搜索资源列表
ualue-efficient
- OFDM系统中以PN序列作为循环前缀和传统梳状导频信道估计方法对比()
awnn6
- ofdm系统模型,包含信道估计 FFT变换 QPSK 16QAM调制 插入导频等,非常全面,()
4843879
- 关于信道估计的程序,用MATLAB实现,包括导频的插入提取,FFT IFFT ,循环前缀的加入提取()
rfyxt
- mimo-ofdm系统基于梳状导频的信道估计,使用最小二乘法,线性内插,()
920806
- OFDM系统中以PN序列作为循环前缀和传统梳状导频信道估计方法对比()
modjfzerinfrastructure
- ofdm系统模型,包含信道估计 FFT变换 QPSK 16QAM调制 插入导频等,非常全面,()
KQSQDAJ
- 关于信道估计的程序,用MATLAB实现,包括导频的插入提取,FFT IFFT ,循环前缀的加入提取()
DLDB-infrastructure
- 关于信道估计的程序,用MATLAB实现,包括导频的插入提取,FFT IFFT ,循环前缀的加入提取()
78237807
- OFDM系统中以PN序列作为循环前缀和传统梳状导频信道估计方法对比()
63002198
- ofdm系统模型,包含信道估计 FFT变换 QPSK 16QAM调制 插入导频等,非常全面,()
Massive MIMO Systems with Non-Ideal Hardware
- 本文考虑了一种新的系统模型，它结合了通用收发器硬件损伤在BSs（配备大型天线阵列）和单天线用户设备（UE）。与传统硬件的传统情况相反，我们表明硬件损伤在信道估计精度和每个UE的下行链路/上行链路容量上创建有限天花板。令人惊讶的是，容量主要受限于UE的硬件，而大规模阵列中的损伤的影响逐渐消失，并且用户间干扰（特别是导频污染）变得可以忽略不计。此外，我们证明了大量的MIMO所提供的巨大自由度可以用来减少发射功率和/或容忍较大的硬件损伤，这允许使用廉价和节能的天线元件。(This paper cons
MIMO1
- 实现基于STBC的MIMO_OFDM通信系统在不同信噪比情况下接收端的误比特率的仿真。发射端包括基于基带调制、空时编码、导频插入、IFFT、串并合并以及添加循环前缀；接收端包括去除循环前缀、取出导频估计信道、FFT运算以及并串合并，空时解码等。仿真中采用QPSK、空时编码采用4*3的复正交空时编码矩阵。OFDM子载波数为100，每个子载波传输66个符号，每个符号2比特。IFFT长度为512个符号。发射天线为3个接收天线为2个。(The BER simulation of MIMO_OFDM co
xommunlcation
- mimo-ofdm系统基于梳状导频的信道估计,使用最小二乘法,线性内插,(Mimo-ofdm system based on comb pilot channel estimation, using the least square method, linear interpolation,)
宽带无线仿真
- 宽带无线通信仿真，有关于瑞丽信道建模，导频信道估计，理想信道估计，最大比合并与等增益合并，直接序列扩频(matlab,simulink,STBC,VBLAST)
upload
- 这些文件将在两用户非正交多址（NOMA）系统中实现用于信号检测的深度学习方法[1]。三个主要脚本分别是生成训练数据、训练神经网络和生成测试结果。该神经网络用于相位衰落的静态标量信道，用于NOMA系统中同时检测2个用户的单个子载波上的传输符号。考虑并测试了两种情况：一种是导频符号数目较少，另一种是循环前缀长度较短。在这两种情况下，深度学习方法都比传统的信道估计方法具有更强的鲁棒性。(These files are to implement the deep learning method for