Mitigation Techniques for Impulsive Noise With Memory Modeled by a Two State Markov-Gaussian Process
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
Impulsive noise, a common impediment preventing the system from achieving error-free transmission, is significant in many wireless and power line communication environments. Although the performance of several mitigation techniques for orthogonal frequency division multiplexing (OFDM)-based multicarrier communication systems impaired by memoryless impulsive noise are widely acknowledged, we note that OFDM is outperformed by its single-carrier counterpart when the impulses are very strong and/or they occur frequently, which is likely to exist in contemporary communication systems including smart grid communications. On the other hand, many communication technologies used in the smart grid do not employ OFDM and likewise, the assumption of memoryless noise is not valid for such communication scenarios. Memoryless noise models cannot take into account one of the main features of the actual noise, i.e., the time-correlation among the noise samples. The aim of this article is to compare and analyze several mitigation techniques such as clipping, blanking, and combined clipping-blanking to mitigate the noxious effects of bursty impulsive noise for low-density parity-check coded single-carrier communication systems. Moreover, we propose a log-likelihood ratio (LLR)-based impulsive noise mitigation for the considered scenario. In this context, provided simulation results highlight the superiority of the LLR-based mitigation scheme over the clipping/blanking schemes.
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 | 0,000 | 0,000 |
| 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