Near-Optimal Channel Estimation for OFDM in Fast-Fading Channels
Notice bibliographique
Résumé
In this paper, a low-complexity iterative receiver combining joint iterative channel estimation (CE) with symbol detection is proposed for coded orthogonal frequency-division multiplexing (OFDM) systems in fast-fading channels with Doppler frequencies up to 15% of the OFDM subcarrier spacing. The receiver exchanges information between the channel estimator and detector in an iterative fashion to obtain accurate estimates of the channel state information (CSI). The channel is modeled as a weighted sum of fixed basis expansion model (BEM) functions. The BEM coefficients are characterized as a multivariate autoregressive (AR) processes and estimated with a Kalman filter. The initial channel estimate is performed from sparse pilot signals. Data are detected and decoded, and the channel is estimated again based on the estimated transmitted data. The cycle of detection, decoding, and CE is repeated until convergence. It is shown that with a pilot-to-data ratio of 7/144 and with pilots consuming only 1/145 of transmission power, bit error rate (BER) performance within 0.1 dB of that achieved with perfect CSI is obtained for BER ≤ 10 <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">-5</sup> .
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 | 0,001 | 0,001 |
| 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 ».