Estimation of Fast-Fading Channels for Turbo Receivers With High-Order Modulation
Notice bibliographique
Résumé
This paper proposes an efficient, low-complexity, and near-optimal approach to pilot-assisted fast-fading channel estimation for single-carrier modulation with a turbo equalizer and a decoder. The proposed method is applicable to higher order modulation schemes, where the detector is sensitive to the estimation error. A doubly selective fast-fading channel is estimated using a fixed-lag Kalman filter (KF). The Kalman filtering is followed by a zero-phase low-pass filter, functioning as a smoother. A method for designing the smoother is introduced. Block processing is utilized to reduce the transient effects of the zero-phase filter (ZPF) at the edges of the symbol blocks. A first-order autoregressive (AR) model is fitted to the channel variations. For the case of 64-quadrature-amplitude modulation (QAM), a complex-exponential basis expansion model (CE-BEM) is exploited to capture the varying gains, and an AR(1) process is used to model the time evolution of the BEM coefficients. By virtue of the long memory of the smoother, the error-rate floor, which is commonly associated with low-order channel estimation models, is avoided. The potential for parallelism makes our approach well suited to multicore field implementations. The applicability of the method to 4-QAM, 16-QAM, and 64-QAM schemes is shown through simulation experiments.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 | 0,001 |
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 ».