Un marco unificado de aprendizaje profundo aborda la interferencia de banda estrecha (NBI) en sistemas OFDM realizando conjuntamente la cancelación de interferencias y una demodulación suave robusta. El enfoque reemplaza los métodos convencionales de compresión sensorial con dos redes especializadas: NBI-CNet para la estimación y eliminación de parámetros, y LLR-CNet para calibrar los residuos.
- NBI-CNet utiliza una arquitectura convolucional informada por física para eliminar interferencias multitono en un solo paso hacia adelante sin conocimiento previo del número de interferentes.
- Reduce la complejidad computacional hasta un 60% en comparación con el algoritmo EOMP-IDS para configuraciones con N=2048 y Q=64.
- LLR-CNet actúa como un blanqueador estructural, mapeando los residuos post-mitigación no gaussianos sobre métricas suaves bien calibradas para garantizar ratios de verosimilitud logarítmica fiables.
- Las simulaciones muestran que el marco elimina los suelos de error inherentes a las líneas base tradicionales en cuadrículas densas.
- Bajo interferencia severa (SIR=-10 dB), la tubería opera dentro de un margen de SNR de 0.2 a 0.5 dB con respecto a la línea base iterativa óptima en una tasa de error de bloque de 10^-4.
- Bajo interferencia leve (SIR=10 dB) con superposición espectral intensa, NBI-CNet evita la confusión de picos de señal para ofrecer una ganancia de codificación superior a 3 dB.
La arquitectura evita los suelos de error provocados por errores en la estimación del interferente y permite una generalización robusta en tamaños de FFT arbitrarios sin reentrenamiento debido a su diseño invariante a escala.