文献

J-GLOBAL ID：202202225729000012   整理番号：22A0913686

二重ニューロンニューラルネットワークを用いた全二重自己干渉除去【JST・京大機械翻訳】

Full-Duplex Self-Interference Cancellation Using Dual-Neurons Neural Networks

著者 (5件)： Elsayed Mohamed (Faculty of Engineering and Applied Science, Memorial University, St. John’s, Canada) ,  Aziz El-Banna Ahmad A. (Faculty of Engineering and Applied Science, Memorial University, St. John’s, Canada) ,  Dobre Octavia A. (Faculty of Engineering and Applied Science, Memorial University, St. John’s, Canada) ,  Shiu Wanyi (Huawei Canada Research Centre, Huawei Technologies Canada Company Ltd., Ottawa, Canada) ,  Wang Peiwei (Huawei Canada Research Centre, Huawei Technologies Canada Company Ltd., Ottawa, Canada)
資料名： IEEE Communications Letters  (IEEE Communications Letters)
巻： 26  号： 3  ページ： 557-561  発行年： 2022年 
JST資料番号： W0941A  ISSN： 1089-7798  CODEN： ICLEF6  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 帯域内完全二重(FD)技術は,同じ中心周波数においてユーザを送信し,同時に受信できるように,スペクトル不足のための最も有望な解決策の一つとして突出した。しかし,FDシステムは,送信と受信アンテナの間の結合によって引き起こされる厳しい自己干渉(SI)に悩まされる。従って,FDシステムのポテンシャルは,ロバストなSI消去技術を採用することなく達成できない。伝統的に,SIは多項式ベースのキャンセルを用いてモデル化され,それは計算的に高価である。その結果,ニューラルネットワーク(NN)は,最近,より低い計算複雑性でSIをモデル化するために導入されてきた。本論文では,二重ニューロン-l隠れ層NN(DN-lHLNN)と呼ばれる新しいNN構造を提案した。DN-l HLNNは,最初の隠れ層で2つのニューロンを利用して,入力と出力サンプルの記憶効果を,減少した複雑性で認識する。数値シミュレーションは,DN-l HLNNベースキャンセルが,多項式および既存のNNベースキャンセルと比較して,計算複雑度およびメモリ要求を,類似の非線形消去性能を維持しながら,著しく低減することを示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *干渉 ,  記憶装置 ,  多項式 ,  *ニューロン ,  *ニューラルネットワーク ,  受信アンテナ ,  スペクトル ,  モデリング ,  計算量 ,  周波数帯 ,  ロバスト性
準シソーラス用語： 数値シミュレーション ,  *干渉除去 ,  隠れ層 ,  中心周波数 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  自然語処理  (JE06000L)

タイトルに関連する用語 (4件)： ニューロン ,  ニューラルネットワーク ,  自己 ,  干渉除去