基于超网络增量学习的全双工无线系统自适应非线性数字自干扰消除新方法

《IEEE Transactions on Machine Learning in Communications and Networking》：Adaptive Nonlinear Digital Self-Interference Cancellation for Full-Duplex Wireless Systems Using Hypernetwork-Based Incremental Learning

本文针对全双工无线通信系统中时变信道条件下的自干扰消除难题，提出了一种结合超神经网络和增量学习的自适应解决方案。该方案通过经验回放技术有效解决了动态适应过程中的灾难性遗忘问题，实验结果表明该方法可将自干扰抑制至噪声基底水平，显著提升全双工通信系统在动态无线环境中的可靠性和频谱效率。

　　

随着物联网设备的爆发式增长，无线通信网络正加速向超五代（B5G）技术演进，对高可靠性、超低时延和千兆级数据速率的需求日益迫切。然而当前大多数无线系统仍采用半双工模式，导致频谱利用率降低一半。全双工（FD）技术通过在同一信道上同时进行信号收发，理论上可实现频谱效率的倍增，但实际应用中却面临自干扰（SI）信号的严重挑战——强大的发射信号会淹没微弱的接收信号，甚至导致收发器不稳定和性能恶化。

自干扰消除（SIC）技术可分为无源和有源两大类。无源SIC采用天线隔离、方向性天线等方法在信号到达接收天线前进行抑制，但受物理尺寸和带宽限制。有源SIC包含模拟域和数字域方法，其中数字自干扰消除（DSIC）能够补偿振荡器相位噪声、模数转换器（ADC）非线性等硬件缺陷引起的失真。非线性DSIC尤其重要，因为在高发射功率下，功率放大器（PA）非线性、IQ不平衡等硬件缺陷会产生高阶失真，成为实现有效SIC的关键瓶颈。

传统模型驱动的DSIC方法虽然计算高效，但难以适应时变信道条件；而数据驱动的机器学习方法虽能直接从数据中学习SI特征，却存在灾难性遗忘问题，无法在动态环境中保持稳定性能。为此，Sheikh Islam、Xin Ma和Chunxiao Chigan团队在《IEEE Transactions on Machine Learning in Communications and Networking》上发表研究，提出了一种创新的超网络（HyperNet）增量学习（IL）框架，为全双工无线系统的实际部署提供了突破性解决方案。

研究人员采用了几项关键技术方法：首先构建了包含正交频分复用（OFDM）收发器、射频损伤模块和动态信道模型的完整全双工系统仿真平台；其次设计了超神经网络结构，通过小型网络生成主网络权重参数，实现动态权重调整；最后引入经验回放（ER）增强的增量学习机制，使模型能够持续适应新信道条件而不会遗忘先前知识。实验数据来源于模拟的扩展行人A模型（EPA）、扩展车辆A模型（EVA）和扩展典型城市模型（ETU）等多种场景。

系统模型构建

研究团队建立了完整的全双工收发器系统模型，其中传输信号经过IQ调制器、功率放大器等组件产生非线性失真，再通过自干扰信道影响接收端。数字自干扰消除的目标是准确估计非线性SI信号并将其从接收信号中消除。系统采用双天线设计和53dB的无源模拟消除来防止接收机前端饱和，为数字消除创造条件。

超网络架构设计

超网络通过小型网络动态生成主网络的权重参数，相比传统循环神经网络（RNN）具有更强的表达能力。研究人员对网络结构进行优化，最终确定隐藏层大小为8个神经元的主网络和5个神经元的小型网络组合，仅需约2300个可训练参数即可实现约3500FLOPS的计算效率，在复杂度和性能间取得最佳平衡。

增量学习机制

通过经验回放缓冲池存储10%的历史数据，结合新数据进行增量训练，有效缓解了灾难性遗忘问题。当检测到信道条件变化时，系统触发增量训练流程，使超网络能够快速适应新环境而保持原有知识。

性能验证结果

功率谱密度（PSD）分析显示，线性消除可实现30dB的SI抑制，而超网络增量学习模型能进一步提供8-11dB的非线性消除效果，使残余SI功率降至-82dBm，接近接收机噪声基底（-85dBm）。在训练效率方面，该方法比独立超网络模型快33%，收敛速度提高三倍，在EPA、EVA和ETU等多种信道环境下均保持稳定性能。

该研究的创新性在于首次将超网络与增量学习相结合应用于自干扰消除领域，解决了动态无线环境中模型适应的核心难题。通过经验回放技术平衡新旧知识保留，实现了在不停机的情况下持续适应信道变化的能力。相比传统方法，该方案在保持低计算复杂度的同时显著提升了系统的实用性和可靠性，为全双工通信技术的商业化应用奠定了坚实基础。未来研究方向可包括元学习、强化学习等先进技术的引入，以及在真实环境中的大规模验证工作。