Coordinated Multi-Point (CoMP) adaptive estimation and prediction schemes using superimposed and decomposed channel tracking
Notice bibliographique
Résumé
Performance of future wireless technologies will depend heavily on cooperation between different transmission/reception nodes in the access network. CoMP (Coordinated Multi-Point) transmission increases the cell edge user performance by reducing the inter-cell interference. UEs (User Equipments) simultaneously receive data from multiple base stations (eNBs) grouped into a joint transmission cluster. Clustering choices need to be optimized by joint use of CoMP adaptive channel estimation and prediction schemes for energy efficiency and capacity improvements. In this paper, various multi-point (multi-eNB) channel estimation/prediction schemes are proposed and analyzed to improve the joint transmission set clustering accuracy. Multi-point CIRs (Channel Impulse Responses) can be tracked either by superimposed or decomposed methods. The latter scheme tracks each multipath component of every CoMP measurement set member and yields more accurate estimates, however leads to significantly higher computation complexity as opposed to the superimposed tracking which tracks the overall CIR. Therefore, UEs need to dynamically switch between the two schemes depending on the serving cluster size and recently observed CoMP characteristics. It is shown that increasing the channel estimation/prediction filter size yields significantly more capacity and energy efficiency improvements for UEs served by larger clusters. It is also demonstrated that the serving eNB can maximize the performance gains by setting the channel prediction range equal to observed system delay between the multi-point CSI reports and data transmission.
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 | 0,001 |
| 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 ».