Зменшення відношення пікової до середньої потужності за допомогою алгоритму компандування для NOMA сигналу
Bibliographic record
Abstract
Майбутні системи бездротового зв’язку можуть підтримувати величезну кількість з’єднань і підвищити ефективність використання спектра завдяки використанню підходу неортогонального множинного доступу NOMA (non-orthogonal multiple access). Однак високі рівні відношення пікової до середньої потужності PAPR (Peak-to-Average Power Ratio) можуть негативно впливати на NOMA, що призводить до зниження продуктивності системи та ускладнення підсилювачів потужності. У цьому дослідженні пропонується зменшити PAPR в NOMA, використовуючи методи компандування для 512, 256 і 64 піднесучих з метою вирішення цієї проблеми. Висока пікова потужність сигналів NOMA може бути ефективно стиснута за допомогою нелінійних методів компандування, таких як ущільнення за μ-законом і A-законом, що зменшує спотворення і покращує загальну надійність системи. Для оцінки ефективності запропонованих методів компандування використано моделювання, результати якого свідчать про значне зменшення PAPR, що забезпечує підвищення ефективності коефіцієнта бітових помилок BER (Bit Error Rate) та стійкості передачі в системах зв’язку на основі NOMA. Запропонований метод порівнюється з традиційними A-законом (C-A-law) та μ-законом (C-μ-law).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.036 | 0.012 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".