Novel Compressed Sensing-Based Channel Estimation Algorithm and Near-Optimal Pilot Placement Scheme
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
This paper presents a novel recovery algorithm based on sparsity adaptive matching pursuit (SaMP) and a new near-optimal pilot placement scheme, for compressed sensing (CS)-based sparse channel estimation in orthogonal frequency division multiplexing (OFDM) communication systems. Compared with other state-of-the-art recovery algorithms, the proposed algorithm possesses the feature of SaMP of not requiring a priori knowledge of the sparsity level, and moreover, adjusts the step size adaptively to approach the true sparsity level. Furthermore, we focus on the pilot pattern design in sparse channel estimation. Although a brute-force search guarantees the optimal pilot pattern, it is prohibitive to examine all possibilities due to high computational complexity. It is known that by minimizing the mutual coherence of the measurement matrix when the signal is sparse on the unitary discrete Fourier transform (DFT) matrix, the optimal set of pilot locations is a cyclic difference set (CDS). Based on this, we propose an efficient near-optimal pilot placement scheme in cases where CDS does not exist. Simulation results show that the proposed channel estimation algorithm, with the new pilot placement scheme, offers a better tradeoff between the performance-in terms of mean-squared-error (MSE) and bit-error-rate (BER)-and complexity, when compared to other estimation algorithms.
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 | 0,000 |
| 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 découle