論文の概要: DeepOFW: Deep Learning-Driven OFDM-Flexible Waveform Modulation for Peak-to-Average Power Ratio Reduction
- arxiv url: http://arxiv.org/abs/2603.23544v1
- Date: Sun, 15 Mar 2026 10:31:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 02:36:13.02844
- Title: DeepOFW: Deep Learning-Driven OFDM-Flexible Waveform Modulation for Peak-to-Average Power Ratio Reduction
- Title（参考訳）: DeepOFW: ピーク対平均電力比低減のための深層学習駆動OFDMフレキシブル波形変調
- Authors: Ran Greidi, Kobi Cohen,
- Abstract要約: ピーク・ツー・平均電力比(PAPR)はマルチキャリア変調スキームの主要な制限である。
ディープラーニング駆動型OFDMフレキシブル波形変調フレームワークDeepOFWを提案する。
- 参考スコア（独自算出の注目度）: 9.446392400546364
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Peak-to-average power ratio (PAPR) remains a major limitation of multicarrier modulation schemes such as orthogonal frequency-division multiplexing (OFDM), reducing power amplifier efficiency and limiting practical transmit power. In this work, we propose DeepOFW, a deep learning-driven OFDM-flexible waveform modulation framework that enables data-driven waveform design while preserving the low-complexity hardware structure of conventional transceivers. The proposed architecture is fully differentiable, allowing end-to-end optimization of waveform generation and receiver processing under practical physical constraints. Unlike neural transceiver approaches that require deep learning inference at both ends of the link, DeepOFW confines the learning stage to an offline or centralized unit, enabling deployment on standard transmitter and receiver hardware without additional computational overhead. The framework jointly optimizes waveform representations and detection parameters while explicitly incorporating PAPR constraints during training. Extensive simulations over 3GPP multipath channels demonstrate that the learned waveforms significantly reduce PAPR compared with classical OFDM while simultaneously improving bit error rate (BER) performance relative to state-of-the-art transmission schemes. These results highlight the potential of data-driven waveform design to enhance multicarrier communication systems while maintaining hardware-efficient implementations. An open-source implementation of the proposed framework is released to facilitate reproducible research and practical adoption.
- Abstract（参考訳）: ピーク・ツー・アベレージ電力比(PAPR)は、直交周波数分割多重化(OFDM)のようなマルチキャリア変調方式の主要な制限であり、電力増幅効率を低減し、実用的な送信電力を制限する。
本研究では,従来のトランスシーバの低複雑さハードウェア構造を保ちながら,データ駆動型波形設計を可能にするディープラーニング駆動型OFWを提案する。
提案したアーキテクチャは完全に微分可能であり、実用的な物理的制約の下で波形生成と受信処理をエンドツーエンドで最適化することができる。
リンクの両端でディープラーニングの推論を必要とするニューラルトランスシーバアプローチとは異なり、DeepOFWは学習ステージをオフラインまたは集中型のユニットに限定し、計算オーバーヘッドを増すことなく標準送信機と受信機ハードウェアへのデプロイを可能にする。
このフレームワークは、トレーニング中にPAPR制約を明示的に取り入れながら、波形表現と検出パラメータを共同で最適化する。
3GPPマルチパスチャネル上での広範囲なシミュレーションにより、学習波形は従来のOFDMと比較してPAPRを大幅に低減し、同時に最先端の伝送方式と比較してビット誤り率(BER)性能を向上することを示した。
これらの結果は、ハードウェア効率を保ちながらマルチキャリア通信システムを強化するために、データ駆動型波形設計の可能性を強調している。
再現可能な研究と実践的採用を容易にするために,提案したフレームワークのオープンソース実装がリリースされた。
関連論文リスト
- Neural Beamforming with Doppler-Aware Sparse Attention for High Mobility Environments [35.90167049594104]
深層学習に基づくビームフォーミングは、チャネル状態情報からビームフォーミングウェイトへの非線形マッピングの代替を提供する。
トランスフォーマーベースのモデルは、時間と周波数にまたがる長距離依存をモデル化できるため、特に効果的である。
近年の研究では、チャンネルダイナミクスを無視したパターンをしばしば採用するが、維持中の複雑さを減少させるスパースアテンション機構によってこの問題に対処している。
論文 参考訳（メタデータ） (2025-11-05T16:51:26Z) - Adaptive End-to-End Transceiver Design for NextG Pilot-Free and CP-Free Wireless Systems [18.330923801141886]
パイロットフリーでCPフリーな無線システムに適した適応型エンドツーエンド(E2E)トランシーバアーキテクチャを提案する。
このアーキテクチャは、AI駆動の星座形成と、ジョイントトレーニングによるニューラルレシーバーを組み合わせる。
提案するフレームワークは,様々なチャネルシナリオに対して,より優れたビットエラー率(BER),スループット,レジリエンスを提供する。
論文 参考訳（メタデータ） (2025-10-29T11:34:09Z) - Deep Learning Optimization of Two-State Pinching Antennas Systems [48.70043547158868]
ピンチアンテナ(PA)は、二元活性化状態を通して電磁波の伝搬を動的に制御することができる。
本研究では,ユーザ端末での通信速度を最大化することを目的として,定位PAのサブセットを最適に選択して導波路で活性化する問題について検討する。
論文 参考訳（メタデータ） (2025-07-08T17:55:54Z) - Joint Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
MISO (Multiple-input Single-output) フレームワークを提案する。
それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。
PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
論文 参考訳（メタデータ） (2025-02-12T18:54:10Z) - Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。
これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。
本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
論文 参考訳（メタデータ） (2024-04-17T02:04:10Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳（メタデータ） (2022-05-02T12:23:55Z) - Low-Interception Waveform: To Prevent the Recognition of Spectrum
Waveform Modulation via Adversarial Examples [6.378498479725599]
本稿では,第3者によって認識される変調の確率を,友好者間の信頼性の高い通信に影響を与えることなく低減できる低応答波形(LIW)生成法を提案する。
我々のLIWは,物理ハードウェア実験においても高い低入力性能を示し,その精度を15%程度まで下げることができた。
論文 参考訳（メタデータ） (2022-01-20T08:13:04Z) - 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) - End-to-End Learning of OFDM Waveforms with PAPR and ACLR Constraints [15.423422040627331]
送信機にニューラルネットワーク(NN)を用いて,PAPRと隣接チャネルリーク比(ACLR)を制御可能な高次元変調方式を学習することを提案する。
2つのNNはOFDM上で動作し、PAPRとACLRの制約を強制するトレーニングアルゴリズムを使用して、エンドツーエンドで共同最適化される。
論文 参考訳（メタデータ） (2021-06-30T13:09:30Z) - Optimization-driven Deep Reinforcement Learning for Robust Beamforming
in IRS-assisted Wireless Communications [54.610318402371185]
Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。
我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。
過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
論文 参考訳（メタデータ） (2020-05-25T01:42:55Z)
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。