统一的深度学习框架通过联合执行干扰消除和鲁棒软解调，解决OFDM系统中的窄带干扰（NBI）。该方法用两个专用网络取代了传统的压缩感知方法：用于参数估计和消除的NBI-CNet，以及用于校准残差的LLR-CNet。

  • NBI-CNet利用物理信息卷积架构，在无需先验了解干扰器数量的情况下，通过单次前向传播消除多音干扰。
  • 与EOMP-IDS算法相比，对于N=2048和Q=64的配置，其计算复杂度降低了高达60%。
  • LLR-CNet充当结构白化器，将非高斯后处理残差映射到校准良好的软度量上，以确保可靠的对数似然比。
  • 仿真表明，该框架消除了传统基线在密集网格中固有的误码平台。
  • 在严重干扰（SIR=-10 dB）下，该流水线在块错误率为10^-4时，其信噪比余量在最优迭代基线的0.2至0.5 dB范围内。
  • 在严重频谱重叠的轻度干扰（SIR=10 dB）下，NBI-CNet避免了信号峰值混淆，提供了超过3 dB的编码增益。

该架构通过其尺度不变设计，规避了由干扰器估计误差触发的误码平台，并实现了跨任意FFT尺寸的鲁棒泛化，无需重新训练。