Maximum-Likelihood Detector for Differential Amplify-and-Forward Cooperative Networks
Notice bibliographique
Résumé
The exact maximum-likelihood (ML) detector for amplify-and-forward (AF) cooperative networks employing M-ary differential phase-shift keying (DPSK) in Rayleigh fading is derived in a single-integral form, which serves as a benchmark for differential AF networks. Two algorithms are then developed to reduce the complexity of the ML detector. Specifically, the first algorithm can eliminate a number of candidates in the ML search, while causing no loss of optimality of ML detection. In high signal-to-noise ratios (SNRs), this algorithm almost surely identifies a single candidate that amounts to the ML estimate of the signal. For low to medium SNRs with multiple candidates determined, we then derive an accurate closed-form approximation for the integral involved in the likelihood function, which only requires a five-sample evaluation per symbol candidate. Finally, combining these algorithms, we propose a closed-form approximate ML detector, which achieves an almost identical bit-error-rate (BER) performance to the exact ML detector at practical complexity. In particular, it is shown that the proposed approximate ML detector is far less complex than the well-known diversity combiner in high SNRs, while achieving approximately 1.7-dB gain in the 10 <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">-5</sup> BER when the relay is closer to the destination.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».