Low SNR Uplink CFO Estimation for Energy Efficient IoT Using LTE
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
Machine Type Communications (MTC) is one of the prominent solutions to enable the Internet of Things (IoT). With a large number of IoT applications envisioned over the cellular network, the Third Generation Partnership Project (3GPP) has initiated the support for MTC in the Long Term Evolution (LTE)/ LTE-Advanced (LTE-A) standards. A significant portion of the MTC devices is expected to be low-complexity and low-power User Equipment (UE), requiring an energy efficient mode of operation. In addition, many such UEs can be located in the regions of low network coverage. In this paper, we show that an accurate estimation and compensation of the residual carrier frequency offset (CFO) at the base-station (eNB) results in a reduction in energy consumption for MTC devices in low coverage. For robust and accurate CFO estimation in low coverage, we propose a Maximum Likelihood (ML) based CFO estimation technique that works for data and/or pilot repetitions in LTE/LTE-A uplink. Through simulations, we illustrate that our technique shows a significant performance improvement over the conventional CFO estimation technique using the phase angle of the correlation between the repeated data. We determine that residual CFO estimation and compensation at the eNB results in 22.5%-55.2% reduction in energy consumption of the MTC devices, when compared to the case without CFO compensation.
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