基于GRU的序列检测方法,用于实现快于奈奎斯特频率的信号处理
《IEEE Open Journal of Vehicular Technology》:GRU-Based Sequence Detection for Faster-than-Nyquist Signaling
【字体:
大
中
小
】
时间:2026年01月15日
来源:IEEE Open Journal of Vehicular Technology 4.8
编辑推荐:
摘要: 本文提出了一种基于深度学习的检测器,用于检测快于奈奎斯特(FTN)信号。该检测器采用了门控循环单元(GRU)架构,并通过Nesterov加速自适应矩估计(NADAM)算法进行了优化。与通常用于类似检测任务的长短期记忆(LSTM)网络相比,GRU具有更高的计算效率,而NA
摘要:
本文提出了一种基于深度学习的检测器,用于检测快于奈奎斯特(FTN)信号。该检测器采用了门控循环单元(GRU)架构,并通过Nesterov加速自适应矩估计(NADAM)算法进行了优化。与通常用于类似检测任务的长短期记忆(LSTM)网络相比,GRU具有更高的计算效率,而NADAM则有助于在非凸优化环境中实现稳定且有效的收敛。与通用神经模型不同,所提出的设计将GRU的输入结构明确地与FTN信号的单边符号间干扰(ISI)范围对齐,使网络能够高效地学习干扰模式,而不会引入不必要的复杂性。这种结构化的集成降低了计算负担并提高了收敛性能。仿真结果表明,经过NADAM优化的GRU在比特错误率(BER)性能上接近最优的BCJR算法。此外,与传统基于深度学习的检测器相比,该检测器具有更高的计算效率。与M-BCJR算法的详细复杂性比较显示,所提出的方法将硬件资源使用量(以查找表(LUT)计)降低了多达76%,同时在相同的条件下保持了可比的BER性能。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号