EM Algorithm for Non-Data-Aided SNR Estimation of Linearly-Modulated Signals over SIMO Channels
Notice bibliographique
Résumé
In this paper, we address the problem of non-data-aided SNR estimation in wireless SIMO channels. We derive the per-antenna ML SNR estimator using the expectation-maximization (EM) algorithm under constant channels and additive white Gaussian noise (AWGN). The new method is valid for any arbitrary constellation. It is NDA and, therefore, does not impinge on the hole throughput of the system. We obtain two non linear vector equations which are tackled by a less complex approach based on the EM algorithm. The noise components are assumed to be spatially uncorrelated over all the antenna elements and temporally white with equal power. Besides, in order to evaluate our EM-ML SNR estimator, we derive the Cramer-Rao lower bound (CRLB) in the DA case. Monte Carlo simulations show, that our new estimator offers, a substantial performance improvement over the SISO ML SNR estimator due to the optimal usage of the mutual information between the antenna branches, and that it reaches the derived DA CRLBs. To the best of our knowledge, we are the first to derive the ML per-antenna SNR estimators as well as the CRLBs in the NDA and the DA case, respectively, both over SIMO 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 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 ».