Low Complexity MIMO Channel Prediction for Fast Time-Variant Vehicular Communications Channels Based on Discrete Prolate Spheroidal Sequences
Notice bibliographique
Résumé
Channel state information (CSI) is required at the transmitter for achieving the maximum potentials of multiple-input multiple-output (MIMO) systems. In fast time-variant vehicular communications channels high data rate feedback lines are required in a frequency division duplex (FDD) transceiver for updating the transmitter with the rapidly changing CSI. Even with high data rate feedback lines, the delay caused by channel estimation and feedback may lead to outdated CSI at the transmitter. To reduce both the feedback load and CSI delay, this paper presents a reduced rank autoregressive (AR) channel predictor based on low dimensional discrete prolate spheroidal (DPS) sequences. The new subframewise DPS basis expansion model (DPS-BEM) channel predictor properly exploits the channel's restriction to low dimensional subspaces for reducing the prediction error and the computational complexity. The proposed channel predictor can be applied for updating the precoding matrix in time-variant MIMO systems. Simulation results demonstrate that the proposed channel predictor outperforms the DPS based minimum energy (ME) predictor at different Doppler frequencies and has better performance than the conventional Wiener predictor for slower time-variant channels and almost similar performance for very fast time-variant channels with reduced amount of computational complexity.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».