Cross-Entropy-Based Sign-Selection Algorithms for Peak-to-Average Power Ratio Reduction of OFDM Systems
Notice bibliographique
Résumé
Sign-selection uses a set of subcarrier signs to reduce the peak-to-average power ratio (PAR) of orthogonal-frequency-division multiplexing (OFDM). However, the computational complexity (worst-case) is exponential in N, the number of subcarriers. Suboptimal sign-selection algorithms, achieving different tradeoffs between the PAR reduction and complexity, have thus been developed. For example, the derandomization method achieves high PAR reduction of O(log N) with relatively high complexity of O(N2). On the other hand, selective mapping (SLM) and partial transmit sequences (PTS) sacrifice the achievable PAR reduction for lower complexity. In this paper, we develop two new cross-entropy (CE)-based sign-selection algorithms. Our algorithms simultaneously updates the probabilities of the signs of all subcarriers. The first algorithm obtains a PAR lower than the above methods with a complexity level of O(N2). However, if the number of iterations is fixed, this algorithm obtains the same PAR reduction as derandomization, but with O(N log N) complexity. Practical PAR reduction algorithms require that the extra cost of PAR reduction must be small. Therefore, we propose the second algorithm, which adaptively adjusts the probability of "elite" samples, and stops whenever a PAR threshold is reached. Our second algorithm achieves up to 95 % complexity savings over the first (with only a 0.4-dB PAR reduction loss). The simulations confirm the complexity advantages of the proposed algorithms compared to SLM and derandomization.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 0,001 |
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 ».