文献类型：期刊文章

作　　者：路雷[1] 褚建军[2] 唐燕群[2] 陶业荣[3] 伍哲舜[4] 郑承武[5] 陈琦[5]

LU Lei;CHU Jianjun;TANG Yanqun;TAO Yerong;WU Zheshun;ZHENG Chengwu;CHEN Qi(The 36th Research Institute of China Electronics Technology Group Corporation,Jiaxing 314033,China;School of Electronics and Communication Engineering,Sun Yat-Sen University,Shenzhen 518107,China;Unit 63891 of Chinese People’s Liberation Army,Luoyang 471000,China;School of Systems Science and Engineering,Sun Yat-Sen University,Guangzhou 510275,China;School of Information Engineering,Southwest University of Science and Technology,Mianyang 621000,China)

机构地区：[1]中国电子科技集团公司第三十六研究所,嘉兴314033 [2]中山大学电子与通信工程学院,深圳518107 [3]中国人民解放军63891部队,洛阳471000 [4]中山大学系统科学与工程学院,广州510275 [5]西南科技大学信息工程学院,绵阳621000

出　　处：《电子与信息学报》

基　　金：广东省基础与应用基础研究基金(2019A1515011622);西南科技大学自然科学基金(21zx7126)。

年　　份：2022

卷　　号：44

期　　号：11

起止页码：3874-3881

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：带内全双工(IBFD)技术能够有效提高无线通信系统的频谱效率,近年来引起了广泛关注。然而,同时发送和接收引起的线性和非线性自干扰给IBFD带来了巨大挑战。传统的非线性自干扰消除主要是基于多项式模型和深度神经网络(DNN)来实现。多项式模型方法存在模型失配导致自干扰效果恶化的风险,而DNN方法无法针对高维数据特有的空频相关性、时间相关性等特点进行处理。该文基于卷积长短时记忆深度神经网络(CLDNN),通过在输入层中引入3维张量以及在卷积层设置复数卷积层结构,分别设计了两种重建自干扰信号的网络结构——2维CLDNN(2D-CLDNN)和复值CLDNN(CV-CLDNN),充分利用卷积神经网络局部感知和权值共享的优势,在高维特征中学习到更抽象的低维特征,从而提高自干扰消除的效果。实际场景中获得数据的评估结果显示,当功率放大器记忆长度M和自干扰信道多径长度L满足M+L=13时,通过总共60次训练轮数,该文提出的结构比传统DNN方法在非线性自干扰消除方面可以实现至少26%的改进,训练轮数也有明显减少。

关 键 词：卷积长短时记忆深度神经网络  非线性自干扰消除  带内全双工  同时发送和接收  神经网络

分 类 号：TP183] TN975]