Energy-Efficient and Low-Latency Massive SIMO Using Noncoherent ML Detection for Industrial IoT Communications
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
To enable ultrareliable low-latency wireless communications required in the Industrial Internet of Things, in this paper we develop an energy-based modulation [i.e., non-negative pulse amplitude modulation (PAM)] constellation design framework for noncoherent detection in massive single-input multiple-output (SIMO) systems. We consider that one single-antenna transmitter communicates to a receiver with a large number of antennas over a Rayleigh fading channel, and the receiver decodes the transmitted information at the end of every symbol. For such an SIMO system with non-negative PAM modulation, we first propose a fast noncoherent maximum-likelihood decoding algorithm and derive a closed-form expression of its symbol error probability (SEP). We then enhance the system energy efficiency by finding the optimal PAM constellation that minimizes the exact SEP subject to a total signal power constraint for such a system with an arbitrary number of receiver antennas, signal-to-noise ratio (SNR), and constellation size. Furthermore, the closed-form upper and lower bounds on the optimal SEP are derived. Based on these bounds, the exact expression for coding gain of the dominant term of the SEP is presented for such an optimal massive SIMO system. We also present an asymptotic SEP expression at a high SNR regime and the approximate diversity gain of the system. Simulation results for the proposed optimal PAM constellation validate the theoretical analysis, and show that our presented optimal constellation attains significant performance gains over the currently available minimum-distance-based constellation systems.
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