Signal-Dependent Shot and Relative Intensity Noise in Channel Estimation of Laser Diode-Based Indoor VLC Systems
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
Laser diode (LD) powered luminaires are already gaining traction in automotive applications and are expected to be increasingly deployed in homes and offices in the near future. This gives a unique opportunity to build visible light communication (VLC) systems with ultra-high-bandwidths offered by the LDs. However, LDs are subject to some inherent noise sources, notably signal-dependent shot noise (SDSN) and relative intensity noise (RIN). RIN basically describes the instability in the power level of a laser and quantifies the output power fluctuations. SDSN arises from variations in the photodetector’s response to optical signals. Our research explores the interplay between SDSN and RIN, revealing their combined adverse effect on channel estimation accuracy in a VLC system. Towards this direction, we first derive the Cramér-Rao lower bound (CLRB) in the presence of the SDSN and the RIN, which gives a lower estimate for the variance of an unbiased estimator. Then, we present the derivation of least square (LS) and maximum likelihood (ML) channel estimators. Furthermore, we present the optimal receiver in ML sense and compare it with a simple threshold detector as a sub-optimal solution, quantifying the impact of channel estimation accuracy on both receivers. Our study results reveal the adverse impact of the joint presence of SDSN and RIN on the channel estimation error; consequently, it degrades the BER of the two proposed receivers. Moreover, RIN emerges as the dominant noise source, especially at higher levels of transmitted power.
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 | 0,000 |
| 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 découle