Analysis of Clipping Noise and Tone-Reservation Algorithms for Peak Reduction in OFDM Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle