RF Impairments in Wireless Transceivers: Phase Noise, CFO, and IQ Imbalance – A Survey
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
Wireless transceivers for mass-market applications must be cost effective. We may achieve this goal by deploying non-ideal low-cost radio frequency (RF) analog components. However, their imperfections may result in RF impairments, including phase noise (PN), carrier frequency offset (CFO), and in-phase (I) and quadrature-phase (Q) imbalance. These impairments introduce in-band and out-of-band interference terms and degrade the performance of wireless systems. In this survey, we present RF-impairment signal models and discuss their impacts. Moreover, we review RF-impairment estimation and compensation in single-carrier (SC) and multicarrier systems, especially orthogonal frequency division multiplexing (OFDM). Furthermore, we discuss the effects of the RF impairments in already-established wireless technologies, e.g., multiple-input multiple-output (MIMO), massive MIMO, full-duplex, and millimeter-wave communications and review existing estimation and compensation algorithms. Finally, future research directions investigate the RF impairments in emerging technologies, including cell-free massive MIMO communications, non-orthogonal multicarrier systems, non-orthogonal multiple access (NOMA), ambient backscatter communications, and intelligent reflecting surface (IRS)-assisted communications. Furthermore, we discuss artificial intelligence (AI) approaches for developing estimation and compensation algorithms for RF impairments.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle