DSIC：基于深度学习的带内全双工无线自干扰消除
网络与互联网体系结构
2018-11-06 v1 信息论
math.IT
摘要
带内全双工（IBFD）无线因其在频谱效率上的巨大潜力而备受未来无线通信与网络领域的关注。然而，IBFD无线受其关键挑战即自干扰的制约。因此，有效的自干扰消除是实现IBFD无线的关键。本文提出一种基于深度学习的实时非线性自干扰消除方案。在该方案中，自干扰信道由一个深度神经网络（DNN）建模。首先采集同步的自干扰信道数据以训练该自干扰信道的DNN。随后，训练好的DNN用于在无线节点处消除自干扰。该方案已在USRP SDR测试平台上实现，并在真实世界中以多种调制方式传输包括数字、文本及图像的信息，在多个场景下进行了评估。其数字消除性能达到17dB，非常接近自干扰功率，并在测试平台的SDR节点上几乎消除了自干扰。该方案在多种场景与不同调制方案下取得了平均8.5%的误码率（BER）。
引用
@article{arxiv.1811.01498,
title = {DSIC: Deep Learning based Self-Interference Cancellation for In-Band Full Duplex Wireless},
author = {Hanqing Guo and Nan Zhang and Saeed AlQarni and Shaoen Wu},
journal= {arXiv preprint arXiv:1811.01498},
year = {2018}
}
备注
7 pages