Second-Order Statistics-Aided Channel Estimation for Multipath Massive MIMO-OFDM Systems
Notice bibliographique
Résumé
This paper develops an efficient channel estimation algorithm based on second-order statistics of time division duplex (TDD) multiuser massive multiple-input multiple-output (MIMO) systems. The algorithm uses the received signal correlation to determine the most significant lags (MSLs) of the received signal. We first employ these MSLs to propose a novel set containing the channel’s four most significant taps (MSTs). Then, by using them, we propose an efficient semi-blind iterative algorithm called enhanced modified-subspace pursuit (EM-SP). It uses the set mentioned above and two theoretical results ( <xref ref-type="lemma" rid="lemma1" xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">Lemma 1</xref> and <xref ref-type="theorem" rid="theorem1" xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">Theorem 1</xref> ) to estimate an arbitrary number of MSTs efficiently. Simulation results show that the normalized mean square error (NMSE) of the proposed EM-SP algorithm is much smaller than that of the subspace pursuit (SP) and orthogonal matching pursuit (OMP) algorithms at the cost of 0.3 % and 2 % more computational complexity for the channels with three and six nonzero paths, respectively. Moreover, the NMSE of it is very close to that of the optimal genie-aided least square algorithm.
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 | 0,000 |
| 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 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 ».