Decision Directed Channel Estimation Based on Deep Neural Network $k$ -Step Predictor for MIMO Communications in 5G
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
We consider the use of deep neural network (DNN) to develop a decision-directed (DD)-channel estimation (CE) algorithm for multiple-input multiple-output (MIMO)-space-time block coded systems in highly dynamic vehicular environments. We propose the use of DNN for k -step channel prediction for space-time block code (STBC), and show that deep learning (DL)-based DD-CE can remove the need for Doppler rate estimation in fast time-varying quasi stationary channels, where the Doppler rate varies from one packet to another. Doppler rate estimation in this kind of vehicular channels is remarkably challenging and requires a large number of pilots and preambles, leading to lower power and spectral efficiency. We train two DNNs which learn the real and imaginary parts of the MIMO fading channels over a wide range of Doppler rates. We demonstrate that by these DNNs, DD-CE can be realized with only priori knowledge about Doppler rate range and not the exact value. For the proposed DD-CE algorithm, we also analytically derive the maximum likelihood (ML) decoding algorithm for STBC transmission. The proposed DL-based DD-CE is a promising solution for reliable communication over vehicular MIMO fading channels without accurate mathematical models. This is because DNNs can intelligently learn the statistics of the fading channels. Our simulation results show that the proposed DL-based DD-CE algorithm exhibits lower error propagation compared to existing DD-CE algorithms which require perfect knowledge of the Doppler rate.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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