A hybrid deep learning and companding technique for distortion-resilient optical NOMA VLC with 1024-QAM modulation
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
Abstract Visible light communication (VLC) has gained significant attention as a next-generation wireless technology due to its unlicensed bandwidth, high security, and seamless integration with LED illumination. To support high data rates and user scalability, power-domain non-orthogonal multiple access (NOMA) with 1024-QAM modulation enhances spectral efficiency; however, this combination introduces high peak-to-average power ratio (PAPR), resulting in nonlinear signal distortion and degraded bit error rate (BER) performance in intensity-modulated optical systems. To overcome these limitations, this paper proposes a deep learning-based nonlinear companding framework for waveform optimization in Optical NOMA. The proposed technique significantly reduces PAPR, achieving 3.2 dB, 4.4 dB, and 5.3 dB at a CCDF of 10 −3 for 256, 512, and 1024 subcarriers, respectively, outperforming A-Law, μ-Law, and PTS by up to 7.5 dB improvement. BER analysis further confirms its superiority, achieving a BER of 10 −3 at only 8.9 dB SNR, compared to 15.2 dB (A-Law), 13.1 dB (μ-Law), 11.4 dB (PTS), and 17.8 dB for the unprocessed Optical NOMA waveform. These results demonstrate improved power efficiency, reduced nonlinear distortion, and enhanced detection reliability, making the proposed method a strong candidate for high-speed VLC-based NOMA 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.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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