Um framework unificado de aprendizado profundo aborda a interferência de banda estreita (IBN) em sistemas OFDM realizando conjuntamente o cancelamento de interferência e a desmodulação suave robusta. A abordagem substitui os métodos convencionais de compressão por dois redes especializadas: NBI-CNet para estimativa e remoção de parâmetros, e LLR-CNet para calibrar os resíduos.
- O NBI-CNet utiliza uma arquitetura convolucional informada pela física para remover interferência multitom em uma única passagem direta, sem conhecimento prévio da contagem de interferentes.
- Ele reduz a complexidade computacional em até 60% em comparação com o algoritmo EOMP-IDS para configurações com N=2048 e Q=64.
- O LLR-CNet atua como um alvejador estrutural, mapeando resíduos pós-mitigação não-Gaussianos sobre métricas suaves bem calibradas para garantir razões de verossimilhança logarítmicas confiáveis.
- Simulações mostram que o framework elimina os patamares de erro inerentes às linhas de base tradicionais em grades densas.
- Sob interferência severa (SIR=-10 dB), o pipeline opera dentro de uma margem de SNR de 0,2 a 0,5 dB da linha de base iterativa ótima em uma taxa de erro de bloco de 10^-4.
- Sob interferência leve (SIR=10 dB) com forte sobreposição espectral, o NBI-CNet evita confusão de pico de sinal para fornecer um ganho de codificação superior a 3 dB.
A arquitetura contorna os patamares de erro desencadeados por erros de estimativa do interferente e permite generalização robusta em tamanhos de FFT arbitrários sem retreinamento devido ao seu design invariante à escala.