用于全双工系统自干扰建模的混合层神经网络架构

全双工（FD）系统已被引入，通过在同一频率资源上同时传输信息，为超五代无线网络提供高数据速率。然而，FD系统的运行实际上受到自干扰（SI）的限制，因此需要高效的SI消除器以使FD系统可实现。通常，采用基于多项式的消除器来减轻SI；然而，它们复杂度高。本文提出了两种新颖的混合层神经网络（NN）架构，以低复杂度消除SI。第一种架构称为混合卷积循环神经网络（HCRNN），第二种称为混合卷积循环密集神经网络（HCRDNN）。与使用密集或循环层进行SI建模的最先进NN相比，所提出的NN以新颖的方式利用不同隐藏层（例如卷积、循环和/或密集）的组合，以比多项式和最先进的基于NN的消除器更低的计算复杂度来建模SI。使用混合层的关键思想是构建一个NN模型，该模型利用其架构中使用的不同层的特性。更具体地说，在HCRNN中，使用卷积层以缩减的网络规模提取输入数据特征。然后，应用循环层从卷积层的局部特征图中学习输入信号的时间行为。在HCRDNN中，利用额外的密集层为调整NN设置增加另一个自由度，以在消除性能与计算复杂度之间实现最佳折衷。提供了复杂度分析和数值模拟，以证明所提出架构的优越性。