통합 딥러닝 프레임워크는 간섭 제거와 견고한 연성 복조를 결합하여 OFDM 시스템의 협대역 간섭(NBI)을 해결합니다. 이 접근법은 기존 압축 센싱 방법을 파라미터 추정 및 제거를 위한 NBI-CNet과 잔여물 보정을 위한 LLR-CNet이라는 두 개의 특수화된 네트워크로 대체합니다.

  • NBI-CNet은 물리 정보 기반 합성곱 아키텍처를 사용하여 간섭체 수에 대한 사전 지식 없이 단일 순전파로 다중 톤 간섭을 제거합니다.
  • N=2048 및 Q=64 구성에서 EOMP-IDS 알고리즘 대비 계산 복잡도를 최대 60%까지 줄입니다.
  • LLR-CNet은 구조적 백화기 역할을 하여, 비가우시안 후감쇠 잔여물을 잘 보정된 연성 지표로 매핑하여 신뢰할 수 있는 로그 우도비를 보장합니다.
  • 시뮬레이션 결과 프레임워크는 밀집 그리드 전반에 걸쳐 전통적인 기준선에서 본질적인 오류 바닥을 제거함을 보여줍니다.
  • 심한 간섭(SIR=-10 dB) 하에서 파이프라인은 블록 오류율 10^-4에서 최적의 반복 기준선 대비 0.2~0.5 dB SNR 마진 내에서 작동합니다.
  • 심한 스펙트럼 중첩이 있는 경미한 간섭(SIR=10 dB) 하에서 NBI-CNet은 신호 피크 혼동을 피하여 3 dB를 초과하는 부호화 이득을 제공합니다.

아키텍처는 간섭체 추정 오류로 인한 오류 바닥을 우회하며, 스케일 불변 설계로 인해 재학습 없이 임의의 FFT 크기 전반에 걸쳐 견고한 일반화를 가능하게 합니다.