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 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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,002 | 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 ».