使用深度多任务学习联合估计多种射频损伤
信号处理
2024-10-28 v1
摘要
射频（RF）前端构成了任何无线电系统的关键部分，决定了其成本及通信性能。然而，由于制造/设计过程中的不完善，这些组件经常表现出非理想行为，被称为损伤。大多数设计者依赖简化的闭式模型来估计这些损伤。另一方面，这些模型并不能全面或准确地捕捉真实世界 RF 前端组件的影响。最近，已有基于机器学习的算法被提出用于估计这些损伤。然而，这些算法无法联合估计多种 RF 损伤，导致估计精度有限。本文通过利用多种 RF 损伤之间的关系，提出了对它们的联合估计。为此，设计了一种基于深度多任务学习的算法。大量的仿真结果表明，所提出的联合 RF 损伤估计算法在均方误差方面优于传统的单独估计。此外，该算法消除了为估计不同损伤而训练多个模型的需要。
引用
@article{arxiv.2109.14321,
title = {Joint Estimation of Multiple RF Impairments Using Deep Multi-Task Learning},
author = {Mehmet Ali Aygul and Ebubekir Memisoglu and Huseyin Arslan},
journal= {arXiv preprint arXiv:2109.14321},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication