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
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
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
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
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。
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
该研究提出了一种基于神经网络的方法来实现数字反向传播,针对 32x100 公里的光纤链路,所得到的 “学习” 数字反向传播相对于传统实现方法大大降低了复杂性。
Oct, 2017
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
通过神经网络进行频域外推,实现 DL 信道状态信息的准确性推测,不需要进行频繁的 PILOT 信号发送,与传统 TDD 信号相比具有可比性,可大幅提升频谱效益。
Jan, 2019
本文研究了使用数据驱动的深度学习方法分离观测到的两个混合通信信号的潜力。我们提出了一种基于非平稳特征的领域知识驱动神经网络设计,能够通过精确同步信号和干扰信号获得显著的性能提升,其结果突出了通信特定领域知识在数据驱动方法的发展中所起到的关键作用。
Sep, 2022