2023
DOI: 10.1080/03772063.2022.2163930
|View full text |Cite
|
Sign up to set email alerts
|

A Non-Linear Improved CNN Equalizer with Batch Gradient Decent In 5G Wireless Optical Communication

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
1
1

Citation Types

0
1
0
1

Year Published

2023
2023
2024
2024

Publication Types

Select...
3

Relationship

0
3

Authors

Journals

citations
Cited by 3 publications
(2 citation statements)
references
References 31 publications
0
1
0
1
Order By: Relevance
“…В системах 5G нелинейные искажения могут возникать в цепях передатчика или приемника из-за множества факторов и влиять на характеристики передаваемого сигнала [12]. В контексте FBMC нелинейные искажения могут вызывать интермодуляционные искажения, когда передаваемые сигналы смешиваются друг с другом и генерируют дополнительные нежелательные частоты, что приводит к возрастанию уровня помех между поднесущими.…”
Section: межлучевые помехиunclassified
“…В системах 5G нелинейные искажения могут возникать в цепях передатчика или приемника из-за множества факторов и влиять на характеристики передаваемого сигнала [12]. В контексте FBMC нелинейные искажения могут вызывать интермодуляционные искажения, когда передаваемые сигналы смешиваются друг с другом и генерируют дополнительные нежелательные частоты, что приводит к возрастанию уровня помех между поднесущими.…”
Section: межлучевые помехиunclassified
“…Deep learning approaches involve training neural networks to learn the mapping between the received signal and the desired signal [ 45 ]. In the context of adaptive equalization, deep neural networks can model the complex and nonlinear relationship between the input signal and the equalized output [ 46 ]. By utilizing large amounts of training data and employing sophisticated network architectures, deep learning techniques can adapt to a wide range of channel characteristics and achieve superior equalization performance [ 47 , 48 ].…”
Section: Techniques Used For Adaptive Equalizationmentioning
confidence: 99%