数字自干扰建模的神经网络架构与数据集交叉比较
信号处理
2025-07-08 v1
摘要
频段全双工通信需要准确地对自干扰进行建模和消除，特别是在数字域中。神经网络目前是捕捉自干扰路径非线性的候选模型。本工作利用来自不同来源的合成数据和真实数据来评估和交叉比较来自不同来源的先前提议的神经自干扰模型的性能。分析的相关性在于对方法进行相互评估，这些方法并非针对其设计的数据进行评估。我们发现，我们之前提出的 Hammerstein 模型代表了数据集的范围，而且在参数数量方面显著较小。一个新的 Wiener-Hammerstein 模型进一步增强了泛化性能。
引用
@article{arxiv.2507.03109,
title = {Cross-Comparison of Neural Architectures and Data Sets for Digital Self-Interference Modeling},
author = {Gerald Enzner and Niklas Knaepper and Aleksej Chinaev},
journal= {arXiv preprint arXiv:2507.03109},
year = {2025}
}