ML-Type EM-Based Estimation of Fast Time-Varying Frequency-Selective Channels Over SIMO OFDM Transmissions
Notice bibliographique
Résumé
This paper investigates the problem of fast time-varying frequency-selective (i.e., multipath) channel estimation over single-input multiple-output orthogonal frequency-division multiplexing (SIMO OFDM)-type transmissions. We do so by tracking the variations of each complex gain coefficient using a polynomial-in-time expansion. To that end, we derive the log-likelihood function (LLF) both in the data-aided (DA) and non-data-aided (NDA) cases. The DA maximum likelihood (ML) estimates over fast SIMO OFDM channels are derived here for the first time in closed-form expressions and hereby shown to be limited to applying over each receive antenna the DA least squares (LS) estimator tailored in [1] to fast SISO OFDM channels. This DA ML is used to initialize periodically, over a relatively large number of data blocks (i.e., with further reduced and relatively close-to-negligible pilot overhead compared to DA ML), a new expectation maximization (EM) ML-type solution we developed here in the NDA case to iteratively maximize the LLF. We also introduce an alternative regularized DA ML (RDM) initialization solution no longer requesting - in contrast to DA ML - more per-carrier pilot frames than the number of paths to further reduce overhead without incurring significant performance losses. Simulation results show that the proposed hybrid ML-EM estimator (i.e., combines all new NDA ML-EM and DA ML or RDM versions) converges within few iterations, thereby providing very accurate estimates of all multipath channel gains. Most importantly, this increased estimation accuracy translates into very significant BER and link-level per-carrier throughput gains over the best representative benchmark solution available so far for the problem at hand, the SISO DA LS technique in [1] with its new generalization here to SIMO 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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».