Parallel Soft Spherical Detection for Coded MIMO Systems
Notice bibliographique
Résumé
This Chapter briefly evaluates different multiple-input multiple-output (MIMO) detection techniques in the literature as the candidates for the next generation wireless systems. The authors evaluate the associated problems and solutions with these methods. The focus of the chapter is on two categories of MIMO decoding: i) hard detection and ii) soft detection. These techniques significantly increase the capacity of wireless communications systems. Theoretically, a-posteriori probability (APP) MIMO decoder with soft information can achieve the capacity of a MIMO system. A sub-optimum APP detector is proposed for iterative joint detection/decoding in a MIMO wireless communication system employing an outer code. The proposed detector searches inside a given sphere in a parallel manner to simultaneously find a list of m-best points based on an additive metric. The metric is formed by combining the channel output and the a-priori information. The parallel structure of the proposed method is suitable for hardware parallelization. The radius of the sphere and the value of m are selected according to the channel condition to reduce the complexity. Numerical results are provided showing a significant reduction in the average complexity (for a similar performance and peak complexity) as compared to the best earlier known method. This positions the proposed algorithm as a candidate for the next generation wireless systems. The proposed scheme is applied for the decoding of the rate 2, 4 × 2 MIMO code employed in the IEEE 802.16e standard.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».