A New Effective and Efficient Measure of PAPR in OFDM
Notice bibliographique
Résumé
In multi-carrier wireless OFDM communication systems, a major issue is related to high peaks in transmitted signals, resulting in such problems as power inefficiency. In this regard, a common practice is to transmit the signal that has the lowest Peak to Average Power Ratio (PAPR). Consequently, some efficient and accurate method of estimating the PAPR of a signal is required. Previous literature in this area suggests a strong relationship between PAPR and Power Variance (PV). As such, PV has been advocated as a good measure of PAPR. However, contrary to what is suggested in the literature, our research shows that often low values of PV do not correspond to low values of PAPR. Hence, PV does not provide a sound scientific basis for comparing and estimating PAPR in OFDM signals. In this paper a novel, effective, and efficient measure of high peaks in OFDM signals is proposed, which is less complex than PAPR. The proposed measure, termed as Partial Power Variance (PPV), exploits the relationship among PAPR, Aperiodic Autocorrelation Co-efficient (AAC), and Power Variance (PV) of the transmitted signal. Our results demonstrate that, in comparison to PV, Partial Power Variance is a more efficient as well as a more effective measure of PAPR. In addition, we demonstrate that the computational complexity of PPV is far less than that of PAPR.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 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 ».