SNR Estimation Over SIMO Channels From Linearly Modulated Signals
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
In this paper, we address the problem of data-aided (DA) and nondata-aided (NDA) per-antenna signal-to-noise ratio (SNR) estimation over wireless single-input multiple-output (SIMO) channels from linearly modulated signals. Under constant channels and additive white Gaussian noise (AWGN), we first derive the DA maximum-likelihood (ML) SNR estimator in closed-form expression. The performance of the DA ML estimator is analytically carried out by deriving the closed-form expression of its bias and variance. Besides, in order to compare its performance with the fundamental limit, we derive the DA Cramér-Rao lower bound (CRLB) in closed-form expression. In the NDA case, the expectation-maximization (EM) algorithm is derived to iteratively maximize the log-likelihood function. The performance of the NDA ML estimator is empirically assessed using Monte Carlo simulations. Moreover, we introduce an efficient algorithm, which applies to any one/two-dimensional <i xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">M</i> -ary constellation, to numerically compute the NDA CRLBs. In this paper, the noise components are assumed to be spatially uncorrelated over all the antenna elements and temporally white. In both cases, we show that our new inphase and quadrature I/Q-based estimators offer substantial performance improvements over the single-input single-output (SISO) ML SNR estimator due to the optimal usage of the statistical dependence between the antenna branches, and that it reaches the corresponding CRLB over a wide SNR range. We also show that the use of the I/Q-based ML estimators can lead to remarkable performance improvements over the moment-based estimators for the same antenna-array size. Moreover, it is shown that SIMO configurations can contribute to decreasing the required number of iterations of the EM algorithm.
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 | 0,001 |
| 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