GRU-Attention Model for Linearizing Millimeter-Wave Transmitters in Vehicle to Satellite Communication Systems
Notice bibliographique
Résumé
Recently, with the increasing deployment of vehicle-to-everything (V2X) communication systems, wireless transmitters have been extensively deployed in vehicles. And to enable high-capacity and high-speed communications everywhere in the world, the communication from vehicle to satellite (V2S) has emerged, particularly utilizing high throughput satellite (HTS) technology. However, the nonlinearity of the millimeter wave transmitter (mmWT) in a vehicle ends affects the quality of the V2S uplink transmitted signal gravely. Digital predistortion (DPD) linearization has shown promise in mitigating the nonlinearity of mmWTs. In addition, due to the powerful and complex feature fitting ability, neural networks have been used to nonlinear behavioral model and DPD linearize for broadband wireless communication systems. In this work, a gated recurrent unit (GRU) with attention mechanism (GRU-attention) model is proposed for modeling and linearizing mmWTs in V2S communication systems. The attention mechanism in the GRU-attention model calculates a distribution matrix during the training process, which is utilized to weigh the GRU-attention model parameters, thereby enhancing the modeling accuracy. The linearization performance of the GRU-attention is experimentally evaluated by using a Ka-band 29 GHz mmWT with a 100 MHz bandwidth and 64 quadrature amplitude modulation (64-QAM) 5G NR signal. The experimental results demonstrate that the GRU-attention improves the adjacent channel power ratio of the mmWT by 18 dB, which is 4 dB better than that of the conventional GRU model.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».