Design of nonuniformly-spaced tapped-delay-line equalizers for sparse multipath channels
Notice bibliographique
Résumé
The problem of designing nonuniformly-spaced tapped-delay-tine equalizers (NU-E) for sparse multipath channels is addressed. First, analytical expressions that explicitly indicate the tap positions and tap values of the infinite-length, T-spaced linear equalizers (LE) and decision feedback equalizers (DFE) under the zero-forcing (ZF) and minimum mean square error (MMSE) criteria are derived using the conventional matched receive filter (MF) and a square root raised cosine (SRRC) receive filter that is matched to a SRRC transmit filter. For both receive filter systems, the ZF-LE and the MMSE-LE for sparse multipath channels are nonuniformly-spaced with identical tap positions, but the ZF-DFE and MMSE-DFE are uniformly-spaced. Next, two suboptimum tap allocation algorithms based on the positions of large magnitude taps in the infinite-length, T-spaced equalizers are proposed for designing finite-length, T- and T/2-spaced MMSE NU-LE and NU-DFE. Results have shown that the proposed NU-E exhibit superior performance over uniformly-spaced tapped-delay-line equalizers (U-E) for the same number of taps, and only a small loss in SNR when compared to U-E with a large number of taps. Moreover, the SRRC receive filter is found to be a better front-end receive filter than the MF when used together with an appropriately-designed NU-E. A simple method that assigns extra T/2-spaced taps to improve the timing insensitivity of the proposed NU-E is also included.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».