A context-aware cognitive SIMO transceiver for increased LTE-HetNet system-level DL-throughput
Notice bibliographique
Résumé
In this paper, we design a new single-input multiple-output (SIMO) context-aware cognitive transceiver (CTR) that is able to switch to the best performing modem in terms of link-level throughput. On the top of conventional adaptive modulation and coding (AMC), we allow the context-aware CTR to make best selection among three different pilot-utilization modes: conventional decision-aided (DA) or pilot-assisted, non-DA (NDA) or blind, and NDA with pilot which is a newly proposed hybrid version between the DA and NDA modes. We also enable the CTR to make best selection between two different channel identification schemes: conventional least-square (LS) and newly developed maximum-likelihood (ML) estimators. Depending on whether pilot symbols can be properly exploited or not at the receiver, we further enable the CTR to make best selection among two data detection modes: coherent or differential. Owing to extensive and exhaustive simulations on the downlink (DL) of a long-term evolution (LTE) heterogeneous network (HetNet), we are able draw out the decision rules of the new CTR that identify the best combination triplet of pilot-use, channel-identification, and data-detection modes to achieve the best link-level throughput at any operating condition in terms of channel type, mobile speed, signal-to-noise ratio (SNR), and channel quality indicator (CQI). Realistic extensive simulations at the system level suggest that the new context-aware CTR outperforms the conventional transceiver (i.e., pilot-assisted LS-type channel estimation with coherent detection) by as much as 40 and 45% gains in average and cell-edge (i.e., 5-percentile) total throughput per macro-area with 10 pico-cells each, 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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».