Единый фреймворк глубокого обучения решает проблему узкополосных помех (NBI) в системах OFDM за счет совместного выполнения компенсации помех и надежной мягкой демодуляции. Подход заменяет традиционные методы сжатого зондирования двумя специализированными сетями: NBI-CNet для оценки параметров и удаления, а также LLR-CNet для калибровки остаточных сигналов.
- NBI-CNet использует физику-информированную сверточную архитектуру для устранения многокомпонентных помех за один прямой проход без предварительного знания количества источников помех.
- Он снижает вычислительную сложность до 60% по сравнению с алгоритмом EOMP-IDS для конфигураций с N=2048 и Q=64.
- LLR-CNet действует как структурный белитель, отображая негауссовские остаточные сигналы после устранения помех на хорошо откалиброванные мягкие метрики для обеспечения надежных логарифмических отношений правдоподобия.
- Симуляции показывают, что фреймворк устраняет полки ошибок, присущие традиционным базовым решениям, на плотных сетках.
- При сильных помехах (SIR=-10 дБ) конвейер работает в пределах запаса по SNR от 0,2 до 0,5 дБ относительно оптимального итеративного базового решения при уровне ошибок блока 10^-4.
- При слабых помехах (SIR=10 дБ) с сильным спектральным перекрытием NBI-CNet избегает путаницы пиков сигнала, обеспечивая выигрыш по кодированию более 3 дБ.
Архитектура обходит полки ошибок, вызванные ошибками оценки источников помех, и обеспечивает надежную обобщающую способность для произвольных размеров БПФ без переобучения благодаря своей масштабно-инвариантной конструкции.