Pilot-Aided Joint CFO and Doubly-Selective Channel Estimation for OFDM Transmissions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper studies the problem of pilot-aided joint carrier frequency offset (CFO) and channel estimation using Fisher and Bayesian approaches in orthogonal frequency division multiplexing (OFDM) transmissions over time- and frequency-selective (doubly selective) channels. In particular, the recursive-least-squares (RLS) and maximum-likelihood (ML) techniques are used to facilitate the Fisher estimation implementations. For the Bayesian estimation, the maximum-a-posteriori (MAP) principle is employed in formulating the joint estimation problem. With known channel statistics, the MAP-based estimation is expected to provide better performance than the RLS- and ML-based ones. To avoid a possible identifiability issue in the joint estimation problem, various basis expansion models (BEMs) are deployed as fitting parametric models for capturing the time-variation of the channels. Numerical results and related Bayesian Cramér Rao bounds (BCRB) demonstrate that the deployment of BEMs is able to alleviate performance degradation in the considered estimation techniques using the conventional block-fading assumption over time-varying channels. Among the considered schemes, the MAP-based estimation using the discrete prolate spheroidal (DPS) or Karhuen Loève (KL) basis functions would be the best choice that can provide mean-squared-error (MSE) performance comparable to BCRB in low signal-to-noise ratio (SNR) conditions (e.g., coded OFDM transmissions).
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.
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 | 0,001 |
| 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 découle