Residual Clipping Noise in Multi-layer Optical OFDM: Modeling, Analysis, and Application
Notice bibliographique
Résumé
Optical orthogonal frequency division multiplexing (O-OFDM) schemes are variations of OFDM schemes which produce non-negative signals. Asymmetrically-clipped O-OFDM (ACO-OFDM) is a single-layer O-OFDM scheme, whose spectral efficiency can be enhanced by adopting multiple ACO-OFDM layers or a combination of ACO-OFDM and other O-OFDM schemes. However, since symbol detection in such enhanced ACO-OFDM (eACO-OFDM) is done iteratively, erroneous detection leads to residual clipping noise (RCN) which can degrade performance in practice. Thus, it is important to develop an accurate model for RCN which can be used to design RCN-aware eACO-OFDM schemes. To this end, this paper provides a mathematical analysis of RCN leading to an accurate model of RCN power. The obtained model is used to analyze the performance of various eACO-OFDM schemes. It is shown that the model provides an accurate evaluation of symbol error rate (SER), which would be underestimated if RCN is ignored. Moreover, the model is shown to be useful for designing an RCN-aware resource allocation that increases the robustness of the system in terms of meeting a target SER, compared to an RCN-unaware design.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».