Reduced-complexity equalization techniques for ISI and MIMO wireless channels in iterative decoding
Notice bibliographique
Résumé
Two reduced-complexity soft-input soft-output trellis decoding techniques are presented in this paper for equalizing single-input single-output intersymbol interference (ISI) channels and multiple-input multiple-output (MIMO) frequency selective fading channels. Given a trellis representing an ISI channel, the soft-output M-algorithm (SOMA) reduces the complexity of equalization by retaining only the best M survivors at each trellis interval. The remaining survivors are discarded. The novelty of the SOMA is the use of discarded paths to obtain soft-information. Through a simple update-and-discard procedure, the SOMA extracts reliable soft-information from discarded paths which enables a large trellis to be successfully decoded with a relatively small value of M. To decode a trellis representing a MIMO frequency selective fading channel, two challenges are faced. Not only that the trellis has a large number of states, the number of branches per trellis interval is also enormous. The soft-output trellis/tree M-algorithm (SOTTMA) expands each trellis interval into a tree-like structure and performs the M-algorithm twice: once at each trellis interval to reduce the number of states and the other at each tree sub-level to remove unwanted branches. With the proposed technique, high-order trellises with million of branches per interval can be decoded with modest complexity.
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 | 0,001 | 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) | 0,002 | 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 ».