Singular value decomposition techniques for multiuser detection receivers
Notice bibliographique
Résumé
Designing multiuser detection (MUD) receivers with low complexity and near single-user performance has generated a great deal of interest in code division multiple access (CDMA) systems. This thesis proposes novel approaches, primarily based on the Singular Value Decomposition (SVD), for designing multiuser detection receivers for CDMA systems with and without the use of multiple antennas. A new transmitter precoding scheme is proposed for the uplink of a single-input single-output (SISO) direct spread (DS) CDMA Rayleigh fading channel where non-orthogonal spreading codes are used. This technique is based on the SVD and can be analytically shown to achieve the single user bound. The application of the SVD to a multiple-input multiple-output (MIMO) DS-CDMA Rayleigh fading channel with forward error correction (FEC) codes is subsequently investigated. An iterative (turbo) multiuser detection algorithm is proposed for this MIMO multiple access system. The proposed MUD receiver is of low complexity when compared to the optimal MUD receiver and has near single-user performance in the presence of long-term power control. The salient feature of our iterative MIMO MUD receiver is that it combines SVD filtering, FEC coding and spreading codes. It is demonstrated that the proposed iterative MIMO MUD receiver can also be derived by applying the sum-product algorithm to the corresponding factor graph. The extrinsic information transfer (EXIT) chart analysis is shown to be accurate in studying the convergence behaviour and estimating the coded bit error rate (BER) for the iterative MIMO MUD receiver. A gear-shift MUD receiver is then introduced where the receiver is allowed to iteratively select a particular algorithm from a group of MUD algorithms in order to achieve a target performance level in the least amount of time.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».