An Improved Nonlinear Precoding Scheme in Multicarrier Signaling Optimization for Transportation Networks Applications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The digitalization of traffic networks has spurred the development of intelligent transportation systems. By utilizing reinforcement learning for dynamic traffic optimization, it efficiently handles real-world traffic complexities. However, as the demand for real-time, high-efficiency tasks increases, relying solely on reinforcement learning struggles to meet both goals. Integrating reinforcement learning with mobile communication technology offers a promising solution for efficient, low-overhead traffic networks. As an important physical layer technology for Integrated Sensing and Communications Systems, Spectrally Efficient Frequency Division Multiplexing (SEFDM) addresses the communication overhead challenge in reinforcement learning-enabled optimization. However, the main challenge of SEFDM is eliminating the inter-carrier interference (ICI) caused by non-orthogonal modulation. Considering that existing post-interference cancellation methods fail due to the ill-conditioning of the generalized channel matrix, which cannot be directly inverted, we propose a nonlinear precoding algorithm at the transmitter, instead of post-cancellation, that effectively eliminates interference and improves transmission reliability. We firstly use a nonlinear feedback structure to avoid power boost and error propagation. Besides that, Geometric Mean Decomposition (GMD) based interference matrix decomposition algorithm is used in the proposed precoding scheme to avoid matrix singularity and obtain diversity gain. Finally, the numerical results show that the proposed precoding method can achieve higher order QAM SEFDM signaling with higher spectral efficiency and get comparative BER performance.
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.
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 | 0,000 |
| 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 découle