يعالج إطار تعلم عميق موحد التداخل النطاق الضيق (NBI) في أنظمة OFDM من خلال أداء إلغاء التداخل وفك التعديل اللين القوي بشكل مشترك. يحل هذا النهج محل طرق الاستشعار المضغوط التقليدية بشبكتين متخصصتين: NBI-CNet للتقدير وإزالة المعلمات، وLLR-CNet لمعايرة البقايا.
- يستخدم NBI-CNet بنية تلافية مستنيرة بالفيزياء لإزالة التداخل متعدد النغمات في تمرير أمامي واحد دون معرفة مسبقة بعدد المتدخلين.
- يقلل التعقيد الحسابي بنسبة تصل إلى 60% مقارنة بخوارزمية EOMP-IDS للتكوينات ذات N=2048 وQ=64.
- يعمل LLR-CNet كمبيض هيكلي، حيث يحوّل بقايا ما بعد التخفيف غير الغاوسية إلى مقاييس لين معايرة بدقة لضمان نسب الإمكانية اللوغاريتمية الموثوقة.
- تُظهر المحاكاة أن الإطار يلغي أرضيات الخطأ الكامنة في الأسس التقليدية عبر الشبكات الكثيفة.
- تحت تداخل شديد (SIR=-10 dB)، يعمل النظام ضمن هامش SNR يتراوح بين 0.2 و0.5 dB من الأساس التكراري الأمثل عند معدل خطأ الكتلة 10^-4.
- تحت تداخل خفيف (SIR=10 dB) مع تداخل طيفي كثيف، يتجنب NBI-CNet ارتباك قمم الإشارة لتقديم مكسب تشفير يتجاوز 3 dB.
يتجاوز هذا التصميم أرضيات الخطأ الناتجة عن أخطاء تقدير المتدخلين ويمكّن من التعميم القوي عبر أحجام FFT التعسفية دون إعادة تدريب بفضل تصميمه غير المتغير للمقياس.