Исследователи представили новый метод борьбы с узкополосными помехами (NBI) в системах мультиплексирования с ортогональным частотным разделением каналов (OFDM) с помощью глубокого обучения. Подход заменяет традиционные методы сжатого зондирования, устраняя их высокую задержку и проблемы с нелинейными искажениями, что значительно повышает точность мягкой демодуляции и общую надежность передачи данных в условиях зашумленного радиоэфира.

Традиционные алгоритмы подавления помех часто не справляются с не-гауссовыми остаточными шумами, что приводит к насыщению декодера и снижению точности вычисления логарифмических отношений правдоподобия (LLR). Предложенная нейросетевая архитектура выполняет совместную фильтрацию помех и демодуляцию, обеспечивая более эффективную обработку сигналов в реальном времени.

Использование нейронных сетей позволяет модели адаптироваться к сложным структурам помех, которые классические математические методы обработки сигналов игнорируют. Это решение критически важно для повышения пропускной способности современных сетей связи, где плотность сигналов и количество источников помех постоянно растут, делая стандартные подходы к очистке спектра недостаточно эффективными.

Ключевые факты

  • Метод заменяет алгоритмы сжатого зондирования (Compressed Sensing), снижая последовательную задержку обработки.
  • Нейросетевая модель решает проблему не-гауссовых остаточных шумов, препятствующих корректной работе декодеров.
  • Архитектура обеспечивает совместную оптимизацию подавления помех и мягкой демодуляции, повышая надежность LLR.
  • Решение направлено на устранение деградации поднесущих в OFDM-системах, вызванной узкополосными интерференциями.