Key points are not available for this paper at this time.
Une égalisation efficace pour les canaux de communication non linéaires avec bruit blanc gaussien additif (AWGN) est présentée. L'égalisation proposée est basée sur une structure de Réseau de Neurones Artificiels à Lien Fonctionnel (FLANN) dans laquelle l'entrée originale est élargie non linéairement. L'expansion non linéaire proposée suit une série polynomiale. La non-linéarité incorporée à la sortie du FLANN conventionnel est omise dans l'Égaliseur à Séries Polynomiales (PSE) proposé. Par conséquent, la convergence du PSE est rapide et sa complexité computationnelle est faible. De plus, une formule mathématique explicite pour le PSE optimal est obtenue. Le PSE est adapté à l'aide de la méthode des moindres carrés signés (LMS) basée sur un gradient rapide. Les simulations montrent que le PSE surpasse largement d'autres égaliseurs basés sur FLANN utilisant la métrique de Taux d'Erreur Binaire (BER) dans différents modèles de canaux non linéaires et différents Rapports Signal sur Bruit (SNR).
Haweel et al. (Sun,) ont étudié cette question.