Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:0705.0128

帮助 | 高级搜索

计算机科学 > 信息论

arXiv:0705.0128 (cs)
[提交于 2007年5月1日 ]

标题: 高斯-马尔可夫瑞利衰落信道的训练优化

标题: Training Optimization for Gauss-Markov Rayleigh Fading Channels

Authors:Sami Akin, Mustafa Cenk Gursoy
摘要: 本文研究了在高斯-马尔可夫瑞利衰落信道中使用导频辅助传输的问题。 考虑了一种简单场景:每隔T个符号发送一个导频信号,并在两个导频信号之间发送T-1个数据符号。首先,假设发射端采用二进制移相键控(BPSK)调制方式。在此假设下,通过最大化可达到的速率表达式,联合优化训练周期以及数据和训练功率分配。利用最优的训练参数,计算了可达到的速率和每比特能量需求。其次,通过将估计误差视为另一种加性高斯噪声源,得到了容量的下界,并通过最大化此下界来优化训练参数。
摘要: In this paper, pilot-assisted transmission over Gauss-Markov Rayleigh fading channels is considered. A simple scenario, where a single pilot signal is transmitted every T symbols and T-1 data symbols are transmitted in between the pilots, is studied. First, it is assumed that binary phase-shift keying (BPSK) modulation is employed at the transmitter. With this assumption, the training period, and data and training power allocation are jointly optimized by maximizing an achievable rate expression. Achievable rates and energy-per-bit requirements are computed using the optimal training parameters. Secondly, a capacity lower bound is obtained by considering the error in the estimate as another source of additive Gaussian noise, and the training parameters are optimized by maximizing this lower bound.
评论: 将于2007年IEEE国际通信会议 proceedings中发表
主题: 信息论 (cs.IT)
引用方式: arXiv:0705.0128 [cs.IT]
  (或者 arXiv:0705.0128v1 [cs.IT] 对于此版本)
  https://doi.org/10.48550/arXiv.0705.0128
通过 DataCite 发表的 arXiv DOI
相关 DOI: https://doi.org/10.1109/ICC.2007.994
链接到相关资源的 DOI

提交历史

来自: Mustafa Cenk Gursoy [查看电子邮件]
[v1] 星期二, 2007 年 5 月 1 日 16:04:39 UTC (83 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.IT
< 上一篇   |   下一篇 >
新的 | 最近的 | 2007-05
切换浏览方式为:
cs
math
math.IT

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者

1 博客链接

(这是什么?)
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号