Robust OFDMA Uplink Synchronization by Exploiting the Variance of Carrier Frequency Offsets
Notice bibliographique
Résumé
In this paper, the uplink frequency offset estimation for orthogonal frequency-division multiplexing access (OFDMA) is discussed. We consider a general subcarrier allocation scheme where each user subcarrier group need not be contiguous. For an OFDMA uplink, we model the frequency offset for each user as an independent and identically distributed (i.i.d.) random variable with mean zero and variance$\sigma_{ \epsilon}^{2}$. An analysis of multiple access interference (MAI) is performed, and the Cramer–Rao lower bound (CRLB) for the estimation of variance of each user is derived. The signal-to-interference-plus-noise ratio (SINR) is derived as a function of the variance of the frequency offset. The variance of the frequency offset estimation error is lower bounded as a function of the signal-to-noise ratio (SNR). Successive interference cancellation (SIC) and iterative frequency offset estimation are considered. An estimate of the variance of the frequency offset is derived as a function of SINR and SNR. An estimate of the range of frequency offsets is derived using the assumption of uniformly distributed frequency offsets. Based on this estimate of the range of frequency offsets, the accuracy of any existing algorithm can be improved. Thus, new versions of the SIC-based frequency offset estimation and differential estimation algorithms are derived. Extensive simulation results are provided for a 16-user, 256-subcarrier OFDMA system over a multipath fading channel.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».