Gaussianization-Based Parameter Estimation for Gamma-Gamma and Lognormal-Rician Turbulence Channels
Gamma–Gamma与对数正态–Rician湍流信道的高斯化参数估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究大气湍流通信信道参数估计，与给定的经济和金融计量细分方向没有直接联系。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
Gamma–Gamma与对数正态–Rician湍流信道的高斯化参数估计
- 研究问题
- 大气湍流信道密度涉及特殊函数和数值积分时，如何较稳健地估计模型参数，并缓解Gamma–Gamma形状参数的可识别性问题？
- 方法与思路
- 作者提出分位数变换和Box–Cox高斯化估计，分别使用双向变换与高阶统计匹配、含Jacobian的近似似然，并引入物理知识正则项。
- 材料陈述的贡献
- 摘要称给出偏度主导的渐近分析及Box–Cox参数表达，模拟显示估计具有稳健表现，并称正则项在特定情景下带来至少三个数量级的改善。
- 阅读关注点
- 应核对近似似然与弱至中等湍流分析的适用条件、物理映射对识别的作用，以及数量级改善对应的误差指标和比较设定。
- 阅读边界
- 这是 arXiv v1 预印本，不能据此声称已同行评审或期刊接收；摘要未说明完整条件和误差指标，特定情景的改善不能泛化。
原文摘要
Accurate parameter estimation for atmospheric turbulence channels is challenging because the probability density functions of the Gamma-Gamma (GG) and Lognormal-Rician (LR) models involve special functions and numerical integrations. This paper proposes two Gaussianization parameter estimators for GG and LR turbulence channels, i.e., the quantile-transformation (QT) estimator and the Box-Cox estimator. The QT estimator employs bidirectional cross-transformation together with higher-order statistical matching, whereas the Box-Cox estimator constructs an approximate likelihood by incorporating the transformation Jacobian. Asymptotic analysis identifies skewness as the leading-order deviation from Gaussianity under weak-to-moderate turbulence and yields asymptotic expressions for the Box-Cox power parameters. In addition, a physics-informed regularizer based on the extended Rytov-theory mapping from the Rytov variance to the GG shape parameters is introduced to improve parameter identifiability. Simulation results demonstrate that both estimators provide robust performance under noiseless and noisy conditions, while the physics-informed regularization term can improve the parameter estimation performance by at least three orders of magnitude compared with the iterative moment-based estimator and the method-of-moments/convex-optimization estimator in specific turbulence scenarios.