Robust Design of Widely Linear Pre-Equalization Filters for Pre-Rake UWB Systems
Notice bibliographique
Résumé
Pre-rake ultra-wideband (UWB) systems are appealing for UWB communications applications which include devices with different processing capabilities so that signal processing complexity need to be shifted from the receiver of one or more devices to the transmitter of another. Recently, basic pre-rake schemes have been extended to include full pre-equalization, multiple-antenna, and multi-user interference processing. All these design approaches for pre-rake UWB systems have relied on the availability of accurate channel state information (CSI) at the transmitter. However, uncertainties in the acquisition of CSI can drastically affect the overall system performance. Therefore, in this paper, we present robust design methods for pre-equalization filters (PEFs) for pre-rake UWB systems that take CSI uncertainties into account. We treat the general case of a broadcast (i.e., multiuser) pre-rake UWB system, which includes single-user communication often considered in literature as a special case. For this general setting, we derive new PEF designs that improve system performance with imperfect CSI. Similar to the literature on robust filter designs for multiple-input multiple output (MIMO) systems, we consider two uncertainty models, namely stochastic and bounded uncertainty, which correspond to different performance optimization paradigms, and we adjust these according to channel estimation of UWB channels. As most of previous work on (pre-rake) UWB, we focus on binary transmission. We argue that widely linear filter design should be applied in this case and thus extend the robust filter design methodology accordingly. Our numerical results for typically UWB test channels demonstrate the efficacy of the proposed design procedures to achieve reliable communication in multiuser pre-rake UWB systems.
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 | 0,003 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 ».