Notice bibliographique
Résumé
In this thesis, we propose novel techniques to improve the performance of OFDM systems. We present a simple adaptive modulation technique to mitigate the nonlinear distortion effects of OFDM signals. Based on an estimation of the nonlinearity of the HPA/channel, for each OFDM symbol, a calculation is done at the transmitter side which identifies the subcarries with high distortion and correpsondingly reduces the modulation level on those subcarriers. This procedure is repeated until the nonlinear distortion is below a predetermined threshold. This technique is shown to improve the BER performance considerably while the reduction in data rate is small. The data rate is reduced by 4% for a system with 64 subcarriers and 16 QAM as primary and 4 QAM as secondary modulation levels. The tone reservation technique used in conventional PAPR reduction is suitably modified to provide a simple solution to reduce the average power requirement in intenstiy modulated optical OFDM systems. With two reserved subcarriers the reduction in power is approximately 2 dB for 16 QAM modulation with 64 subcarriers and 1dB for 256 subcarriers. We also describe techniques to improve the BER performance of grouped linear constellation precoding (GLCP) OFDM which is used to achieve frequency diversity. We present an Adaptive Weighting (AW) technique in which during MLSE, the distance of the possible constellation points from the received symbols are weighted according to the SNR of each subcarrier before the sequence with the minimum distance is chosen. We also analyze a sub optimum iterative decoding algorithm which improves the performance of an initial zero forcing detection iteratively on a symbol by symbol basis. Both techniques improve the performance of the GLCP-OFDM system considerably at the expense of increased 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 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) | 0,001 | 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 tête enseignante, 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 ».