MétaCan
Menu
Retour à la cohorte
Enregistrement W2105473502 · doi:10.1186/1687-1499-2012-281

A novel reduced power compressive sensing technique for wideband cognitive radio

2012· article· en· W2105473502 sur OpenAlexaff
Yasin Miar, Claude D’Amours, T. Aboulnasr

Notice bibliographique

RevueEURASIP Journal on Wireless Communications and Networking · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueSparse and Compressive Sensing Techniques
Établissements canadiensUniversity of British ColumbiaUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésNyquist rateCognitive radioComputer scienceWidebandNyquist–Shannon sampling theoremSpectral densityCompressed sensingAlgorithmSampling (signal processing)Power (physics)Power consumptionElectronic engineeringTelecommunicationsWirelessPhysicsComputer vision

Résumé

récupéré en direct d'OpenAlex

Wideband spectrum sensing for cognitive radio requires high rate analog to digital (A/D) converters whose power consumption is proportional to the sampling rate. In this article, we propose to use sub-Nyquist non-uniform sampling for spectrum sensing to reduce the power consumption. Since the received signal samples are correlated in the time domain, we estimate the missing samples by using the expectation-maximization (EM) algorithm. It is shown that the combined sub-Nyquist non-uniform sampling and EM algorithm consume much less power than A/D converter at the Nyquist rate making the proposed algorithm a viable low-power solution for spectrum sensing. Moreover, it is shown by simulations that the proposed sub-Nyquist rate non-uniform sampler is accurate enough to detect the edges of the estimated power spectral density.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,819
Score d'incertitude au seuil0,876

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,046
Tête enseignante GPT0,287
Écart entre enseignants0,241 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEURASIP Journal on Wireless Communications and NetworkingMême sujetSparse and Compressive Sensing TechniquesTravaux en français237 207