MMFeb, 2014

直接转换全双工收发器中的广义线性数字自干扰消除

PDF
TL;DR本文提出了一种新的广义线性数字自干扰消除处理方法，该方法在现实不完美射频组件的干扰下能够更有效地抑制 send/receive 芯片上形成的自干扰波形，并成功地应用于低成本的射频前端的全双工直接转换无线电收发器。
self-interferencefull-duplexradio transceiversrf cancellationwidely-linear
发现论文，激发创造
  • 使用神经网络进行带内全双工无线电非线性数字自干扰消除

    采用神经网络替代传统的基于多项式基函数的非线性取消方法，可以实现与多项式非线性取消器相当的性能，但具有更低的计算复杂度。

    Nov, 2017

  • 全双工无线系统中的基带和射频硬件失真：实验特性和抑制

    本研究通过实验识别和分离硬件缺陷，得到一个数学模型以抑制自干扰信号，在全双工 OFDM 系统中，相比现有的最先进实现，通过联合补偿 IQ 失衡和 DAC 非线性，可以获得多达 13dB 的额外抑制。

    Dec, 2014

  • 全双工收发机自干扰抵消的先进机器学习技术

    本文研究了使用神经网络进行数字自干扰处理，探讨了复数神经网络和循环神经网络的使用，结果发现，复数神经网络有效减少了浮点运算和参数，相比于传统的多项式模型。

    Dec, 2019

  • 神经自干扰抵消的硬件实现

    本文介绍了针对非线性数字自干扰（SI）的神经网络 SI 抵消器的硬件架构，并将其与传统的基于多项式的 SI 抵消器的硬件实现进行了比较，结果表明，深度神经网络抵消器的硬件效率高达 312.8 Msamples/s/mm^2，能效高达 0.9 nJ/sample，分别比多项式 SI 抵消器提高了 2.1 倍和 2 倍，说明在通信中应用基于 NN 的方法不仅在性能上有用，而且还能有效地降低实现复杂度。

    Jan, 2020

  • 利用反向传播识别非线性射频系统

    该研究使用深度展开的方法将级联的非线性射频系统视为基于模型的神经网络，通过这种方法提高了消除自干扰的效率并减少了模型参数和每个样本的运算数量。

    Jan, 2020

  • 柔性双工 MIMO 系统中考虑 RF 链特性的数字交叉链接干扰抵消轻量级机器学习

    本研究提出了一种更加现实的基站之间的信道模型以及基于多项式和轻量级前馈神经网络的机器学习交叉链路干扰抵消方法，并通过模拟结果表明，采用机器学习方法实现的交叉链路干扰抵消器可以有效降低计算复杂度并提高性能。

    Apr, 2023

  • 全双工无线电中低复杂度神经网络结构用于自干扰抵消

    本文提出了两种新颖的低复杂度神经网络结构，用于对自干扰信号进行建模，以实现合适的自干扰消除并表现出较低的计算复杂度。模拟结果表明，这两种神经网络结构分别提供了 49.87% 和 34.19% 的复杂度降低，同时达到了多项式基准消除器相同的消除性能。

    Sep, 2020

  • 28 GHz 毫米波无线信道中的超宽带微小尺度衰落模型

    本文研究方向为毫米波超宽带通道的小尺度衰落情况，使用定向天线进行测量，得到了不同楷向下的电压路径幅度分布与经验自相关函数，并提供了在研究天线模拟和信道估计算法时有用的路径增益统计模型。

    Nov, 2015

  • DeepSIC: 多用户 MIMO 检测的深度软干扰消除

    使用机器学习方法提出了一种数据驱动的多用户 MIMO 接收机，称为 DeepSIC，它不需要具体的通道模型或信道状态信息并且能够有效地检测多个符号，尤其是能够在非线性通道中很好地工作。

    Feb, 2020

  • 宽带毫米波海量 MIMO-OFDM 系统的波束扫描和信道估计

    研究了毫米波通信中存在的空间宽带效应问题，提出了适用于毫米波大规模 MIMO-OFDM 系统的通道估计方案，可以从各个角度得到更高精度的频率参数和时域参数，进而通过下行链路进行更简易而准确的通道估计

    Mar, 2019