基于卷积神经网络的更快-than-Nyquist信号新型独立探测器

本文提出了一种基于卷积神经网络（CNN）的更快-than-Nyquist（FTN）信号新型探测器，引入了结构化固定卷积核层，运用领域感知掩码有效缓解符号间干扰（ISI）。不同于依赖移动卷积核的标准CNN架构，所提方法采用固定的卷积核在预定义位置，以显式学习中心符号各距离处的ISI模式。为增强特征提取，采用层级滤波器分配策略，将更多滤波器分配给早期层以捕获更强的ISI成分，较少滤波器分配给后期层以处理较弱成分。该结构化设计改善了特征表征，消除了冗余计算，同时在保持计算效率的同时提升了检测精度。仿真结果表明，所提探测器实现了接近最优的比特错误率（BER）性能，当压缩系数$\tau \geq 0.7$时，其性能可与BCJR算法相当，而相较于M-BCJR在BPSK和QPSK情形下分别实现最高46%和84%的计算成本降低。额外评估确认该方法对高阶调制（最高至64-QAM）的适应性、在准静态多径瑞利衰落信道下的鲁棒性以及在LDPC编码FTN传输中的有效性，凸显了其实用性和鲁棒性。