MétaCan
Menu
Retour à la cohorte
Enregistrement W2131536370 · doi:10.1109/ccnc08.2007.50

PAPR Reduction in OFDM Using Wavelet Packet Pre-Processing

2008· article· en· W2131536370 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 multiplexingQuadrature amplitude modulationQAMWaveletWavelet packet decompositionAlgorithmComputer scienceReduction (mathematics)Clipping (morphology)TransmitterMathematicsNetwork packetElectronic engineeringBit error rateTelecommunicationsWavelet transformComputer networkDecoding methodsEngineeringArtificial intelligenceChannel (broadcasting)

Résumé

récupéré en direct d'OpenAlex

This paper introduces a novel peak-to-average power ratio (PAPR) reduction method in orthogonal frequency division multiplexing (OFDM) systems by deploying wavelet packet pre-processing of the quadrature amplitude modulation (QAM) symbols. Specifically, joint inverse discrete wavelet packet and Fourier transformations (IDWPT and IDFT) of QAM symbols are calculated at the transmitter with the purpose of minimizing the PAPR of the OFDM frame to be transmitted. The wavelet packet tree representing a reversible IDWPT chosen at the transmitter is communicated to the receiver as side information, where the output of the DFT block is passed through the DWPT to recover the QAM symbols. As the DWPT is a orthonormal transformation, the proposed method preserves the average transmitted energy while maintaining the integrity of the transmitted information. With a small level of redundancy for side information, the proposed scheme achieves 5.5 dB reduction in PAPR over the traditional OFDM system as measured using the complementary cumulative distribution function (CCDF) of the OFDM signals at the clipping probability of 10-4.

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: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,001
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 savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,031
Tête enseignante GPT0,247
Écart entre enseignants0,216 · 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
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

Citations11
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetPAPR reduction in OFDMTravaux en français237 207