MMDec, 2014

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

PDF
TL;DR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。
发现论文，激发创造
  • 直接转换全双工收发器中的广义线性数字自干扰消除

    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。

    Feb, 2014

  • 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

  • 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

  • 硬件失真相关对于大规模 MIMO 上行链路谱效率的影响可以忽略不计

    本文分析了硬件失真对多天线基站上行频谱效率的影响，并重点关注 Massive MIMO；通过研究失真相关性的相关基本性质确定了失真相关性的适用范围，并分别分析了由三阶非线性和量化引起的失真相关性。最后，我们数值研究了频谱效率并表明，在有足够多的用户时，失真相关性可以在 Massive MIMO 中被安全地忽略。

    Nov, 2018

  • 带有非理想硬件的大规模 MIMO 系统：能效、估计和容量限制

    本文研究了装备大规模天线阵列的基站和单天线用户设备的收发硬件失真对系统容量的影响，结果表明，硬件失真会对每个用户设备的信道估计精度和上行 / 下行容量造成限制，而采用大规模 MIMO 可以减少传输功率和容忍更大的硬件失真，从而使用经济高效的天线元件。

    Jul, 2013

  • 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

  • 利用视觉变换器进行线性和非线性失真的分数阶傅立叶变换估计

    通过使用分数傅里叶变换（FrFT）进行时间频率信号处理，采用基于 Transformer 的神经网络（NN）突破了网络性能限制，精确估计了广泛范围内的线性和非线性失真，代表了光学性能监测领域的重要进展。

    Aug, 2023

  • 有限速率反馈下的 MIMO 广播信道

    分析了每个接收器具有完美信道知识但发射器仅接收有关信道实例化的量化信息的系统，考虑了零强制传输技术，并推导了有限速度反馈导致的吞吐量降级的简单表达式。

    Mar, 2006

  • 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

  • 硬件损伤下的信道估计：贝叶斯方法与深度学习

    本文研究了多天线基站和用户设备中的普遍硬件损坏对上行性能的影响，提出了一种基于深度神经网络的解决方案来估计有效通道。该方法利用了失真特征，比 LMMSE 方法的噪声估计质量更高。

    Aug, 2022