MétaCan
Menu
Retour à la cohorte
Enregistrement W2985849524 · doi:10.1109/vetec.1991.140557

Adaptive compensation for imbalance and offset losses in direct conversion transceivers

2002· article· en· W2985849524 sur OpenAlexaff
J.K. Cavers, Mingxia Liao

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Power Amplifier Design
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésIntermodulationQuadrature amplitude modulationTransceiverTransmitterQAMComputer scienceElectronic engineeringOffset (computer science)AmplitudeControl theory (sociology)Pulse-amplitude modulationSpurious relationshipIntersymbol interferenceBit error rateAlgorithmTelecommunicationsDecoding methodsEngineeringDetectorBandwidth (computing)PhysicsAmplifierWirelessArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

It is pointed out that analog implementations of quadrature modulators and demodulators have deficiencies-primarily amplitude and phase imbalances and DC offset-that result in several troublesome problems for digital transceivers. An analysis and quantitative assessment of the losses due to analog implementations are presented. They include spurious tones and intermodulation products at the transmitter and a degraded BER (bit error rate) due to distortion of the signal constellation. The asymptotic degradation in BER performance in 16 QAM (quadrature amplitude modulation) for example is shown to be 1.1 dB for a 5 degrees phase imbalance and 0.65 dB for 5% gain imbalance. An adaptive procedure at the receiver for minimization of the imbalance and offset errors is developed. It is demonstrated that the LMS (least mean square) algorithm can be used to adapt the compensator in a manner similar to an equalizer, and that the computational load is the same as that of a three-tap equalizer.>

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,207
Écart entre enseignants0,185 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Power Amplifier DesignTravaux en français237 207