Compressed Sensing Channel Estimation for OFDM with non-Gaussian Multipath Gains
برآورد کانال حسگری فشرده برای OFDM با بهرههای چندمسیری غیرگوسی
دانلود مقاله
زمینه | کامپیوتر |
---|---|
نام ژورنال | IEEE Transactions on Wireless Communications |
نام نویسنده | Felipe Gomez-Cuba, ´ Member, IEEE; Andrea J. Goldsmith, Fellow, IEEE |
سال انتشار | 2019 |
تعداد صفحات انگلیسی | 17صفحه |
تعداد صفحات فارسی | 38صفحه |
تعداد کلمات | 11700 |
ترجمه تخصصی چکیده مقاله
این مقاله تاثیر توزیع اندازه مولفه چندمسیری غیرگوسی (MPC) بر عملکرد برآوردکنندههای کانال حسگری فشرده (CS) برای سیستمهای OFDM را آنالیز میکند. تعداد مولفه های چندمسیری غیرگوسی برتر که هر الگوریتم CS باید برای بازنمایی دقیق کانال برآورد کند، مشخص میشود. این تعداد با شاخص فشردگی (CI) کانال ارتباط دارد که وابسته به ممان چهارم توزیع اندازه مولفه های چندمسیری غیرگوسی است. ارتباط بین خطای مجذور میانگین (MSE) هر الگوریتم برآورد CS و ممان چهارم توزیع اندازه مولفه های چندمسیری غیرگوسی مشخص میشود که نشان میدهد وقتی بهرههای اندازه ممان چهارم این اجزا بزرگ باشد، تعدادکمتری مولفه های چندمسیری غیرگوسی برای برآورد دقیق کانالها لازم است. نتایج آنالیز به وسیله شبیه سازی برای کانالها با مولفه های چندمسیری غیرگوسی لگ نرمال مانند مدل کانال NYU mmWave تائید شدند. این شبیه سازیها نشان میدهند وقتی توزیع اندازه MPC، ممان چهارم بزرگی دارد، الگوریتم CS معروف تعقیب تطبیق متعامد، عملکردی تقریبا یکسان با الگوریتم حذف نویز تعقیب مبنا با هزینه محاسباتی بسیار کمتر دارد.
آیا خرید این مقاله به صرفه است؟ بله. چون اگر بخواهید این مقاله را به عنوان یک سفارش در سایت فست مترجم ثبت نمایید تا ترجمه شود، هزینه ترجمه آن 2,925,000 تومان است . اما با خرید آن از فروشگاه فست مترجم، بیش از 85 درصد تخفیف گرفته اید.
سایر مقالات ترجمه شده رشته کامپیوتر
![Review on Data Aggregation Techniques for Energy Efficiency in Wireless Sensor Networks](https://fastmotarjem.ir/images/shop/article.png)
مروری بر روش های جمع آوری داده برای بهره وری انرژی در شبکه های حسگر بیسیم
![A study on smart parking guidance algorithm](https://fastmotarjem.ir/images/shop/article.png)
بررسی الگوریتم هدایت پارکینگ هوشمند
![Recurrent Neural Network for (Un-)supervised Learning of Monocular Video Visual Odometry and Depth](https://fastmotarjem.ir/images/shop/article.png)