具有 PAPR 与 ACLR 约束的 OFDM 波形端到端学习
信息论
2021-07-01 v1 机器学习
信号处理
math.IT
摘要
正交频分复用（OFDM）因其对多径环境的高效处理而被广泛应用于现代无线网络。然而，它存在峰均功率比（PAPR）较差的问题，需要较大的功率回退，降低了功率放大器（PA）效率。本文提出在发射端使用神经网络（NN）学习一种高维调制方案，以控制 PAPR 与邻道泄漏比（ACLR）。在接收端，基于 NN 的接收机被实现以完成发射比特的解映射。两个 NN 运行于 OFDM 之上，并以端到端方式联合优化，采用一种对 PAPR 和 ACLR 施加约束的训练算法。仿真结果表明，所学习的波形在满足预定义 PAPR 和 ACLR 目标的同时，相比预留子载波基线可实现更高的信息速率。
引用
@article{arxiv.2106.16039,
title = {End-to-End Learning of OFDM Waveforms with PAPR and ACLR Constraints},
author = {Mathieu Goutay and Fayçal Ait Aoudia and Jakob Hoydis and Jean-Marie Gorce},
journal= {arXiv preprint arXiv:2106.16039},
year = {2021}
}