Performance Analysis of Decode-and-Forward Cooperative Diversity Using Differential EGC over Nakagami-m Fading Channels
Notice bibliographique
Résumé
Cooperative diversity is a promising technology for future wireless networks. In this paper, we derive the average bit error rate (BER) and outage probability (P <sub xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">out</sub> ) for differential equal gain combining (EGC) in cooperative diversity networks. The considered network uses adaptive decode-and-forward (DF) relaying over independent non-identical Nakagami-m fading channels. In adaptive DF relaying among M relays, that can participate, only C relays (C les M), with good channels to the source, decode and then forward (retransmit) the source information to the destination. Then, the destination combines the direct and the indirect signals using differential EGC. We first derive a simple exact expression for the equivalent SNR at the destination. Second, we derive the expressions of the PDF and the MGF of this equivalent total SNR at the destination. Then the MGF is used to determine the error and outage probabilities of adaptive DF with an arbitrary number of relays. Furthermore, we found (in terms of MGF) the SNR moments, the average signal-to-noise ratio (SNR) and the amount of fading. Computer simulations are used to validate our analytical results. Results show the significant performance improvement due to the use of the adaptive DF cooperative diversity. Also, results show that the performance of the adaptive DF differential EGC is comparable to the adaptive DF maximum ratio combining (MRC) performance.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».