SICNN：受软干扰消除启发的神经网络均衡器
信号处理
2024-03-12 v2 人工智能
摘要
近年来，数据驱动的机器学习方法已被广泛研究以取代或增强数字通信系统中传统的基于模型的处理。本文中，我们关注均衡问题并提出一种新颖的基于神经网络（NN）的方法，称为 SICNN。SICNN 通过深度展开一种基于模型的迭代软干扰消除（SIC）方法而设计。它消除了其基于模型对应方法的主要缺点，后者由于所需的近似而遭受高计算复杂度和性能下降。我们给出了 SICNN 的不同变体。SICNNv1 专为单载波频域均衡（SC-FDE）系统设计，这也是本文主要考虑的通信系统。SICNNv2 更具通用性，可用作任何具有基于块的数据传输方案的通信系统中的均衡器。此外，对于 SICNNv1 和 SICNNv2，我们都给出了可学习参数数量大幅减少的版本。本工作的另一贡献是一种用于生成基于 NN 的均衡器训练数据集的新方法，其显著提升了它们在高信噪比下的性能。我们将所提出的基于 NN 的均衡器的误码率性能与最先进的基于模型和基于 NN 的方法进行比较，突出了 SICNNv1 在 SC-FDE 上优于所有其他方法的优势。作为示例，为强调其通用性，SICNNv2 还被应用于唯一字正交频分复用（UW-OFDM）系统，并达到了最先进的性能。此外，我们对所提出的基于 NN 的均衡方法进行了详尽复杂度分析，并研究了训练集大小对基于 NN 的均衡器性能的影响。
引用
@article{arxiv.2308.12591,
title = {SICNN: Soft Interference Cancellation Inspired Neural Network Equalizers},
author = {Stefan Baumgartner and Oliver Lang and Mario Huemer},
journal= {arXiv preprint arXiv:2308.12591},
year = {2024}
}