Deep Learning-Assisted Phase Noise Mitigation for High-Order Modulation with Minimal Overhead
Notice bibliographique
Résumé
This paper introduces Deep Learning Assisted phase noise Estimation (DLAE), a novel method for mitigating phase noise (PN) in high-order modulations in wireless backhaul links. DLAE leverages the inherent inter-correlation among signals affected by PN, employing a tailored Convolutional Neural Network (CNN) to overcome limitations observed in the existing Pilot-Symbol Assisted Modulation (PSAM) scheme. As a non-iterative solution, DLAE consistently upholds its excellent estimation accuracy, even with increased pilot spacing, rendering it particularly suitable for throughput-centric scenarios like backhaul applications. In terms of bit error rate, DLAE outperforms the PSAM scheme by over 2 dB at the 10<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">−6</sup> level across 256-QAM, 1024-QAM, and 4096-QAM coded modulation systems under strong PN. Noteworthy is DLAE's achievement of this performance with a reduction in pilot overhead. The computational complexity of DLAE, linked to the CNN size, remains independent of the constellation size, reinforcing its practicality in high-order coded modulation systems.
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) | 0,000 | 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 ».