基于 Transformer 神经算子的带内全双工系统数字自干扰抵消

基于摘要分析。本文研究带内全双工无线电在被动抑制和模拟抵消之后的数字域残余自干扰抵消，将其重新表述为算子学习问题。核心贡献是用 Transformer 神经算子学习残余自干扰信道的时间演化，再结合已知本地发射信号重建当前残余自干扰；研究对象并非 EEG 或 BCI。 当期望信号相对残余自干扰较强时，传统迭代抵消器从受期望信号污染的接收样本更新系数，性能可能下降。所提方法在无期望信号条件下训练，在存在期望信号时应用，并通过基于连续性的分析刻画输入扰动对学习算子的影响。该分析的具体假设、界限及适用范围尚未验证。 作者报告，在静态、时变信道及 SIR 随时间变化的数值实验中，该方法在较宽干扰水平范围内保持稳定抵消性能；在 SIR 为 30 dB 的条件下，相较所考察的传统方法，抵消性能提高 5–15 dB。摘要未给出具体基线、指标定义、数据规模和划分，实验协议、消融及统计信息尚未验证，不能将该结果直接外推至其他信号处理任务。 平台推测（待验证）：其潜在 EEG 对应问题是具有已知刺激参考信号的伪迹重建，而非一般未知噪声去除。可尝试复用“参考输入与时变污染通道联合建模”的框架，但需改造多通道观测、参考信号同步及神经活动保护约束；原方法依赖已知发射信号、信道历史与无期望信号训练条件，EEG 中这些条件未必成立，低信噪比、跨被试变化及小数据可能使模型误删有效神经活动。一个可检验的小实验是在保留干净 EEG 真值的离线叠加数据上加入参考信号驱动的时变伪迹，与传统自适应滤波比较伪迹残留及神经信号失真。已有 EEG 相关工作尚未检索确认。