MétaCan
Menu
Retour à la cohorte
Enregistrement W2587226214 · doi:10.1109/glocomw.2016.7848906

Faster-than-Nyquist Single-Carrier MIMO Signaling

2016· article· en· W2587226214 sur OpenAlexaff
Michael McGuire, Alexandros Dimopoulos, Mihai Sima

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiquePAPR reduction in OFDM
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésMIMOComputer scienceBandwidth (computing)Nyquist–Shannon sampling theoremPhase-shift keyingElectronic engineeringNyquist rateBit error rateAlgorithmChannel (broadcasting)Control theory (sociology)TelecommunicationsEngineeringSampling (signal processing)

Résumé

récupéré en direct d'OpenAlex

Faster-Than-Nyquist (FTN) signaling is created when a digital communications signal has an occupied bandwidth less than the symbol rate. It has been previously demonstrated that FTN signals can achieve bit error rates near that of full-bandwidth signaling for BPSK and 4-QPSK modulation. Iterative frequency domain equalization allows for low cost receivers. This paper presents FTN signaling for Multiple-Input/Multiple-Output (MIMO) signals where a Single-Carrier (SC) MIMO signal is converted to the frequency domain and its occupied bandwidth is reduced by removing some of the frequency components before conversion back to the time domain. A previously proposed Single-Input/Single-Output FTN iterative receiver algorithm is extended for FTN SC-MIMO signals. Singular Value Decompositions (SVD) are proactively performed on the channel transfer matrices to reduce the computation cost of the iterative receiver. It is demonstrated that the Bit Error Rate (BER) performance of this MIMO FTN scheme is near that of full bandwidth MIMO signals with a low cost receiver algorithm. The signalling is robust to the selection of the frequency components that are nulled.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,211
Écart entre enseignants0,191 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetPAPR reduction in OFDMTravaux en français237 207