Interference cancellation using radial basis function networks

Abstract

In this paper we investigate radial basis function networks (RBFNs) for application in adaptive interference cancellation. We study the problem from the perspective of optimal signal estimation. Optimum interference cancellation usually requires nonlinear processing of signals. RBFNs, owing to their nonlinear function approximation capability, can be expected to be able to implement or approximate the operation of optimum interference cancellation with appropriate network configuration and training. We examine a number of different RBFN structures as well as training algorithms. In particular, we show that in some special cases the optimum interference canceler can be exactly implemented by a class of normalized RBFNs that we have recently proposed. Through a number of simulation examples, we demonstrate that the various neural networks based on radial basis functions can be very useful for interference cancellation problems in which traditional linear cancelers may fail badly. We also discuss issues related to network performance and learning algorithms, and some practical considerations. Wir untersuchen Netzwerke mit radialen Basisfunktionen (RBFNs) in ihrer Anwendung zur adaptiven Störkompensation. Wir gehen an das Problem vom Blickwinkel optimaler Signalschätzung aus heran. Optimale Interferenzlöschung erfordert normalerweise eine nichtlineare Signalverarbeitung. Von RBFNs kann man erwarten, daβ sie aufgrund ihrer Fähigkeit zur Nachbildung nichtlinearer Funktionen in der Lage sind, die Operation optimaler Störbeseitigung mit einer passenden Netzwerkkonfiguration und geeignetem Training zumindest näherungsweise zu realisieren. Wir prüfen eine Reihe verschiedener RBFN-Strukturen sowie Trainingsalgorithmen. Insbesondere zeigen wir, daβ der optimale Inter-ferenzkompensator in einigen Sonderfällen durch eine Klasse normalisierter RBFNs exakt realisiert werden kann, die wir kürzlich vorgeschlagen haben. Anhand einer Reihe von Simulationsbeispielen demonstrieren wir, daβ die verschiedenen Netzwerke auf der Grundlage radialer Basisfunktionen sehr nützlich für Störlöschungsprobleme sein können, in denen herkömmliche lineare Entstörer manchmal völlig versagen. Wir sprechen auch Fragen von Netzwerkleistungsfähigkeit und Lernverfahren an sowie einige praktische Überlegungen. Nous étudions dans cet article les réseaux de fonctions radiales (RBFN) dans le cadre d'application à l'annulation adaptative d'interférences. Nous envisageons ce problème dans la perspective de l'estimation optimale des signaux. L'annulation d'interférence optimale requiert habituellement un traitement non linéaire des signaux. Les RBFN, du fait de leur capacité d'approximation de fonction non linéaires, devraient permettre d'implanter ou d'approximer l'opération de suppression d'interférence optimale à l'aide d'une configuration appropriée du réseau et d'un apprentissage. Nous examinons un certain nombre de structures de RBFN différentes ainsi que des algorithmes d'apprentissage. En particulier, nous montrons que dans certains cas spéciaux Pannulateur d'interférence optimal peut être exactement implanté par une classe de RBFN normalisés que nous avons récemment introduite. A l'aide d'un certain nombre d'exemples de simulation, nous montrons que les différents réseaux neuronaux basés sur les fonctions radiales peuvent être très utiles pour les problèmes d'annulation d'interférences dans lesquels les annulateurs linéaires traditionnels peuvent échouer. Nous discutons également les questions touchant aux performances des réseaux et des algorithmes d'apprentissage, et certaines considérations pratiques.