MétaCan
Menu
Retour à la cohorte
Enregistrement W2110085878 · doi:10.1109/vetecs.2007.365

PAPR Reduction in Wavelet Packet Modulation Using Tree Pruning

2007· article· en· W2110085878 sur OpenAlexaff
Jacek Ilow

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiquePAPR reduction in OFDM
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésOrthogonal frequency-division multiplexingNetwork packetWavelet packet decompositionTree (set theory)Reduction (mathematics)WaveletRedundancy (engineering)Modulation (music)AlgorithmComputer scienceWavelet transformMathematicsPruningReal-time computingTelecommunicationsChannel (broadcasting)Artificial intelligenceComputer network

Résumé

récupéré en direct d'OpenAlex

High peak-to-average power ratio (PAPR) of transmitted signals is a major drawback for multicarrier modulation systems such as orthogonal frequency division multiplexing (OFDM) and wavelet packet modulation (WPM). In this paper, wavelet packet tree pruning is proposed for the reduction of PAPR in WPM systems. In this technique, a full wavelet packet tree is dynamically pruned via joining and splitting of terminal nodes to achieve a minimized PAPR. Specifically, alternative mappings of data symbols onto different tree structures are generated, and the time domain sequence with the smallest PAPR is transmitted. The information about the pruned tree is sent as side information similar to techniques such as selective mapping (SLM) in OFDM systems. Using a small level of redundancy for side information, the proposed scheme achieves significant reduction in PAPR at the expense of acceptable computational complexity. The complementary cumulative distribution function (CCDF) of the PAPR optimized signal shows about a 3.5 dB improvement over the original WPM signal.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,000
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
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 Opus0,024
Tête enseignante GPT0,257
Écart entre enseignants0,233 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations17
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetPAPR reduction in OFDMTravaux en français237 207