MétaCan
Menu
Retour à la cohorte
Enregistrement W3013612420 · doi:10.1109/tcomm.2020.2982632

Relaying Systems With Reciprocity Mismatch: Impact Analysis and Calibration

2020· article· en· W3013612420 sur OpenAlexaff
Rongjiang Nie, Li Chen, Nan Zhao, Yunfei Chen, F. Richard Yu, Guo Wei

Notice bibliographique

RevueIEEE Transactions on Communications · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueCooperative Communication and Network Coding
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésReciprocity (cultural anthropology)CodebookComputer scienceCalibrationElectronic engineeringBeamformingPerformance improvementAlgorithmEngineeringMathematics

Résumé

récupéré en direct d'OpenAlex

Cooperative beamforming can provide significant performance improvement for relaying systems with the help of the channel state information (CSI). In time-division duplexing (TDD) mode, the estimated CSI will deteriorate due to the reciprocity mismatch. In this work, we examine the impact and the calibration of the reciprocity mismatch in relaying systems. To evaluate the impact of the reciprocity mismatch for all devices, the closed-form expression of the achievable rate is first derived. Then, we analyze the performance loss caused by the reciprocity mismatch at sources, relays, and destinations respectively to show that the mismatch at relays dominates the impact. To compensate the performance loss, a two-stage calibration scheme is proposed for relays. Specifically, relays perform the intra-calibration based on circuits independently. Further, the inter-calibration based on the discrete Fourier transform (DFT) codebook is operated to improve the calibration performance by cooperation transmission, which has never been considered in previous work. Finally, we derive the achievable rate after relays perform the proposed reciprocity calibration scheme and investigate the impact of estimation errors on the system performance. Simulation results are presented to verify the analytical results and to show the performance of the proposed calibration approach.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,974
Score d'incertitude au seuil0,669

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,070
Tête enseignante GPT0,296
Écart entre enseignants0,226 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

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

En bref

Citations11
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on CommunicationsMême sujetCooperative Communication and Network CodingTravaux en français237 207