Channel estimation in bit-interleaved coded modulation with iterative decoding
Notice bibliographique
Résumé
This study improves the fading channel estimation in bit-interleaved coded modulation systems with iterative decoding (BICM-ID) and signal space diversity (SSD) by embedding a training sequence. Existing training schemes work well at high signal-to-noise ratio (SNR) or slowly time-varying channels whereas the applications of BICM-ID are beneficial at low SNR and fast time-varying fading channels. Motivated by the power/bandwidth efficiency of the SSD technique and the fact that superimposed training outperforms pilot symbol-assisted modulation (PSAM) training over relatively fast time-varying channels, a new superimposed training sequence is explored. The proposed training sequence inserts pilot bits into the coded bits prior constellation mapping and signal rotation. This becomes a superimposed training sequence in the rotated symbols and helps the estimator to track fast variation of the channel gains. A soft iterative channel estimator is developed to work with the superimposed training sequence. The performance of the proposed scheme, namely SSD-pilot, is shown to be superior to PSAM scheme. To gauge the performance improvement achieved with the proposed channel estimation, an analytical bound on the asymptotic bit error probability for BICM-ID using SSD over correlated fading channels is provided. The Cramer–Rao bound on the mean-square error of the channel estimator is also derived to evaluate the performance of the iterative channel estimator.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».