Sebuah kerangka pembelajaran mendalam yang terpadu mengatasi interferensi pita sempit (NBI) dalam sistem OFDM dengan secara bersamaan melakukan pembatalan interferensi dan demodulasi lunak yang tangguh. Pendekatan ini menggantikan metode penginderaan terkompresi konvensional dengan dua jaringan khusus: NBI-CNet untuk estimasi parameter dan penghapusan, serta LLR-CNet untuk kalibrasi sisa.
- NBI-CNet menggunakan arsitektur konvolusi yang diinformasikan oleh fisika untuk menghilangkan interferensi multi-nada dalam satu lemparan maju tanpa pengetahuan sebelumnya mengenai jumlah interferer.
- Metode ini mengurangi kompleksitas komputasi hingga 60% dibandingkan dengan algoritma EOMP-IDS untuk konfigurasi dengan N=2048 dan Q=64.
- LLR-CNet bertindak sebagai pemutih struktural, memetakan sisa pasca-mitigasi non-Gaussian ke metrik lunak yang terkalibrasi dengan baik untuk memastikan rasio kemungkinan log yang andal.
- Simulasi menunjukkan bahwa kerangka kerja ini menghilangkan lantai kesalahan yang melekat pada baseline tradisional di seluruh grid padat.
- Di bawah interferensi parah (SIR=-10 dB), pipa operasi beroperasi dalam margin SNR 0,2 hingga 0,5 dB dari baseline iteratif optimal pada tingkat kesalahan blok 10^-4.
- Di bawah interferensi ringan (SIR=10 dB) dengan tumpang tindih spektral berat, NBI-CNet menghindari kebingungan puncak sinyal untuk memberikan gain pengkodean melebihi 3 dB.
Arsitektur ini menghindari lantai kesalahan yang dipicu oleh kesalahan estimasi interferer dan memungkinkan generalisasi yang tangguh di seluruh ukuran FFT yang sewenang-wenang tanpa pelatihan ulang karena desainnya yang invarian skala.