Error-Rate Analysis for Bit-Loaded Coded MIMO-OFDM
Notice bibliographique
Résumé
Bit-loaded orthogonal frequency-division multiplexing (OFDM) with convolutional coding is a powerful technique for transmission over quasi-static frequency-selective fading channels. Further enhancements in data rate are achieved by combining loaded OFDM with multiple-input-multiple-output (MIMO) transmission. Motivated by the lack of appropriate error-rate analysis techniques for this popular type of transmission system, in this paper, we develop a novel analytical method for bit-error-rate (BER) and frame-error-rate (FER) estimation of bit-loaded coded OFDM and MIMO-OFDM systems using singular value decomposition (SVD), operating over frequency-selective quasi-static channels with nonideal interleaving. Then, we introduce three different applications of the proposed analysis. First, we compare the performance of several OFDM bit-loading schemes and propose a hybrid loading scheme that selects the best loading for each channel realization from a number of candidates. Second, we introduce three adaptive interleaving schemes: 1) selecting the best interleaver from a number of predefined interleavers; 2) a novel adaptive bit-interleaving algorithm based on the pairwise error probability; and 3) a spatial interleaving scheme for MIMO-OFDM-SVD systems with separate information sources. Third, we introduce an adaptive coded-modulation algorithm by using our BER and FER estimation techniques.
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».