Optimal Training Design for MIMO-OFDM Two-Way Relay Networks
Notice bibliographique
Résumé
In this paper, we study a training design problem for multiple-input multiple-output (MIMO) orthogonal frequency division multiplexing (OFDM) amplify-and-forward (AF) two-way relay networks. Unlike the existing studies, we assume the spatially correlated fading and consider the nonreciprocal channel condition, which is a more practical assumption but makes the training problem more challenging. The equivalent channels of bidirectional relaying links, which consist of self-interfering channels and information-bearing channels, are estimated at each source node based on a linear minimum mean square error (LMMSE) approach. The total mean square error (MSE) of the channel estimation is minimized under the transmit power constraints at the source nodes and at the relay. To solve this problem, we first derive an optimal structure of the training signals, and then, convert the optimization problem into a tractable convex form, from which the optimal training scheme is designed efficiently. Furthermore, for a practical special case, the optimal training design is derived in semi-closed form, which provides useful insights. To reduce the required complexity, a low-complexity training scheme is also derived in closed-form. This scheme is shown to be asymptotically optimal in the high signal-to-noise ratio (SNR) regime and gives further insights into the optimal training. The performance of the proposed schemes is demonstrated through numerical simulations.
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 | 0,001 | 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 | 0,006 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,006 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».