A phase factor generation using RNNs deep learning algorithm-based PTS method for PAPR reduction of beyond 5G FBMC waveform
Notice bibliographique
Résumé
Filter Bank Multicarrier (FBMC) is considered one of the strong applicants for a radio system beyond the fifth generation (B5G) that improves spectral access and lowers interference. It utilizes a prototype filter for each sub-carrier, making it best for the beyond fifth generation (B5G) framework. The performance of the FBMC is hugely impacted by the high peak-to-average power ratio (PAPR), which lowers the effectiveness of the power amplifier (PA) used in the 5G-based FBMC waveform. The conventional partial transmission sequence (PTS) technique requires high computational complexity due to the need for multiple Inverse Fast Fourier Transforms (IFFTs) and phase optimization, which can increase processing time and system latency. This article proposes a hybrid method combining a partial transmission sequence and recurrent neural network (RNN) known as PTS-RNNs. RNNs improve the performance of the PTS by efficiently predicting optimal phase factors, reducing computational complexity, and lowering the PAPR of the FBMC waveform. The parameters such as PAPR, bit error rate (BER), and power spectral density (PSD) are estimated for 256 sub-carriers under the Rayleigh and Rician channels for FBMC and orthogonal frequency division multiplexing (OFDM). The experiment results reveal that the proposed PTS-RNNs method achieves an efficient 55.45 % and 67.56 % power saving performance for Rayleigh and Rician channels, with enhanced PSD performance while preserving the BER compared to the traditional selective mapping (SLM) and PTS methods. It is also noticeable that by adding more sub-blocks and phase parameters, PAPR can be further optimised.
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) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».