Tensor-Based Algebraic Channel Estimation for Hybrid IRS-Assisted MIMO-OFDM
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 channel estimation problem in multiple-input multiple-output orthogonal frequency division multiplexing (MIMO-OFDM) systems assisted by intelligent reconfigurable surfaces (IRSs). To avoid the inherent estimation ambiguities of the two-hop channels from mobile stations (MS) to the base station (BS), we adopt a hybrid IRS architecture composed of passive reflectors and active sensors, and establish two independent subproblems of estimating the MS-to-IRS and BS-to-IRS channels. By leveraging the sparse characteristics of high-frequency propagation, we model the training signals as multi-dimensional canonical polyadic decomposition (CPD) tensors with missing fibers or slices. We develop algebraic algorithms to solve the tensor completion problems and recover channel multipath parameters, i.e., angles of arrival, time delays and path gains. Our methods require neither random initialization nor iterative operations, and for these reasons they can perform robustly with a low computational complexity. Moreover, we investigate the uniqueness condition of CPD tensor completion, which can be utilized to inform both the physical design of hybrid IRSs and the time-frequency resource allocation of training strategies. Simulation results indicate that the proposed schemes outperform the traditional counterparts in terms of accuracy, robustness and complexity, especially for the case of low-complexity IRSs with limited number of active sensing elements.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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