Conceitos Básicos
Neuronale Netzwerk-Equalizer SICNN verbessern SC-FDE-Systeme.
Resumo
Einleitung
Datengetriebene ML-Ansätze ersetzen Modell-basierte Verarbeitung.
SICNN: Neuartiger NN-basierter Ansatz für Equalizer.
Beitrag
SICNNv1: Speziell für SC-FDE-Systeme, ähnlich zum Modell-basierten SIC.
SICNNv2: Universeller, für blockbasierte Systeme.
Trainingssätze verbessern Leistung bei hohen SNR.
Struktur
SC-FDE-Systemmodell, Modell-basierte Equalizer.
Iteratives SIC für Datenabschätzung.
SICNNv1 und SICNNv2: Architektur und Training.
Ergebnisse
Vergleich mit Modell-basierten und NN-basierten Ansätzen.
Untersuchung der Trainingsdatenmenge.
Estatísticas
SICNNv1 und SICNNv2 sind für SC-FDE-Systeme optimiert.
SICNNv1 und SICNNv2 bieten verbesserte Leistung bei geringerer Komplexität.
Citações
"SICNNv1 eliminiert Nachteile des modellbasierten Ansatzes."
"SICNNv2 ist universell und für verschiedene Kommunikationssysteme anwendbar."