A Spectral and Energy Efficient Noise Variance and SNR Estimator for DMH OFDM-IM Systems
Notice bibliographique
Résumé
The classical orthogonal frequency division multiplexing (OFDM) systems gained significant new dimensions with the introduction of index modulation (IM) schemes. However, reduced data rates are the drawback in IM-based systems when implemented using higher-order modulation techniques. Hence, to improve the data rate, we proposed a new OFDM-IM system by varying the inactive subcarriers in in-phase and quadrature-phase in every subblock, namely, a dual-mode homogenous OFDM-IM (DMH OFDM-IM) system. Furthermore, we introduce a novel noise power and signal-to-noise ratio (SNR) estimation algorithm for the proposed system, which operates over a Nakagami-m fading channel. The proposed estimation algorithm makes use of nulled subcarriers available in every subblock of the proposed system to estimate noise power. The introduced estimator is both spectral and energy efficient as it uses inactive subcarriers that carry no energy. Simulation results emphasize that the developed estimator achieves lower noise power and estimates the SNR at an ideal value in contrast to the existing estimators of OFDM system. Moreover, differential noise power (DNP) is determined for the proposed system (DMH OFDM-IM) to track channel variations effectively.
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 ».