Deep Learning-Based Receivers for DFT-s-OFDM in Access and Backhaul Communication
Notice bibliographique
Résumé
Discrete Fourier Transform Spread-Orthogonal Frequency Division Multiplexing (DFT-s-OFDM) is a promising waveform for both access and backhaul communication in modern wireless systems, due to its low peak-to-average power ratio. However, its performance is impacted by hardware impairments, particularly oscillator phase noise (PN). This paper presents tailored solutions for mitigating PN in DFT-s-OFDM systems, with distinct approaches for the access layer and backhaul communication. For the access layer, we use CoDiPhy, a deep learning (DL)-based receiver that jointly performs channel estimation, equalization, and PN compensation via a conditional denoising diffusion model. As CoDiPhy’s complexity increases with larger FFT and constellation sizes typical in backhaul scenarios, we propose a DL-aided (DLA) PN compensation approach to address the PN issue while reducing computational burden. The DLA PN method outperforms traditional linear interpolation (LI) by exploiting information from all received signals within a pilot section. Simulation results show that CoDiPhy achieves near-optimal performance in the access layer, with coded BERs within 0.2 dB (at a 10<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">−6</sup> BER) of the ideal LMMSE solution. In the backhaul scenario, the DLA PN scheme significantly outperforms LI, enabling 1024-QAM with less than 0.5% pilot overhead.
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 | 0,001 |
| 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 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 ».