Code-Aided DOA Estimation From Turbo-Coded QAM Transmissions: Analytical CRLBs and Maximum Likelihood Estimator
Notice bibliographique
Résumé
In this paper, we address the problem of direction of arrival (DOA) estimation from turbo-coded square-QAM-modulated transmissions. We devise a new code-aware direction finding concept, derived from maximum likelihood (ML) theory, wherein the soft information provided by the soft-input soft-output decoder, in the form of log-likelihood ratios, is exploited to assist the estimation process. At each turbo iteration, the decoder output is used to refine the ML DOA estimate. The latter is in turn used to perform a more focused receiving beamforming thereby providing more reliable information-bearing sequences for the next turbo iteration. In order to benchmark the new estimator, we also derive the analytical expressions for the exact Cramer-Rao lower bounds (CRLBs) of code-aided (CA) DOA estimates. Simulation results will show that the new CA direction finding scheme lies between the two traditional schemes of completely non-data-aided and data-aided (DA) estimations. Huge performance improvements are achieved by embedding the direction finding and receive beamforming tasks into the turbo iteration loop. Moreover, the new CA DOA estimator reaches the new CA CRLBs over a wide range of practical SNRs thereby confirming its statistical efficiency. As expected intuitively, its performance further improves at higher coding rates and/or lower modulation orders.
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 | 0,000 | 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 | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 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 ».