ML-Based Channel Estimations for Non-Regenerative Relay Networks with Multiple Transmit and Receive Antennas
Notice bibliographique
Résumé
This paper investigates the channel estimations in a relay network with multiple transmit and receive antennas, including the estimation of the end-to-end channel matrix and the individual estimation of the transmitter-relay channels and the relay-receiver channels. For the end-to-end channel estimation, instead of directly estimating entries of the channel matrix, we use singular value decomposition (SVD) and estimate its largest singular value and singular vectors, which are then combined to form an estimation of the channel matrix. An approximate maximum-likelihood (ML) estimation is proposed, which is shown to become the exact ML estimation when the time duration of each training step equals the number of antennas at the transmitter. Simulation on the mean square error (MSE) shows that the SVD-based approximate ML estimation performs about the same as the exact ML estimation and is superior to entry-based estimations. For the individual channel estimation, we decompose each channel vector into the product of its length and direction, and find the ML estimation of each. By using an approximation on the probability density function (PDF) of the observations during training, an analytical ML estimation is derived. The ML estimation with the exact PDF is also investigated and a solution is obtained numerically. Simulation on the MSE shows that the two have similar performance. Compared with cascade channel estimations, its performance is superior for the relay-receiver channel estimation and comparable for the transmitter-relay channel estimation. Extension to the general multiple-antenna multiple-relay network is also provided.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| 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 | 0,000 |
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 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 ».