Iterative Receiver Design With Joint Doubly Selective Channel and CFO Estimation for Coded MIMO-OFDM Transmissions
Notice bibliographique
Résumé
This paper is concerned with the problem of turbo (iterative) processing for joint channel and carrier frequency offset (CFO) estimation and soft decoding in coded multiple-input-multiple-output (MIMO) orthogonal frequency-division-multiplexing (OFDM) systems over time- and frequency-selective (doubly selective) channels. In doubly selective channel modeling, a basis expansion model (BEM) is deployed as a fitting parametric model to reduce the number of channel parameters to be estimated. Under pilot-aided Bayesian estimation, CFO and BEM coefficients are treated as random variables to be estimated by the maximum a posteriori technique. To attain better estimation performance without sacrificing spectral efficiency, soft bit information from a soft-input-soft-output (SISO) decoder is exploited in computing soft estimates of data symbols to function as pilots. These additional pilot signals, together with the original signals, can help to enhance the accuracy of channel and CFO estimates for the next iteration of SISO decoding. The resulting turbo estimation and decoding performance is enhanced in a progressive manner by benefiting from the iterative extrinsic information exchange in the receiver. Both extrinsic information transfer chart analysis and numerical results show that the iterative receiver performance is able to converge fast and close to the ideal performance using perfect CFO and channel estimates.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».