Iterative Receiver Design with Joint Channel Estimation and Synchronization for Coded MIMO-OFDM over Doubly Selective Channels
Notice bibliographique
Résumé
The paper introduces a turbo (iterative) receiver design for joint channel estimation, synchronization and soft decoding in convolutional-coded multiple-input multiple-output (MIMO) orthogonal frequency division multiplexing (OFDM) systems over time- and frequency-selective (doubly selective) channels. Employing the complex-exponential basis expansion model (CE-BEM) for representing doubly selective channels, a maximum likelihood (ML) objective function of carrier frequency offset (CFO) and MIMO time-varying channel responses (BEM coefficients) is formulated to develop a semi-blind ML framework for joint time-variant channel estimation and synchronization. To reduce the overhead of pilot signals without sacrificing estimation accuracy, the soft bit information from a soft-input soft-output (SISO) decoder is exploited in computing soft estimates of data symbols to be functioned as pilots for further enhancing the estimation accuracy after CFO and channel acquisition phase (initial coarse estimation) using pilots. In other words, the resulting semi-blind ML estimation scheme operates in conjunction with soft decoding process in a (iteratively) progressive manner to exploit remarkable gains of turbo processing (iterative extrinsic information exchange). Simulation results show that the proposed turbo joint channel estimation and synchronization scheme offers high estimation accuracy that approaches Cramer-Rao lower bounds (CRLBs) over a wide range of CFO values under low signal-to-noise ratio (SNR) conditions.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».