Iterative Filtering PAPR Reduction Method for OFDM Modulation in Fifth-generation Cellular Networks
Notice bibliographique
Résumé
Background & Objective: Orthogonal Frequency Division Multiplexing (OFDM) is an ordinarily used waveform in the fifth generation (5G) cellular networks for uplink links. However, there is a prominent disadvantage in the form of a high peak-to-average power ratio (PAPR) which yields distortion in the timing signal generated at the output of the high-power amplifier (HPA). Methods: A new method called Iterative Filtering PAPR Reduction (IFP) has been suggested in this paper and maintains backward compatibility. The basic concept behind this algorithm is to obtain a filter based on a constant-envelope signal that is intimate to the original signal as far as power is concerned. The constant-envelope signal is then compared to the output between the product of the convolution of the original signal with the filter in question, allowing for the calculation of the impulse response of the filter. Such a process can be repeated several times with different filters to realize the best reduction in PAPR. Results: The simulated results of the IFP method proved better performance in terms of PAPR reduction, Bit Error Rate (BER), and computational complexity requiring two iterations only. We can see a gain of 3.1dB in terms of PAPR reduction, 17dB in terms of BER, and a factor of 33 times in terms of computational complexity compared to the TR method. The Complementary Cumulative Complementary Density Function (CCDF) has assisted in measuring and improving the PAPR performance of the system. Conclusion: The theoretical analysis shows that a single iteration (NF= 1) is sufficient, and the simulation results exposed in this paper show a gain of 3.1 dB in PAPR reduction.
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 | 0,001 | 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 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 ».