Analysis of Clipping Noise and Tone-Reservation Algorithms for Peak Reduction in OFDM Systems
Notice bibliographique
Résumé
Orthogonal frequency division multiplexing (OFDM) suffers from a high peak-to-average power ratio (PAR). Tone reservation is a popular PAR reduction technique that uses a set of reserved tones to design a peak-canceling signal. In a previous paper by Krongold and Jones, an active-set approach was developed to efficiently compute the peak-canceling signal. In this paper, we consider the use of clipping noise, which is generated when the OFDM signal is clipped at a predefined threshold, to design the peak-canceling signal. To this end, the clipping noise is analyzed as a series of parabolic pulses under tone-reservation constraints. The single-pulse case and the multiple-pulse case are treated. The analysis explains peak regrowth and the constancy of the clipping noise power spectrum over the whole OFDM band. Moreover, the clipping noise at the end of several clipping and filtering iterations is shown to be approximately proportional to that generated in the first iteration. The constant of proportionality is estimated via the level-crossing theory for high clipping thresholds. Using this analysis, a constant-scaling algorithm and an adaptive-scaling algorithm are proposed for tone reservation. These algorithms scale the filtered first-iteration clipping noise to compensate for peaks that are above the threshold. The simulation results show that the proposed algorithms achieve a larger peak reduction and lower complexity than the active-set algorithm.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».