論文の概要: Learned Pulse Shaping Design for PAPR Reduction in DFT-s-OFDM

• arxiv url: http://arxiv.org/abs/2404.16137v1
• Date: Wed, 24 Apr 2024 18:50:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-26 18:02:25.907327
• Title: Learned Pulse Shaping Design for PAPR Reduction in DFT-s-OFDM
• Title（参考訳）: DFT-s-OFDMにおけるPAPR低減のためのパルス整形設計
• Authors: Fabrizio Carpi, Soheil Rostami, Joonyoung Cho, Siddharth Garg, Elza Erkip, Charlie Jianzhong Zhang,
• Abstract要約: シンボル誤り率(SER)、PAPR、スペクトル平坦性要件のトレードオフを最適化し、FDSSフィルタを決定する機械学習ベースのフレームワークを提案する。 その結果,学習したFDSSフィルタは従来のベースラインに比べてPAPRを低下させ,SER劣化を最小限に抑えた。
• 参考スコア（独自算出の注目度）: 13.870974874382025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High peak-to-average power ratio (PAPR) is one of the main factors limiting cell coverage for cellular systems, especially in the uplink direction. Discrete Fourier transform spread orthogonal frequency-domain multiplexing (DFT-s-OFDM) with spectrally-extended frequency-domain spectrum shaping (FDSS) is one of the efficient techniques deployed to lower the PAPR of the uplink waveforms. In this work, we propose a machine learning-based framework to determine the FDSS filter, optimizing a tradeoff between the symbol error rate (SER), the PAPR, and the spectral flatness requirements. Our end-to-end optimization framework considers multiple important design constraints, including the Nyquist zero-ISI (inter-symbol interference) condition. The numerical results show that learned FDSS filters lower the PAPR compared to conventional baselines, with minimal SER degradation. Tuning the parameters of the optimization also helps us understand the fundamental limitations and characteristics of the FDSS filters for PAPR reduction.
• Abstract（参考訳）: 高ピーク対平均電力比(PAPR)は細胞系、特にアップリンク方向における細胞被覆を制限する主要な要因の1つである。 離散フーリエ変換拡散直交周波数領域多重化(DFT-s-OFDM)とスペクトル拡張周波数領域スペクトル整形(FDSS)は、アップリンク波形のPAPRを下げるための効率的な手法の1つである。 本研究では,FDSSフィルタを決定する機械学習ベースのフレームワークを提案し,シンボル誤り率(SER),PAPR,スペクトル平坦性要件のトレードオフを最適化する。 我々のエンドツーエンド最適化フレームワークは、Nyquist zero-ISI(シンボル間干渉)条件を含む、複数の重要な設計制約を考慮に入れている。 その結果,学習したFDSSフィルタは従来のベースラインに比べてPAPRを低下させ,SER劣化を最小限に抑えた。 最適化のパラメータをチューニングすることで、PAPR削減のためのFDSSフィルタの基本的制限と特性を理解するのにも役立ちます。

関連論文リスト

• DiffFNO: Diffusion Fourier Neural Operator [8.895165270489167]
  重み付きフーリエニューラル演算子(WFNO)により強化された任意のスケール超解像のための新しい拡散フレームワークDiffFNOを紹介する。 DiffFNOは、PSNRの2～4dBのマージンで、様々なスケーリング要因にまたがる既存の手法よりも優れた、最先端のSOTA(State-of-the-art)結果が得られることを示す。 提案手法は,高精度かつ計算効率の両面において,超解像の新たな標準を定めている。
  論文  参考訳（メタデータ） (2024-11-15T03:14:11Z)
• Poisson Conjugate Prior for PHD Filtering based Track-Before-Detect Strategies in Radar Systems [9.04251355210029]
  本稿では,低信号対雑音比(SNR)シナリオに対するTBD-PHDフィルタの原理的閉形式解を提案する。 また、レーダ系に対して、動的および振幅エコーモデルの連続モンテカルロ実装を提案する。
  論文  参考訳（メタデータ） (2023-02-22T13:03:31Z)
• Incremental Spatial and Spectral Learning of Neural Operators for Solving Large-Scale PDEs [86.35471039808023]
  Incrmental Fourier Neural Operator (iFNO)を導入し、モデルが使用する周波数モードの数を徐々に増加させる。 iFNOは、各種データセット間の一般化性能を維持したり改善したりしながら、トレーニング時間を短縮する。 提案手法は,既存のフーリエニューラル演算子に比べて20%少ない周波数モードを用いて,10%低いテスト誤差を示すとともに,30%高速なトレーニングを実現する。
  論文  参考訳（メタデータ） (2022-11-28T09:57:15Z)
• Diffusion Probabilistic Model Made Slim [128.2227518929644]
  軽量画像合成のためのスリム拡散確率モデル(DPM)のカスタマイズ設計を提案する。 一連の条件および非条件画像生成タスクにおける遅延拡散モデルと比較して,計算複雑性を8-18倍に削減する。
  論文  参考訳（メタデータ） (2022-11-27T16:27:28Z)
• PREF: Phasorial Embedding Fields for Compact Neural Representations [54.44527545923917]
  本稿では,脳神経信号モデリングと再構成作業を容易にするためのコンパクトな表現として,ファサール埋め込みフィールドemphPREFを提案する。 実験の結果,PreFをベースとしたニューラル信号処理技術は,2次元画像補完,3次元SDF表面回帰,5次元放射野再構成と同等であることがわかった。
  論文  参考訳（メタデータ） (2022-05-26T17:43:03Z)
• FAMLP: A Frequency-Aware MLP-Like Architecture For Domain Generalization [73.41395947275473]
  本稿では、変換周波数領域において、ドメイン固有の特徴をフィルタリングする新しい周波数認識アーキテクチャを提案する。 3つのベンチマークの実験では、最先端の手法をそれぞれ3%、4%、9%のマージンで上回った。
  論文  参考訳（メタデータ） (2022-03-24T07:26:29Z)
• Deep Frequency Filtering for Domain Generalization [55.66498461438285]
  Deep Neural Networks(DNN)は、学習プロセスにおいて、いくつかの周波数成分を優先する。 本稿では、ドメイン一般化可能な特徴を学習するためのDeep Frequency Filtering (DFF)を提案する。 提案したDFFをベースラインに適用すると,ドメインの一般化タスクにおける最先端の手法よりも優れることを示す。
  論文  参考訳（メタデータ） (2022-03-23T05:19:06Z)
• Learning OFDM Waveforms with PAPR and ACLR Constraints [15.423422040627331]
  達成可能な情報レートを最大化しつつ,選択した制約を満たすOFDMベースの波形を設計するための学習ベース手法を提案する。 エンドツーエンドシステムは,PAPRとACLRの制約を満たすことができ,スループットを著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-10-21T08:58:59Z)
• Spectral Tensor Train Parameterization of Deep Learning Layers [136.4761580842396]
  重み行列の低ランクパラメータ化をDeep Learningコンテキストに埋め込まれたスペクトル特性を用いて検討する。 分類設定におけるニューラルネットワーク圧縮の効果と,生成的対角トレーニング設定における圧縮および安定性トレーニングの改善について述べる。
  論文  参考訳（メタデータ） (2021-03-07T00:15:44Z)
• Low PAPR waveform design for OFDM SYSTEM based on Convolutional Auto-Encoder [17.390856495666316]
  本稿では,ピーク対平均電力比(PAPR)低減と波形設計のための畳み込みオートエンコーダ(CAE)のアーキテクチャを紹介する。 提案アーキテクチャは,PAPR削減ブロックと非線形高出力増幅器(HPA)モデルを統合する。 本稿では,ビット誤り率 (BER) , PAPR, スペクトル応答を解析し, 一般的なPAPR削減アルゴリズムと比較する。
  論文  参考訳（メタデータ） (2020-11-12T12:44:30Z)
• End-to-End Multi-Task Denoising for joint SDR and PESQ Optimization [43.15288441772729]
  ネットワークの騒音は、ノイズの多い音声からマッピングを学習し、それらを直接掃除する。 既存のスキームにはスペクトルと計量ミスマッチの2つの重要な問題がある。 本稿では,SDRとPSSQ最適化を併用した新しいエンドツーエンドデノベーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2019-01-26T02:48:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。