MétaCan
Menu
Retour à la cohorte
Enregistrement W2086669696 · doi:10.1109/mwscas.2013.6674666

An iterative calibration technique for LINC transmitter

2013· article· en· W2086669696 sur OpenAlexaff
Zhiwen Zhu, Xinping Huang

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Power Amplifier Design
Établissements canadiensCommunications Research Centre Canada
Organismes subventionnairesnon disponible
Mots-clésLinearityTransmitterCalibrationNonlinear systemElectronic engineeringComputer scienceQuadrature (astronomy)Envelope (radar)Iterative methodSIGNAL (programming language)Control theory (sociology)AlgorithmPhysicsTelecommunicationsEngineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The linear amplification using nonlinear components (LINC) is one of the most promising techniques that can simultaneously provide high efficiency and high linearity. However, it is sensitive to in-phase/quadrature imbalances in quadrature modulators (QMs), and to gain/phase mismatches between two PA paths. In this paper, we present an iterative calibration technique to compensate for the imbalances and mismatches, based on the observation that when the I/Q imbalances in the QM are ideally calibrated, the PA input signal has constant envelope, which allows the PA to be characterized as a linear gain model. It allows us to estimate the calibration parameters without modeling the nonlinear characteristics of the PAs. An adaptive implementation scheme is given. Simulation results demonstrate that the proposed technique accurately determines the calibration parameters, yielding significant performance improvement of the LINC transmitter.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,751
Score d'incertitude au seuil0,331

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,239
Écart entre enseignants0,229 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Power Amplifier DesignTravaux en français237 207