MétaCan
Menu
Retour à la cohorte
Enregistrement W4214936246 · doi:10.17148/ijarcce.2016.5105

A Comprehensive Study of Channel Equalization Techniques in MIMO-OFDM Systems

2016· article· en· W4214936246 sur OpenAlexaff
Lipsa Dash, Sree Ramani Potluri

Notice bibliographique

RevueIJARCCE · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced MIMO Systems Optimization
Établissements canadiensHorizon College and Seminary
Organismes subventionnairesnon disponible
Mots-clésOrthogonal frequency-division multiplexingMIMO-OFDMEqualization (audio)MIMOComputer scienceChannel (broadcasting)Electronic engineeringTelecommunicationsEngineering

Résumé

récupéré en direct d'OpenAlex

Today's communication scenario demands high data rates and large system capacity where MIMO-OFDM proves to be an ultimate combination .The never ending thirst for such high performance wireless communication results in signal vulnerability to channel impairments. One of the primary causes resulting in signal degradation due to the multipath propagation is channel ISI (Inter symbol interference). The process of channel estimation and equalization together accomplishes the job of combating the effect of ISI. Initially CIR(Channel Impulse Response) is estimated based on a known sequence of bits(Pilot sequence) followed by equalization process which takes care of altering the channel response based on the estimated behavior thereby extracting the signal of interest. It is also possible to implement non pilot aided approaches like blind channel equalizer algorithms without possessing knowledge of the channel. This paper does a comprehensive survey of different types of equalizers thereby providing an in depth understanding of equalization.

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: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,736
Score d'incertitude au seuil0,379

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,024
Tête enseignante GPT0,265
Écart entre enseignants0,242 · 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
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

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIJARCCEMême sujetAdvanced MIMO Systems OptimizationTravaux en français237 207