Compressed sensing-based channel estimation for ACO-OFDM visible light communications in 5G systems
Notice bibliographique
Résumé
In this paper, we propose a compressive sensing (CS)-based channel estimation technique for asymmetrically clipped optical-orthogonal frequency division multiplexing (ACO-OFDM) visible light communications (VLC) in 5G systems. We proposed a modified version of sparsity adaptive matching pursuit (SAMP) algorithm which is named as self-aware step size sparsity adaptive matching pursuit (SS-SAMP) algorithm. It utilizes the built-in features of SAMP and with additional ability to select step size according to the present situation, hence term self-aware, can provide better accuracy and low computational cost. It also does not require any prior knowledge of the sparsity of the signal which makes it self-sufficient. CS-based algorithms such as orthogonal matching pursuit (OMP), SAMP, and our proposed SS-SAMP were implemented on ACO-OFDM VLC. The paper is supported by simulation results which demonstrate performance of proposed scheme in terms of bit error rate (BER), mean square error (MSE), computational complexity, and key VLC parameter (LED nonlinearity, shot noise, thermal noise, channel response, and peak-to-average power ratio (PAPR). It is shown that the SS-SAMP is a good candidate for ACO-OFDM-based VLC that are mobile and have limited processing power, based on its performance and computational complexity.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».