.png){kind=icon}
返回
Advanced Nonlinear Channel Equalization Using LSTM-SVM: A Machine Learning Approach
.png){kind=icon}
PRE
AI
DOI：10.1007/s11277-025-11875-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在当代通信系统中，可靠的数据传输依赖于减少通信信道中非线性失真和符号间干扰（ISI）的负面影响。本研究中，我们引入了一种混合信道均衡方法，该方法整合了长短期记忆（LSTM）网络的时序建模能力与支持向量机（SVM）的鲁棒分类能力，以有效解决非线性信道失真问题。采用LSTM模型是因为它能够管理信道损伤的时间变化特征，因为它能够学习和表征序列数据中的时序关系。通过将学习到的特征表示映射到原始传输符号，SVM分类器随后改进LSTM的输出，并在高维特征空间中生成可靠的判决边界。所建议的LSTM-SVM均衡器使用包含多径衰落和加性噪声的模拟数据集进行训练，这些数据集产生自非线性信道模型。所提出系统的有效性通过均方误差（MSE）和误码率（BER）在一系列信噪比（SNR）条件下进行评估。仿真结果表明，所提出的LSTM-SVM均衡器持续优于独立的LSTM和SVM均衡器。该混合技术通过成功融合SVM的强分类能力与LSTM的时序学习能力，为非线性通信信道中的均衡提供了一种可行的解决方案。
Keyword:
Channel equalization
Machine learning
LSTM
SVM
LSTM-SVM
期刊
IF:
2.2
论文数:
742
被引数:
1.2W
机构
引用论文
Low-Complexity Pruned Convolutional Neural Network Based Nonlinear Equalizer in Coherent Optical Communication Systems低复杂度剪枝卷积神经网络基于的非线性均衡器在相干光通信系统中的应用.png)
Electronics
OAAI
ElectronicsIF0
OAAI分享收藏分享收藏Deep Learning for Joint Channel Estimation and Signal Detection in OFDM Systems深度学习在OFDM系统信道估计与信号检测中的联合应用
OAAI
OAAI分享收藏分享收藏
查看更多内容