A hybrid technique for the PAPR reduction of NOMA waveform
Notice bibliographique
Résumé
Summary Non‐orthogonal multiple access (NOMA) is a great contender for future cellular modulation due to its desirable properties like massive connectivity, high data rate transmission, and high spectral efficiency. However, its peak‐to‐average power ratio (PAPR) is significant, which becomes a significant disadvantage for the efficient operability of the NOMA waveform compared to current techniques. Several PAPR reduction algorithms like selective mapping (SLM), partial transmission sequence (PTS), and companding techniques have been proposed to lower the PAPR of multicarrier waveforms (MCWs). PTS reduces the PAPR but has high complexity. On the other hand, SLM has a less complex framework, but its PAPR performance is not as efficient as PTS. Companding methods reduce the PAPR by compressing the signals at the transmitter, which unfortunately reduces the dynamic range of the signal. In this work, we propose a hybrid algorithm (SLM + PTS) with a companding method for the first time for the NOMA waveform, which efficiently reduces the PAPR with low computational complexity. Furthermore, we compare the performances of a host of candidate algorithms like SLM, PTS, hybrid (SLM + PTS), hybrid + A law (SLM–PTS–A law), and hybrid + Mu law (SLM–PTS–Mu law). The results of the experiments show that the hybrid + Mu law did a better job than the existing PAPR reduction algorithms.
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 | 0,001 | 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 | 0,001 |
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 ».