MétaCan
Menu
Retour à la cohorte
Enregistrement W2152114071 · doi:10.1109/tbc.2012.2190192

An Economical, ISI-Immune Frequency Offset Estimator for DOCSIS Upstream Channels

2012· article· en· W2152114071 sur OpenAlexaff
Brian Berscheid, Eric Salt, Ha H. Nguyen

Notice bibliographique

RevueIEEE Transactions on Broadcasting · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Wireless Communication Techniques
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésPreambleEstimatorFrequency offsetBroadbandOffset (computer science)Cramér–Rao boundElectronic engineeringUpstream (networking)Computer scienceChannel (broadcasting)EngineeringAlgorithmTelecommunicationsEstimation theoryOrthogonal frequency-division multiplexingStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

This paper discusses the design and implementation of frequency offset estimation algorithms for DOCSIS upstream channels. A cost-effective estimator which approaches the Cramer-Rao bound for high SNRs is derived. The effect of ISI generated by upstream micro-reflections in typical cable networks is considered, and a condition upon the transmitted preamble sequence which guarantees unbiased estimation is presented. It is shown that the proposed estimator is unbiased for a wide range of preamble sequences, which is generally not the case for burst frequency estimators. This flexibility may be utilized by selecting a broadband preamble which is suitable for performing channel estimation and frequency offset estimation simultaneously, thereby increasing the efficiency of the upstream channels.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,820
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,026
Tête enseignante GPT0,280
Écart entre enseignants0,254 · 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 tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

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
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on BroadcastingMême sujetAdvanced Wireless Communication TechniquesTravaux en français237 207