Notice bibliographique
Résumé
There are three parts to this thesis. In the first part, we study the channel estimation problem in frequency-selective multi-user (MU) multi-cell massive multiple-input multiple-output (MIMO) systems, where, a time-domain semi-blind channel estimation technique is proposed. Compared to frequency-domain, the time-domain channel estimation requires fewer parameters be estimated. Importantly, the time-domain estimation has enough samples for an accurate channel estimate. Given this many samples in the time-domain, the proposed channel estimation technique obtains a better estimate of the channel. Here, there is no assumption on orthogonality of users' channels, knowledge of large-scale fading coefficients, and the orthogonality between the training symbols of the users in all cells. The second part of the thesis studies the channel estimation problem in correlated massive MIMO systems with a reduced number of radio-frequency (RF) chains. Leveraging the knowledge of channel correlation matrices, we propose to estimate the channel entries in its eigen-domain. Due to the limited number of RF chains, channel estimation is typically performed in multiple time slots. Using the minimum mean squared error (MMSE) criterion, the optimal precoder and combiner in each time slot are aligned to transmitter and receiver eigen-directions, respectively. Meanwhile, the optimal power allocation for each training time slots is obtained via a waterfilling-type expression. In the final part, we study the downlink channel estimation for frequency-division-duplex (FDD) massive MIMO systems. Acquiring downlink channel state information in these systems is challenging due to the large training and feedback overhead. Motivated by the partial reciprocity of uplink and downlink channels, we first estimate the frequency-independent channel parameters, i.e., the path gains, delays, angles-of-arrivals (AoAs) and angles-of-departures (AoDs), via uplink training, since these parameters are common in both uplink and downlink. Then, the frequency-specific channel parameters are estimated via downlink training using a very short training signal. To efficiently estimate the channel parameters in the uplink, the underlying distribution of the channel parameters is incorporated as a prior into our estimation algorithm. This distribution is captured using deep generative models (DGMs). The proposed channel estimation technique significantly outperforms the conventional channel estimation techniques in practical ranges of signal-to-noise ratio (SNR).
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».