基于卷积神经网络的超采样均衡技术
信号处理
2025-07-30 v2
摘要
超采样 (Faster-than-Nyquist, FTN) 信号旨在通过超出奈奎斯特-香农抽样定理所设定的边界, 提升无线通信系统的频谱效率。50 年后，无线通信发生了显著变化，但频谱效率仍是关键挑战之一。要采用 FTN 信号，接收器需要对inter-symbol 干扰 (ISI) 模式进行均衡。灵感来源于带有跳过连接的卷积神经网络在模式识别方面的能力, 我们提出了用于 FTN 接收器中ISI 均衡和符号解调的深度学习架构。我们考察了所提出模型在正交相位移 keying 调制和低密度校验码编码下的性能, 并将其与一组基准进行比较, 包括频域均衡、基于二次规划的接收器以及基于深度神经网络的均衡方案。我们表明，接收器超越了所有基准，在 additive 白高斯噪声信道中的误码率相当, 并且由于 FTN 信号的提高频谱效率, 实现更高的有效吞吐量。在压缩系数为 60% 且编码率为 3/4 时，所提出模型仅需 10dB 的能量比噪声功率谱密度比，就能实现 2.5 Mbps 的峰值有效吞吐量, 而其他接收器因强 ISI 受限于误码底。为促进深度学习无线通信领域的可重复性, 我们的代码已开源于提供参考文献中的仓库。
引用
@article{arxiv.2501.11594,
title = {Faster-Than-Nyquist Equalization with Convolutional Neural Networks},
author = {Bruno De Filippo and Carla Amatetti and Alessandro Vanelli-Coralli},
journal= {arXiv preprint arXiv:2501.11594},
year = {2025}
}
备注
Accepted for presentation at the 2025 IEEE 36th International Symposium on Personal, Indoor and Mobile Radio Communications (PIMRC), 1-4 September, 2025, Istanbul (Turkey)