A Joint PAPR Reduction and Digital Predistortion Based on Real-Valued Neural Networks for 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
The peak-to-average power ratio (PAPR) reduction and linearization techniques are both effective methods to improve the efficiency of the transmitter in digital video broadcasting (DVB) systems. Traditional methods deploy the PAPR reduction model and the linearization model, respectively, without considering their mutual influence. Therefore, the joint optimizations of PAPR reduction and linearization techniques are proposed. However, these methods train the PAPR reduction model and the linearization model based on the time-division training method. It is difficult to meet the requirements of multiple objectives. To address this issue, this paper proposes a joint PAPR reduction and digital predistortion (DPD) method using the real-valued neural network (RVNN) for Orthogonal Frequency Division Multiplexing (OFDM) systems. The proposed method jointly trains the PAPR reduction function and the DPD function with multi-objective optimization, to achieve PAPR reduction and linearization simultaneously. Especially, this method unifies the PAPR reduction function and the DPD function into one model based on RVNN, and no extra processing is required at the receiver. Compared with the traditional methods, the experimental results show that the proposed method has superior performance in PAPR, adjacent channel power ratio (ACPR) and bit error rate (BER), while having lower 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.
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