相关实验视频
Updated: Jun 29, 2025

08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
基于机器学习的PAPR技术的调查
Bianca S de C da Silva1, Victoria D P Souto1, Richard D Souza2
1National Institute of Telecommunications, Santa Rita do Sapucaí 37540-000, Brazil.
Sensors (Basel, Switzerland)
|March 28, 2024
概括
直角频率分割复合 (OFDM) 系统面临着高峰到平均功率比 (PAPR) 的挑战. 机器学习 (ML) 为减少PAPR提供了有希望的解决方案,这对于未来的6G无线网络至关重要.
科学领域:
- 电气工程 电气工程
- 计算机科学 计算机科学
- 电信 电信服务 电信服务 电信服务
背景情况:
- 直角频率分割多重复合 (OFDM) 是4G,5G和未来6G无线系统的基础.
- 在OFDM中,高峰到平均功率比 (PAPR) 会增加放大器的复杂性和网络成本.
- 降低PAPR对于6G网络的经济可行性和性能至关重要.
研究的目的:
- 对OFDM系统的峰值到平均功率比率 (PAPR) 优化技术进行全面审查.
- 专注于机器学习 (ML) 方法的应用和好处,以减少PAPR.
- 突出 ML 集成对于推进 6G 通信能力的必要性.
主要方法:
- 对现有的PAPR降低技术进行文献审查和分析.
- 检查机器学习 (ML) 算法及其在PAPR优化中的应用.
- 综合发现,以评估ML解决方案的有效性和潜力.
主要成果:
- 机器学习 (ML) 解决方案为减少PAPR提供定制优化.
- ML 证明了对复杂的搜索空间进行有效导航,以获得最佳的 PAPR 值.
- 机器学习提供实时适应性,对于动态无线环境至关重要.
结论:
- 机器学习 (ML) 集成对于解决6G网络中PAPR挑战至关重要.
- 基于ML的PAPR降低提高了无线通信的效率和可靠性.
- 需要进一步的研究才能充分利用ML在6G PAPR优化中的潜力.

