MétaCan
Menu
Retour à la cohorte
Enregistrement W2129124948 · doi:10.1109/vetecf.2002.1040489

Iterative semi-blind space-time multiuser detection for MC-CDMA uplink system

2003· article· en· W2129124948 sur OpenAlexaff
P.L. Kafle, A.B. Sesay

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Wireless Communication Techniques
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésMultiuser detectionTelecommunications linkComputer scienceSingle antenna interference cancellationAlgorithmRayleigh fadingCode division multiple accessFadingIterative methodSubspace topologyDecoding methodsMinimum mean square errorElectronic engineeringMathematicsTelecommunicationsStatisticsEngineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Iterative multiuser detection and space-time coding are two promising techniques to increase the capacity and performance of coded multiuser systems in wireless channels. We present iterative multiuser detection schemes for space-time block coded multicarrier CDMA system with multiple transmit and receive antennas. We consider a more general case of an uplink system in the presence of both intracell and intercell interferences. We propose two types of iterative semi-blind space-time receivers for such an uplink environment. The first is based on the minimum mean square error criterion and the second is a hybrid scheme, based on a combination of parallel interference cancellation and linear multiuser detection. These iterative receivers are derived using a subspace approach, utilizing known users' information for the computation of log-likelihood ratios (LLRs), while blindly suppressing the unknown interference. The LLRs are refined successively during the iterative process by using the extrinsic information available through decoding of all known users. Turbo code is used for channel coding. Simulation results in a frequency-selective Rayleigh fading environment are presented to verify the performance of the proposed schemes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,242
Écart entre enseignants0,230 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2003
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Wireless Communication TechniquesTravaux en français237 207