Tree-Search Multiple-Symbol Differential Decoding for Unitary Space-Time Modulation
Notice bibliographique
Résumé
Differential space-time modulation (DSTM) using unitary-matrix signal constellations is an attractive solution for transmission over multiple-input multiple-output (MIMO) fading channels without requiring channel state information (CSI) at the receiver. To avoid a high error floor for DSTM in relatively fast MIMO fading channels, multiple-symbol differential detection (MSDD) has to be applied at the receiver. MSDD jointly processes blocks of several received matrix-symbols, and power efficiency improves as the blocksize increases. But since the search space of MSDD grows exponentially with the blocksize and also with the number of transmit antennas and the data rate, the complexity of MSDD quickly becomes prohibitive. In this paper, we investigate the application of tree-search algorithms to overcome the complexity limitation of MSDD. We devise a nested MSDD structure consisting of an outer and a number of inner tree-search decoders, which renders MSDD feasible for wide ranges of system parameters. Decoder designs tailored for diagonal and orthogonal DSTM codes are given, and a more power-efficient variant of MSDD, so-called subset MSDD, is proposed. Furthermore, we derive a tight symbol-error rate approximation for MSDD, which lends itself to efficient numerical evaluation. Numerical and simulation results for different DSTM constellations and fading channel scenarios show that the new tree-search MSDD achieves a significantly better performance-complexity tradeoff than benchmark decoders.
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 | 0,000 | 0,003 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».