务的频谱资源是有限的（X 波段 8 GHz），为了优化频谱效率，空间数据系统咨询委员会（CCSDS）建议 [1] 对于 B 类任务（深空任务）使用预编码 GMSK 调制（高斯最小频移键控），高斯滤波器带宽位周期积𝐵𝑇 𝑏 = 0.5，对于 A 类任务（低空任务）使用 GMSK 𝐵𝑇 𝑏 = 0.25。本文讨论了一种由最大后验（MAP）准则和洛朗展开式 [3] 衍生的用于 GMSK 调制的盲相位检测器 [2]。为了评估该相位检测器在非常低的 SNR 下在闭环结构中的性能，我们考虑了 [4] 和 [5] 中描述的另外两个简化版本。我们对线性和非线性域中的这三种不同结构进行了全面研究。我们还介绍了使用低速率纠错码（Turbo 1/6）进行计算机模拟所获得的结果。这项工作的目的是比较这三个相位检测器的性能，并评估为获得两个简化版本而进行的简化的影响。
边缘量子神经网络模型的量子相位检测概括
引言：量子机器学习 (QML) [1] 使用参数化量子电路 [2] 作为统计模型，近年来引起了广泛关注，并被应用于自然科学 [3-8] 或生成建模 [9-13]。即使 QML 模型具有高表达能力 [14] 且在某些特定情况下表现出优于经典模型 [15,16]，但在深度神经网络时代，量子计算机 [17] 能获得什么样的优势仍不清楚。另一方面，量子数据可能是应用 QML 的自然范例，量子优势已得到证实 [18]。人们希望可以通过量子传感器 [19] 收集量子数据，并最终直接连接到量子计算机。在本文中，我们模拟了通过在量子设备上直接构建量子数据来处理量子数据的可能性。我们使用变分基态求解器来获得真实基态的近似值，以模拟嘈杂的真实世界数据。具体而言，本信函讨论了使用监督学习方法计算哈密顿量 H 的基态相图。即使已经针对二元情况 [ 20 , 21 ] 探索了类似的问题，具有多个类别 [ 22 ] 并在超导平台上进行了计算 [ 23 ]，所有这些方法都受到构造限制，即瓶颈。事实上，由于训练需要标签，并且因为它们是通过分析或数值计算的，这些技术只能加快
边缘量子神经网络模型的量子相位检测概括
引言：量子机器学习 (QML) [1] 使用参数化量子电路 [2] 作为统计模型，近年来引起了广泛关注，并被应用于自然科学 [3-8] 或生成建模 [9-13]。即使 QML 模型具有高表达能力 [14] 且在某些特定情况下表现出优于经典模型 [15,16]，但在深度神经网络时代，量子计算机 [17] 能获得什么样的优势仍不清楚。另一方面，量子数据可能是应用 QML 的自然范例，量子优势已得到证实 [18]。人们希望可以通过量子传感器 [19] 收集量子数据，并最终直接连接到量子计算机。在本文中，我们模拟了通过在量子设备上直接构建量子数据来处理量子数据的可能性。我们使用变分基态求解器来获得真实基态的近似值，以模拟嘈杂的真实世界数据。具体而言，本信函讨论了使用监督学习方法计算哈密顿量 H 的基态相图。即使已经针对二元情况 [ 20 , 21 ] 探索了类似的问题，具有多个类别 [ 22 ] 并在超导平台上进行了计算 [ 23 ]，所有这些方法都受到构造限制，即瓶颈。事实上，由于训练需要标签，并且因为它们是通过分析或数值计算的，这些技术只能加快