Iterative parallel-trellis MAP equalizers with nonuniformly-spaced prefilters for sparse multipath channels
Notice bibliographique
Résumé
A maximum a posteriori (MAP) equalizer is derived in this paper by formulating the forward/backward recursion MAP algorithm (i.e. the BCJR algorithm) on a parallel-trellis representation that was previously proposed for equalizing sparse multipath channels. Several enhancements are suggested to further improve the performance and/or reduce the complexity of the resultant MAP equalizer. Results show that the parallel-trellis MAP equalizers utilizing 2-state trellises are the predominant structures applicable to minimum-phase sparse multipath channels when binary phase shift keying (BPSK) modulation is assumed. However, for nonminimum-phase sparse multipath channels, prefiltering is generally indispensable and is accomplished using the feedforward filter (FFF) of a nonuniformly-spaced decision feedback equalizer (NU-DFE) optimized under the minimum mean square error (MMSE) criterion, which also preserves the sparseness of the resultant minimum-phase impulse response. The simplicity of the 2-state, parallel-trellis structure leads to a low computational load that is comparable to those of uniformly-spaced and nonuniformly-spaced tapped-delay-line (TDL) equalizers, but attains much superior performance over the latter types of equalizers. Moreover, iterations can be added to improve the accuracy of the inter-trellis intersymbol interference (ISI) estimates and the residual ISI estimates due to channel truncation, and are especially effective in mitigating the precursor ISI terms due to non-ideal prefiltering.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».